Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
|
|
- Renata Kozłowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego schemau:. SFORMUŁOWAD HIPOTEZĘ ZEROWĄ ORAZ ALTERNATYWNĄ H ˆ ; Hpoeza zerowa : Szacowany paramer ne jes sony saysyczne, jego warość według oceny esu jes równa Zmenna objaśnająca przy kórej so szacowany paramer ne wywera saysyczne sonego wpływu na zmenną objaśnaną. Hpoeza alernaywna: H : ˆ Szacowany paramer jes sony saysyczne (jego warość jes sone różna od zera). Zmenna objaśnająca wywera sony wpływ na zmenną objaśnaną.. WYZNACZYD WARTOŚD SPRAWDZIANU T-EMPIRYCZNE ˆ ( ) S( ˆ ) ˆ - oszacowane paramerów dla kolejnych zmennych, S( αˆ ) lub D ˆ ),5; N-K ( - warośc błędów oszacowana paramerów - kryyczny pozom saysyk -Sudena odczyany z ablc rozkładu dla pozomu sonośc,5 oraz sopn swobody (lczba obserwacj lczba paramerów srukuralnych) Na podsawe -emprycznego określamy równeż dokładnośd szacunku paramerów. Umożlwa porównane pomędzy zmennym. 3. WYBRAD POZIOM ISTOTNOŚCI Pozom sonośc esu jes o prawdopodobeoswo popełnena błędu perwszego rodzaju. Błąd perwszego rodzaju polega na odrzucen hpoezy zerowej pommo, że jes ona prawdzwa. Pozom sonośc wyrażony jes w procenach. Mów: Na le błędów na so, polegających na odrzucenu hpoezy zerowej (o braku sonośc saysycznej szacowanego parameru) zgadzamy sę sosując dany es. Z ablc -Sudena odczyujemy warośc kryyczne dla pozomu sonośc α np.,5 oraz n-k sopn swobody. 4. WERYFIKACJA HIPOTEZ Jeśl -empryczne > -kryycznego odrzucamy hpoezę zerową przyjmujemy hpoezę alernarywną. Jeśl -empryczne -kryycznego ne daje podsaw do odrzucena hpoezy zerowej. W programe GRETL generowany jes empryczny pozom sonośc (p-value, p-s) prawdopodobeoswo przyjęca hpoezy zerowej Jeśl warośd p-value jes mnejsza od przyjęego pozomu sonośc o odrzucamy hpoezę zerową na rzecz alernaywnej. ROZKŁAD T STUDENTA Jes rozkładem zblżonym do sandardowego rozkładu normalnego różn sę od nego grubszym ogonam, szczególne gdy lczba sopn swobody N-K jes mała. Im wększa jes lczba sopn swobody, ym bardzej rozkład Sudena zblża sę do rozkładu normalnego gdy lczba sopn swobody jes dosaeczne duża, o obydwa rozkłady są nemal denyczne. Zajęca 3. Maerały pomocncze do dwczeo z Ekonomer Srona z 5
2 WARUNKI STOSOWALNOŚCI ESTYMATORÓW MNK Jeśl chod jeden z warunków sosowalnośc ne jes spełnony esymaor MNK ne sneje: WARUNEK I Szacowane równane regresj mus byd lnowe - względem paramerów (zmennych zakłóceo) WARUNEK II W próbe ne może byd mnej obserwacj (n) nż mamy paramerów srukuralnych do oszacowana (K) WARUNEK III Kolumny macerzy X muszą byd lnowo nezależne (jes ch K). Gdyby zmenna X była lnowo zależna od nnej zmennej objaśnającej X, o zmenna X ne wnosła by do modelu nowych nformacj objaśnających zmennośd Y. W ym przypadku wysępowałaby współlnowośd ścsła (wysoka warośd współczynnka korelacj lnowej, w przypadku zależnośc algebracznej zmenna X oblczona byłaby na podsawe nnej zmennej X, współczynnk korelacj lnowej równy lub -) Kedy zależnośd lnowa pomędzy zmennym objaśnającym ne jes wysoka wysępuje współlnowośd przyblżona. Teraz każda zmenna wnos pewną nformację. Współlnowośd przyblżona może jednak obnżyd dokładnośd esymaora MNK. ZAŁOŻENIA ESTYMATORA MNK. E(u) średna warośd oczekwana równa Zakłócena (składnk losowe, reszy) ne wykazują żadnej endencj do odchylana warośc emprycznych zmennej objaśnanej od warośc eoreycznych na plus czy mnus.. E(uu ) =cov(u)=σ I macerz warancj-kowarancj zakłóceo u jes macerzą skalarną zn. loczynem σ oraz macerzy jednoskowej σ I = σ.. Homoskedasycznośd zakłóceo losowych Na przekąnej (po wymnożenu) macerzy warancj-kowarancj warancje zakłóceo w różnych okresach. Zgodne z założenam esymaora MNK warancja zakłóceo jes sała równa σ ne zależy węc od numeru obserwacj. Tę właścwośd nazywamy homoskedasycznoścą zakłóceo. Brak sałośc zakłóceo nazywamy heeroskedasycznoścą zakłóceo losowych... Brak auokorelacj zakłóceo losowych równana Poza przekąną macerzy leżą współczynnk auokorelacj zn. współczynnk korelacj pomędzy zakłócenam pochodzącym z obserwacj oddalonych o kolejne okresy. Gdy e współczynnk są sone saysyczne różne od zera mówmy o auokorelacj zakłóceo (składnka losowego). Zajęca 3. Maerały pomocncze do dwczeo z Ekonomer Srona z 5
3 NIEOBCIĄŻONOŚD WŁASNOŚCI DOBRYCH ESTYMATORÓW Esymaor jes neobcążony, jeśl jego warośd oczekwana pokrywa sę z waroścą szacowanego parameru. EFEKTYWNOŚD Gdybyśmy z ej samej populacj genralnej wylosowal wele prób, o choć warość MNK-esymaora będze sę różnła od prawdzwej warośc szacowanego parameru jego średna warość polczona na podsawe wynków dla poszczególnych prób była blska warośc szacowanego parameru. Esymaor MNK jes efekywny, kedy jes neobcążony oraz posada mnmalną warancję najmnejsze rozproszene lczone wokół prawdzwej warośc szacowanego parameru. ZGODNOŚD Esymaor jes zgodny, kedy jes sochasyczne zbeżny do szacowanego neznanego parameru (w próbe generalnej). Zbeżnośd sochasyczna oznacza, że wraz ze wzrosem lczebnośc próby, prawdopodobeoswo ego, że orzymane oszacowana paramerów będą zbeżne z waroścą parameru (zborowośd generalna) rośne. Jednocześe warancja esymaora zmerza do zera. Zadane. Wykorzysując ponższe dane saysyczne: (X T X).33 X T y 8 5 y x x a) Oszacować paramery srukuralne nasępującego modelu: b) Znerpreować orzymane wynk wedząc, że y oznacza popy na sok owocowe (w lrach na osobę), x - dochody osobse ludnośc (w zł/osobę), x - ceny soków (w zł/lr). c) Czy z powodu wzrosu zamożnośc meszkańców można lczyć na sony wzros popyu na sok? Zadane. (Kukuła 6, s. 76.) Zweryfkować saysyczną soność ocen paramerów srukuralnych modelu ˆ Y 53,8 5,4X 6, X, Wedząc, że Zadane 3. Oszacowano model ekonomeryczny: Yˆ,,55X S( ˆ) (,5) (,3) 9,5X (35,5) a) Ocenć dokładność szacunku paramerów, b) Ocenć dopasowane modelu do danych ( X T X) R =,76, 3,4,4,,4,,7 n = 3, =, c) Zweryfkować hpoezę o sonośc zmennych objaśnających. d) Wyznaczyć znerpreować współczynnk zbeżnośc. Zadane 4. Podczas szacowana MNK paramerów modelu ekonomerycznego: orzymano nasępujące wynk:,,7, S=, =,,64 y x x Zajęca 3. Maerały pomocncze do dwczeo z Ekonomer Srona 3 z 5
4 ( X T X ) 3 4 e 63 X T y 3 a) Podać oszacowana paramerów ego modelu. n n b) Oblczyć znerpreować warość odchylena sandardowego resz (błędu średnego modelu). Zadane 5. Podczas szacowana MNK paramerów modelu ekonomerycznego posac na podsawe danych z 6 wojewódzw uzyskano nasępujące wynk: a) Zapsać równane ln eoreycznej ego modelu b) Oblczyć średn błąd modelu oraz go znerpreować. c) Oblczyć średne błędy szacunku paramerów. Znerpreować. Zadane Na podsawe danych z la 99- oszacowano paramery modelu objaśnającego przyros depozyów bankowych gospodarsw domowych: W nawasach podano błędy średne ocen paramerów. gdze: Y nomnalne roczne dochody gospodarsw domowych w mld zł, E cena USD w złoych, R nomnalna, przecęna sopa oprocenowana depozyów bankowych, Z8 zmenna zerojedynkowa o warośc w roku 98 w pozosałych laach. a) Znerpreuj paramery ego modelu. b) Czy model jes akcepowalny pod względem meryorycznym (ekonomcznym)? Odpowedź uzasadnj. c) W jakm sopnu objaśnona zosała zmenność przyrosu oszczędnośc? d) Czy na podsawe wynków modelu można powerdzć wysępowane zwązku pomędzy przyrosem oszczędnośc a kursem dolara? Odpowedź uzasadnj. Zadane 7. Na podsawe danych, odpowedzeć na ponższe pyana: =, Gdze: LS-lczba sprzedawców (w osobach), C-cena jednoskowa (w zł), P-przychody ze sprzedaży (w ys. zł) Gdze skorygowany współczynnk deermnacj: R R K N K, gdze: R a) Czy zmenne objaśnające w modelu sone wpływały na kszałowane sę przychodów ze sprzedaży. b) Wyznaczyć znerpreować warość współczynnka zmennośc reszowej. c) Wyznaczyć znerpreować warość współczynnka zbeżnośc. d) Wyznaczyć znerpreować skorygowany współczynnk deermnacj. Zajęca 3. Maerały pomocncze do dwczeo z Ekonomer Srona 4 z 5
5 e) Dokonać nerpreacj oszacowań paramerów srukuralnych modelu. Ocenć poprawność meryoryczną. Zajęca 3. Maerały pomocncze do dwczeo z Ekonomer Srona 5 z 5
Stanisław 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 szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej 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 szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej 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. 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 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 szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej 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 szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej 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 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 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 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 szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej 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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
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 szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
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 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 szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ
Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz
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 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 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 szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA
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 szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
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 szczegółowoAnaliza korelacji i regresji
Analza korelacj regresj Zad. Pewen zakład produkcyjny zatrudna pracownków fzycznych. Ich wydajność pracy (Y w szt./h) oraz mesęczne wynagrodzene (X w tys. zł) przedstawa ponższa tabela: Pracownk y x A
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoMacierz X ma wymiary: 27 wierszy (liczba obserwacji) x 6 kolumn (kolumna jednostkowa i 5 kolumn ze zmiennymi objaśniającymi) X
ROZWIĄZANIA ZADAO Zadanie EKONOMETRIA_dw_.xls Na podsawie danych zamieszczonych w arkuszu Zadanie. Podad posad analiyczną modelu ekonomerycznego wielkości produkcji w przemyśle od PO - liczby pracujących
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej 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 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 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 szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
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 szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoEKONOMETRIA. metody analizy i wykorzystania danych ekonomicznych
UIWERSYE EKOOMICZY w Krakowe EKOOMERIA EKOOMERIA meod analz wkorzsana danch ekonomcznch (handous zapsk wkładowc dla sudenów) Kraków Anon Gorl Anna Walkosz Unwerse Ekonomczn w Krakowe emaka. Wprowadzene..
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 szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
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 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 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 szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
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 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 szczegółowoPROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE
JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano
Bardziej szczegółowoMODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE
MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE Marcn Zawada Kaedra Ekonomer Saysyk, Wydzał Zarządzana, Polechnka Częsochowska, Częsochowa 1 WSTĘP Proces ransformacj
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoEKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów
EKONOMERIA Wkład : Meoda Najmnejszch Kwadraów dr Doroa Cołek Kaedra Ekonomer Wdzał Zarządzana UG hp://wzr.pl/dc doroa.colek@ug.edu.pl Lnow model ekonomerczn:... zmenna endogenczna, 0 k k u zmenne objaśnające,
Bardziej szczegółowoEstymator jest nieobciążony, jeśli jego wartośd oczekiwana pokrywa się z wartością szacowanego parametru.
ZAŁOŻENIA ESYMAORA MNK. E(u) średnia wartośd oczekiwana równa Zakłócenia (składniki losowe, reszty) nie wykazują żadnej tendencji do odchylania wartości empirycznych zmiennej objaśnianej od wartości teoretycznych
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
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 szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoAnaliza 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 szczegółowoHIPOTEZA STOPY NATURALNEJ. MIĘDZY EKONOMETRIĄ A HISTORIĄ MYŚLI EKONOMICZNEJ.
Jacek Wallusch Akadema Ekonomczna w Poznanu HIPOTEZA STOPY NATURALNEJ. MIĘDZY EKONOMETRIĄ A HISTORIĄ MYŚLI EKONOMICZNEJ. Dazu brauche ch ene Besazung de mmach dam alles klapp. Wenn se mmachen soll dann
Bardziej szczegółowoZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji
ZAJĘCIA Pozycyjne ary dyspersj, ary asyetr, spłaszczena koncentracj MIARY DYSPERSJI: POZYCYJNE, BEZWZGLĘDNE Rozstęp dwartkowy (ędzykwartylowy) Rozstęp dwartkowy określa rozpętośd tej częśc obszaru zennośc
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 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 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 szczegółowoModelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej
Sansław Urbańsk * Modelowane równowag cenowej na Gełdze Paperów Waroścowych w Warszawe w okresach przed po wejścu Polsk do Un Europejskej Wsęp Praca nnejsza sanow konynuację badań doyczących wyceny akcj
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe
PROGNOZOWANIE I SYMULACJE - zadana powórzenowe Zadana I. Na podsawe danych z la 88- zbudowano model: y = + 3, 5 s = szuk, R =,3 opsujcy lczb sprzedawanych arówek w yscach szuk w pewnej frme. Wyznaczy prognoz
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoWykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze
Wykłady Jacka Osewalskego z Ekonometr zebrane ku pouczenu przestrodze UWAGA!! (lstopad 003) to jest wersja neautoryzowana, spsana przeze mne dawno temu od tego czasu ne przejrzana; ma status wersj roboczej,
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoMonika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne
Bardziej szczegółowo