Fluktuacje cen towarów rolnych w świetle analizy fraktalnej
|
|
- Karol Jóźwiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Fluktuacje ce towarów rolych w świetle aalizy fraktalej Rafał Buła Uiwersytet Ekoomiczy w Katowicach Słowa kluczowe: towary role, aaliza fraktala, wykładik Hursta, wykładik samopodobieństwa Key words: agricultural commodities, fractal aalysis, Hurst expoet, self-similarity expoet Wstęp Niiejszy artykuł jest poświęcoy problematyce kształtowaia się ce towarów rolych z puktu widzeia aalizy fraktalej. Dotychczas własości fraktale odkryto w odiesieiu do fluktuacji ideksów giełdowych, ce poszczególych akcji czy obligacji, kursów walut czy zmieych makroekoomiczych jak iflacja. Relatywie słabo zbadae pozostają wciąż wahaia ce towarów rolych. Z tego też względu celem autora jest określeie potecjalej przydatości aalizy fraktalej w odiesieiu do ce owych towarów. Poadto zamierzeiem autora jest zbadaie, czy wspomiae szeregi czasowe mają charakter fraktaly oraz czy moża je opisać jako cechujące się występowaiem (awet ieokresowych) cykli. W tym celu wykorzystae zostaą metody takie jak aaliza przeskalowaego zasięgu oraz metoda zagregowaych bezwzględych wartości. Badaiom zostaą poddae logarytmicze stopy zwrotu dla towarów rolych (cey w kotraktach termiowych), których otowaia są udostępiae przez serwis stooq.pl. Wszystkie obliczeia wykoao w pakiecie MS EXCEL.. Teoria ryku fraktalego a własości ce i stóp zwrotu Obiekty fraktale stały się przedmiotem rozważań matematyków już w końcu XIX w., jedak były wówczas traktowae jako mostruale czy wręcz patologicze. Przyczyą takiego postrzegaia tych tworów był iewyobrażaly dla ówczesych uczoych stopień skomplikowaia ich struktury zwłaszcza, że sądzoo powszechie, iż rację bytu mają jedyie obiekty cechujące się dostateczym stopiem regularości. Tymczasem fraktale właśie ze względu a swoistą budowę okazały się zdecydowaie lepiej odzwierciedlać obiekty występujące w rzeczywistym świecie, iż galileuszowskie koła, sfery czy stożki. Co więcej, bogata i wysublimowaa struktura ie zawsze ozacza, że algorytm ich tworzeia jest Peters E., Fractal Market Aalysis, Wiley&Sos, New York 994, s
2 rówie skomplikoway może o bowiem być zdumiewająco prosty, jak dla p. śieżyki vo Kocha 2 (rys. ). Rys.. Determiistycza i losowa śieżyka vo Kocha Źródło: opracowaie włase. Dopiero itesywe badaia Beoit Madelbrota zapoczątkowae w drugiej połowie XX w. sprawiły, że obiekty fraktale zalazły zastosowaie w rozmaitych dziedziach auki (jak hydrologia czy geologia) także w aukach ekoomiczych. Zaowocowały oe rówież powstaiem zespołu powiązaych ze sobą kocepcji opisujących zachowaie ce i stóp zwrotu z rozmaitych aktywów, azwaych astępie hipotezą ryku fraktalego (Fractal Market Hypothesis) i rozpowszechioych przez Edgara Petersa. Dzięki Madelbrotowi powstała ścisła matematycza defiicja obiektu fraktalego, a miaowicie Fraktal jest z defiicji zbiorem, którego wymiar Hausdorffa-Besicovitcha jest większy iż wymiar topologiczy 3. Mimo jej elegacji kotrowersje z ią związae sprawiły, że uzaie tworu geometryczego za fraktaly jest właściwie poddae osądowi uczoych, kierujących się pewym płyym zbiorem kryteriów. Do ajistotiejszych spośród ich ależy waruek mówiący o samopodobieństwie (lub samoafiiczości) aalizowaego obiektu. I tak, twór geometryczy lub aturaly azywamy fraktalem, jeżeli jest o samopodoby lub samoafiiczy, także w sesie statystyczym (tj. wymagae jest by rozkład prawdopodobieństwa aalizowaej wielkości ależał do tej samej rodziy rozkładów z dokładością do wartości parametrów). W odiesieiu do procesów stochastyczych 2 vo Koch H., O a Cotiuous Curve without Tagets Costructible from Elemetary Geometry, w: Edgar G., Classics o Fractals, Westview Press, Boulder 2004, s Madelbrot B., The Fractal Geometry of Nature, Freema&Compay, New York 983, s. 5.
3 wykorzystuje się określeie, zgodie z którym za samopodoby uzaway jest proces X ( t) spełiający waruek: dla dowolego > 0 t czas, d H ( t) r X ( rt) X =, t 0 () r (proces H-ss), gdzie: H współczyik samopodobieństwa, r stała, d = ozacza rówość w sesie rozkładu prawdopodobieństwa. Słabszym warukiem jest: X d H ( t ) X ( t ) = r [ X ( rt ) X ( )] 2 2 rt, t 0, t 2 0, (2) defiiujący proces o samopodobych przyrostach (H-ssi, self-similar icremets). Łatwo moża okazać, że dowoly proces typu H-ss jest procesem typu H-ssi, lecz ie odwrotie. Jeżeli dodatkowo rozpatrywać stacjoarość przyrostów procesu, to akłada się waruek: X d H ( t + ) X ( t ) = r [ X ( t + rτ ) X ( )] τ, t 0 (3) t0 dla dowolego r > 0 oraz przyrostu czasu τ. Jeżeli owa zależość spełioa jest jedyie dla ieskończeie małych τ, wówczas procesy takie określa się jako lokalie samopodobe (local self-similar icremets) 4. Hipoteza ryku fraktalego opiera się a założeiu, że procesy ce lub skumulowaych stóp zwrotu są procesami o samopodobych przyrostach (co ajmiej lokalie). Uzasadieia atury ekoomiczej dla owej kocepcji dostarczył Peters wskazując a płyość ryku jako główy czyik wpływający a charakter fluktuacji. Odrzuca o dotychczas powszechie wykorzystywae założeie o homogeiczości oczekiwań iwestorów 5 zakładając, że uczesticy ryku różią się w szczególości preferowaą długością horyzotu iwestycyjego. Fakt te sprawia, że apływające iformacje są odmieie przez ich oceiae. Dla iwestorów krótkotermiowych iformacja wskazująca a tymczasowe pogorszeie sytuacji spółki będzie ajprawdopodobiej sygałem do sprzedaży akcji, bowiem oczekują oi w tej sytuacji ziżki ce (jakkolwiek krótkotrwałej). Tymczasem dla uczestików takich jak fudusze emerytale może oa staowić impuls do abywaia walorów. Widać zatem, że założeiem hipotezy ryku fraktalego jest 0 4 Veeziao D., Basic Properties ad Characterizatio of Stochastically Self-Similar Processes i R d, w: Fractals r 7()/999, s Zob. p. Fama E., Efficiet Capital Markets: A Review of Theory ad Empirical Work, w: The Joural of Fiace r 25(2)/970, s. 387.
4 wartościowaie apływających iformacji zgodie z długością horyzotu iwestycyjego, co sprawia, że wymiaa odbywa się bez zakłóceń, jako że zawsze możliwe jest zalezieie partera do zawarcia określoej trasakcji. Jest to jedocześie wyjaśieie, dlaczego iezależie od rozpatrywaej skali ryek wykazuje podobe zachowaia, a zatem cechuje się występowaiem pewej formy samopodobieństwa. Wyjątkiem od opisywaej sytuacji jest przypadek, gdy apływająca iformacja oddziałuje a długość horyzotu iwestycyjego uczestików ryku. Może mieć to miejsce gdy otrzymaa iformacja podważa silie dotychczasowe zapatrywaia iwestorów zwiększając istotie poziom iepewości. Wówczas długość horyzotu iwestycyjego uczestików długotermiowych ulega istotemu skróceiu, co sprawia że praktyczie wszyscy iwestorzy zawierają trasakcje oceiając ich rezultaty w krótkim okresie. Wtedy trudiejsze jest zalezieie partera, co sprawia, że ryek traci płyość i może dojść do krachu 6. Opisyway mechaizm wyjaśia zatem występowaie tzw. grubych ogoów w rozkładach stóp zwrotu. W przypadku szeregów czasowych, które mają charakter dyskrety przedstawioe uprzedio defiicje samopodobieństwa mają zastosowaie jedyie dla określoego przedziału zmieości przyrostu zmieej iezależej, bowiem po przekroczeiu pewej graicy ie dyspoujemy iezbędymi daymi. Z tego też względu ależy pamiętać, że w rzeczywistym świecie obiekty wykazują własości fraktale wyłączie w ograiczoym zakresie dla realych obiektów z pewością moża stwierdzić, że ich potecjaly fraktaly charakter załamuje się a poziomie molekularym, w przeciwieństwie do fraktali matematyczych, które jako obiekty ideale wykazują je także w ieskończeie małej skali. Uwagi powyższe mają rówież zastosowaie do badaych w iiejszym artykule szeregów czasowych ce i stóp zwrotu. Najczęściej aalizowaym i wykorzystywaym fraktalym modelem fluktuacji ce jest model Madelbrota określay jako M 965 opierający się a wykorzystaiu ułamkowego ruchu Browa 7, tj. procesu stochastyczego daego rówością: gdzie: B H ( t) t H 2 H 2 H 2 [( t s) ( s) ] db( s) + ( t s) db( s) 0 = Γ( H + 2) 0 B ( s) stadardowy proces Wieera,, (4) 6 Jest to częsty mechaizm geerujący załamaia a rykach fiasowych (zob. Kidleberger C., Szaleństwo, paika, krach. Historia kryzysów fiasowych, WIG-Press, Warszawa 999 oraz Mackay C., Niezwykłe złudzeia i szaleństwa tłumów, WIG-Press, Warszawa 999). 7 Madelbrot B., Fractals ad Scalig i Fiace, Spriger, New York 997, s
5 Γ (.) fukcja gamma Eulera (jako czyik skalujący). Proces te charakteryzuje się samopodobymi przyrostami oraz występowaiem ieskończoej dodatiej C-zależości (gdy H >2), ieskończoej ujemej C-zależości (gdy H <2) lub jej brakiem w sytuacji, gdy redukuje się do stadardowego ruchu Browa (tj. dla H =2) 8. Jak pokazao, współczyik korelacji pomiędzy przyrostami procesu 2H w jedostce czasu jest uzależioy od wykładika Hursta H i wyosi 2. Dla H >2 autokorelacja jest dodatia, zaś dla H <2 przyrosty są skorelowae ujemie. W modelu M 965 Madelbrot przyjął, że logarytmicze stopy zwrotu mogą być reprezetowae przez przyrosty ułamkowego ruchu Browa, z tym że współczyik samopodobieństwa H, w przeciwieństwie do modelu Samuelsoa-Osbore a, może przybierać wartości z przedziału ( 0, ) róże od 2. W przypadku wielkości ekoomiczych często występującym przypadkiem jest istieie pamięci skończoej, choć okres po którym zależości zaikają (lub zmieiają swoją aturę) jest a ogół relatywie długi. Tym iemiej udało się wykazać występowaie ok. 4-5 letich cyklów ieokresowych w odiesieiu do kluczowych zmieych makroekoomiczych i giełdowych 9, czy m.i. ce iektórych surowców 0. W świetle dotychczasowych badań wydaje się, że występuje powiązaie falowaia ce określoych dóbr ze zmieością aktywości gospodarczej. W odiesieiu do poziomu produkcji przemysłowej czy ce metali otowaych a giełdzie lodyńskiej stwierdzoo występowaia krótko i średiotermiowych dodatich korelacji (persystetości) w odiesieiu do dotychczasowych tredów oraz zaikaie pamięci szeregu po ok miesiącach (fluktuacje te abierały wówczas charakteru czysto losowego). Powstaje zatem pytaie, czy podobych rezultatów moża się spodziewać w przypadku ce specyficzych towarów, jakimi są towary role. Rozstrzygięciu tej kwestii jest poświęcoa dalsza część opracowaia. 2. Metodyka badań W artykule zostaą wykorzystae dwie metody aalizy fraktalych własości badaych szeregów czasowych metoda przeskalowaego zasięgu oraz metoda zagregowaych bezwzględych wartości. 8 Madelbrot B., Statistical Methodology for Noperiodic Cycles: From the Covariace to R/S Aalysis, w: Aals of Ecoomic ad Social Measuremet r (3)/972, s Peters E., Teoria chaosu a ryki kapitałowe, WIG-Press, Warszawa 997, s Buła R., Wpływ kryzysu fiasowego a oszacowaia wykładika Hursta aaliza fraktala ce wybraych metali, w: Grzywacz J., Kowalski S. (red.), Gospodarka rykowa w warukach kryzysu, Wyd. PWSZ, Płock 202, s
6 2.. Metoda przeskalowaego zasięgu Metoda przeskalowaego zasięgu (rescaled rage aalysis) została stworzoa i po raz pierwszy zastosowaa w badaiach empiryczych przez hydrologa Harolda Hursta. Polega oa a aalizie skalowaia się szeregów logarytmiczych stóp zwrotu (o N obserwacjach) w celu określeia współczyika samopodobieństwa. Tworzymy m iezachodzących podszeregów stóp zwrotu o obserwacjach, przy czym 0 N m <. Dla każdego kalkulujemy wartość średią r ( ) k = k r t t= k + i lokale odchyleie stadardowe S k ( rt r ) k ( ) ( ) k = t= k + 2, k =, 2,...,m. Wykorzystując istiejące budujemy m szeregów: a astępie obliczamy rozstępy jako: R z t = t t i= + ri r ( ), t =, 2,...,N, t + ( ) max ( z ) mi ( z ) k =. t= k +,...,k t t= k +,...,k W kolejym kroku uzyskujemy średi przeskaloway zasięg: ( ) t m k= ( ) m Rk R/S = ( ), S k a astępie powtarzamy postępowaie dla Jako że: N = 0,,...,. 2 gdzie: E ( R/S) c stała, H ( R/S) =c E, (5) wartość oczekiwaa przeskalowaego zasięgu dla szeregów o obserwacjach, liczba obserwacji w podszeregu, H wykładik Hursta, zatem aproksymując ( R/S ) H E przez empirycze ( R/S ) dostajemy ( R/S ) c l ( R/S) lc + H l, czyli:, (6) Hurst H., Log-Term Storage Capacity of Reservoirs, w: Trasactios of the America Society of Civil Egieers r 6(2447)/95, s
7 skąd za pomocą regresji liiowej możemy otrzymać oszacowaie współczyika samopodobieństwa H (wykorzystujemy jedocześie poprawkę wprowadzoą przez Aisa i Lloyda zgodie z procedurą opisaą szczegółowo przez autora 2 ). Metodyka wprowadzoa przez Hursta pozwala rówież a wykrycie występowaia ewetualych cyklów ieokresowych w aalizowaych daych. W tym celu bada się zachowaie empiryczego przeskalowaego zasięgu poszukując takiego, dla którego astępuje zmiaa współczyika kierukowego zależości l( R/S) lc + H l. W iiejszej pracy aalizowao wartość H szacowaego z wykorzystaiem wydłużających się podszeregów dla = 0,,..., i Na tej podstawie określao przybliżoą długość cyklu. N =,..., 2 w poszukiwaiu ekstremów lokalych. Przed przystąpieiem do aalizy daych empiryczych postaowioo określić 2π t Δ +, 00 przydatość owej metody badając proces przyrostów X ( t) = Δsi σξ( t) t =,...,2500, ( t) ~ N( 0, ) ξ, cov ( ξ ( t), ξ( s) ) = 0, t s dla różej zmieości szumu: σ = 0, σ =0,0, σ =0, 05 oraz σ =0, 25 (dla każdego poziomu zmieości otrzymao 0 szeregów a astępie wyiki uśredioo). I tak dla σ = 0 szacowaa długość cyklu wyiosła przeciętie 5, dla σ =0, 0 02,6, dla σ =0, 05 22,6 zaś dla σ =0, 25 33,6 (rys. 2). 2π t Rys. 2. Wyiki aalizy R/S dla procesu przyrostów Δ X ( t) Δsi( ) + σξ( t) = 00 σ =0 σ =0, 0 2 Buła R., Wpływ kryzysu fiasowego a oszacowaia wykładika Hursta aaliza fraktala ce wybraych metali, w: Grzywacz J., Kowalski S. (red.), Gospodarka rykowa w warukach kryzysu, Wyd. PWSZ, Płock 202, s
8 Źródło: opracowaie włase. σ =0,05 σ =0, 25 Prezetowae wyiki wskazują a zaczą dokładość metody przeskalowaego zakresu w określaiu długości cyklu, awet dla relatywie zaczego poziomu stochastyczego szumu Metoda zagregowaych bezwzględych wartości Metoda zagregowaych bezwzględych wartości opiera się a bezpośredim wykorzystaiu własości procesów samopodobych, dla których zachowaa jest relacja: gdzie: ( ) k ( ) H r ~, (7) k r średia logarytmicza stopa zwrotu dla k-tego podszeregu o obserwacjach. Wówczas dla gdzie: ( ) d d ( ) = N [ ] r N [ ] k= ( ) ( ) k r, gdzie r ( ) = N [ ] r N [ ] k k= ( ), zachodzi 3 : ( ) H d ~, (8) odchyleie przecięte średich logarytmiczych stóp zwrotu dla szeregów o obserwacjach. W metodzie tej kalkuluje się ( ) d dla różych, a astępie wykorzystuje regresję ( ) l d względem l by uzyskać oszacowaie H. W iiejszym opracowaiu postaowioo wykorzystać wartości stabilość szacowaych liii regresji. N = 23,,..., 20, bowiem uwzględiaie większych zaburzałoby Poadto, podobie jak w metodzie przeskalowaego zasięgu, postaowioo zbadać, czy metoda ta umożliwia wykrycie występowaia fluktuacji o charakterze cykliczym. 3 Taqqu M., Teverovsky V., O Estimatig the Itesity of Log-Rage Depedece i Fiite ad Ifiite Variace Time Series, w: Adler R., Feldma R., Taqqu M. (red.), A Practical Guide To Heavy Tails: Statistical Techiques ad Applicatios, Birkhauser, Bosto 998, s
9 W tym celu aalizowao czy istieje takowe, dla którego astępuje zmiaa wykładika samopodobieństwa (współczyika kierukowego liii regresji) dla procesu przyrostów 2π t Δ X ( t) = Δsi + σξ( t),,..., t =, ξ ( t) ~ N( 0, ), cov ( ξ ( t), ξ( s) ) = 0 zmieości szumu: σ = 0, σ =0, 0, σ =0, 05 oraz σ =0, 25., t s dla różej 2π t Rys. 3. Wyiki aalizy procesu przyrostów X ( t) Δsi( ) + σξ( t) metody zagregowaych bezwzględych wartości Δ z wykorzystaiem = 00 σ =0 σ =0, 0 Źródło: opracowaie włase. σ =0,05 σ =0, 25 Dla σ = 0 szacowaa długość cyklu wyiosła 49, dla σ =0, 0 49, dla σ =0, 05 49, zaś dla σ =0, 25 49,8 (rys. 3). Wydaje się zatem, że w rzeczywistości opisywaa metoda prowadzi do uzyskaia połowy długości cyklu i taką też kokluzję postaowioo wykorzystać w odiesieiu do szeregów empiryczych. 3. Wyiki badań W iiejszym artykule badaiu poddao szeregi czasowe logarytmiczych stóp zwrotu dla towarów rolych (cey w kotraktach termiowych). W aalizach wykorzystao otowaia tygodiowe udostępiae przez serwis stooq.pl (operowao ceami zamkięcia). Spośród 2 towarów w 8 przypadkach szeregi czasowe były a tyle długie, by móc stosować
10 przedstawioe istrumetarium. Wykorzystae otowaia pochodzą z okresu wrzesień 998 luty 205 (BO.F olej sojowy, KW.F pszeica KCBT, LB.F drewo, MW.F pszeica MGEX, RR.F ryż, RS.F rzepak, SM.F mączka sojowa), lipiec 959 luty 205 (CC.F kakao, CT.F baweła, S.F soja, W.F pszeica), luty 968 luty 205 (C.F kukurydza), wrzesień 973 luty 205 (FC.F żywiec wołowy), sierpień 973 luty 205 (KC.F kawa), styczeń 970 luty 205 (LC.F żywiec wołowy), czerwiec 969 luty 205 (LH.F wieprzowia), luty 967 luty 205 (OJ.F sok pomarańczowy), styczeń 96 luty 205 (SB.F cukier). W pierwszej kolejości obliczoo miary opisowe charakteryzujące rozkład. Jedocześie zbadao testem Jarque-Bera, czy moża przyjąć hipotezę o ormalości rozkładów tygodiowych logarytmiczych stóp zwrotu. Wyiki zestawioo w tabeli. Większość rozkładów cechowała się pewym stopiem asymetrii (zarówo prawo- jak i lewostroej) oraz zaczie podwyższoą kurtozą. W każdym przypadku a poziomie istotości 0,0 hipotezę o ormalości rozkładów ależy odrzucić (przede wszystkim ze względu a zbyt grube ogoy rozkładów). W kolejym kroku zastosowao aalizę przeskalowaego zasięgu oraz metodę zagregowaych bezwzględych wartości w celu oszacowaia współczyika samopodobieństwa oraz wykrycia ewetualych fluktuacji o charakterze cykliczym. Wyiki zostały przedstawioe w tabeli 2 oraz a rysukach 4-9.
11 Tab.. Podstawowe charakterystyki rozkładów stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) Miara Towar BO.F C.F CC.F CT.F FC.F KC.F KW.F LB.F LC.F LH.F MW.F OJ.F RR.F RS.F S.F SB.F SM.F W.F N µ 0,03% 0,04% 0,05% 0,02% 0,06% 0,04% 0,07% 0,0% 0,07% 0,05% 0,07% 0,05% 0,0% 0,03% 0,05% 0,06% 0,% 0,03% σ 3,39% 3,47% 4,2% 3,52% 2,47% 4,83% 3,92% 4,7% 2,78% 4,35% 3,87% 4,34% 3,79% 2,94% 3,65% 5,47% 4,8% 3,56% sσ 2,4% 2,49% 2,97% 2,58%,79% 3,35% 2,72% 3,27% 2,04% 3,08% 2,78% 2,94% 2,67% 2,2% 2,7% 3,87% 3,0% 2,50% d 2,60% 2,46% 3,6% 2,32%,80% 3,49% 3,00% 3,64% 2,05% 3,08% 2,73% 3,00% 2,82% 2,6% 2,38% 4,0% 3,4% 2,52% sd,30%,23%,58%,6% 0,90%,74%,50%,82%,02%,54%,37%,50%,4%,08%,9% 2,00%,57%,26% Q 2,04%,7% 2,40%,53%,36% 2,63% 2,42% 2,98%,5% 2,22%,99% 2,08% 2,8%,66%,63% 2,9% 2,46%,80% VaR 0,0 9,96% 9,75% 0,66% 0,53% 6,87% 2,07% 9,54% 0,85% 7,90% 2,75% 0,55% 0,94% 8,58% 9,48% 0,79% 4,58% 0,83% 9,34% λ 3-0,509-0,320-0,0298-0,6572-0,2297 0,4059 0,42 0,2-0,2598 0,025-0,5632 0,6407 0,0666-0,6438-0,8578 0,0092-0,5477-0,323 λ 4 4,257 7,4905 4,809,2977 7,7375 8,3223 3,9567 3,876 5,9058 7,4292 0,7605 9,2942 5,5320 5, ,4963 5,508 5,5328 7,9035 J-B 59,34 203,3 393,6 8537,7 204,75 265,93 34,62 28,99 854,65 947,29 298, ,89 230,09 275, ,96 544,37 272,55 296,79 J-B* 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 9,2 Źródło: opracowaie włase. Objaśieia: N liczba obserwacji, µ - przecięta stopa zwrotu, σ odchyleie stadardowe, sσ semiodchyleie stadardowe, d odchyleie przecięte, sd semiodchyleie przecięte, Q - odchyleie ćwiartkowe, VaR 0,0 wartość zagrożoa dla prawdopodobieństwa 0,0, λ 3 współczyik asymetrii, λ 4 kurtoza, J-B statystyka testu Jarque-Bera, J-B* - wartość graicza statystyki testu Jarque-Bera dla poziomu istotości 0,0.
12 Tab. 2. Wyiki aalizy fraktalej stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) Miara Towar BO.F C.F CC.F CT.F FC.F KC.F KW.F LB.F LC.F LH.F MW.F OJ.F RR.F RS.F S.F SB.F SM.F W.F H R/S 0,5490 0,4733 0,5243 0,470 0,556 0,599 0,4659 0,3948 0,322 0,3575 0,5588 0,3723 0,6097 0,560 0,3595 0,55 0,4337 0,4639 H shuffled 0,4948 0,487 0,5387 0,4852 0,466 0,58 0,4807 0,4770 0,5426 0,509 0,4722 0,484 0,4722 0,4836 0,5029 0,483 0,495 0,574 Długość cyklu H - 0, ,5060 0,55 0, , H 2-0, ,3697 0,3028 0, , Długość cyklu H , ,4734-0, , H , ,39-0, , H u 0,534 0,5202 0,586 0,586 0,525 0,525 0,534 0,534 0,5206 0,5205 0,534 0,5200 0,534 0,534 0,586 0,588 0,534 0,586 H l 0,4659 0,4798 0,484 0,484 0,4785 0,4785 0,4659 0,4659 0,4794 0,4795 0,4659 0,4800 0,4659 0,4659 0,484 0,482 0,4659 0,484 H u,s 0,5289 0,509 0,5573 0,5038 0,483 0,5396 0,548 0,5 0,5632 0,5296 0,5063 0,504 0,5063 0,577 0,525 0,509 0,5256 0,5360 H l,s 0,4607 0,465 0,520 0,4666 0,440 0,4966 0,4466 0,4429 0,5220 0,4886 0,438 0,464 0,438 0,4495 0,4843 0,4643 0,4574 0,4988 H d 0,5747 0,4724 0,4987 0,4222 0,3004 0,5096 0,5006 0,3952 0,3062 0,3004 0,5428 0,4328 0,597 0,5853 0,3887 0,5055 0,4552 0,466 Długość cyklu H, d ,5877 0, ,4779 0,4554 0,574-0, , H 2, d ,2066 0, ,3959 0,3088 0,623-0, , Źródło: opracowaie włase. Objaśieia: H R/S wykładik Hursta uzyskay metodą przeskalowaego zasięgu, H shuffled - wykładik Hursta uzyskay metodą przeskalowaego zasięgu dla obserwacji posortowaych losowo, H wykładik Hursta dla podszeregów o długości ie przekraczającej długości cyklu uzyskay metodą przeskalowaego zasięgu, H 2 wykładik Hursta dla podszeregów o długości przekraczającej długość cyklu uzyskay metodą przeskalowaego zasięgu, H u graiczy góry wykładik Hursta ie uprawiający do odrzuceia hipotezy o błądzeiu losowym, H d graiczy doly wykładik Hursta ie uprawiający do odrzuceia hipotezy o błądzeiu losowym, H u,s graiczy góry wykładik Hursta ie uprawiający do odrzuceia hipotezy o błądzeiu losowym oszacoway w oparciu o szeregi posortowae losowo, H d,s graiczy doly wykładik Hursta ie uprawiający do odrzuceia hipotezy o błądzeiu losowym oszacoway w oparciu o szeregi posortowae losowo, H d wykładik Hursta uzyskay metodą zagregowaych bezwzględych wartości, H,d - wykładik Hursta dla podszeregów o długości ie przekraczającej długości cyklu uzyskay metodą zagregowaych bezwzględych wartości, H 2,d - wykładik Hursta dla podszeregów o długości przekraczającej długość cyklu uzyskay metodą zagregowaych bezwzględych wartości.
13 Rys. 4. Wyiki aalizy przeskalowaego zasięgu stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) BO.F C.F CC.F CT.F FC.F KC.F Źródło: opracowaie włase. KW.F LB.F
14 Rys. 5. Wyiki aalizy przeskalowaego zasięgu stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) cd. LC.F LH.F LH.F MW.F OJ.F RR.F Źródło: opracowaie włase. RS.F S.F
15 Rys. 6. Wyiki aalizy przeskalowaego zasięgu stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) cd. SB.F SM.F Źródło: opracowaie włase. W.F Rys. 7. Wyiki aalizy zagregowaych bezwzględych wartości stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) BO.F C.F Źródło: opracowaie włase. CC.F CT.F
16 Rys. 8. Wyiki aalizy zagregowaych bezwzględych wartości stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) cd. FC.F KC.F KW.F LB.F LC.F LH.F Źródło: opracowaie włase. MW.F OJ.F
17 Rys. 9. Wyiki aalizy zagregowaych bezwzględych wartości stóp zwrotu dla wybraych towarów rolych (cey w kotraktach termiowych) cd. RR.F RS.F S.F SB.F Źródło: opracowaie włase. SM.F W.F 4. Dyskusja i wioski Obydwie metody pozwoliły a odkrycie występowaia cyklów o długości ok. jedego roku w odiesieiu do dziewięciu towarów rolych: kukurydzy, baweły, żywca wołowego, drewa, wieprzowiy, soku pomarańczowego, soi i mączki sojowej. W okresie do jedego roku zachowaie ich ce jest praktyczie losowe, jedak dla okresów dłuższych cechują się oe zaczym poziomem atypersystetości (odwracaia tredu). W czterech przypadkach wykryto istieie cyklu o długości ok. 4,5-5 lat: dla baweły, wieprzowiy, soku pomarańczowego oraz soi. Wydaje się zatem, że istieje jakieś powiązaie pomiędzy fluktuacjami ce tych towarów, a cykliczą zmieością aktywości gospodarczej, jedak sformułowaie bardziej precyzyjych wiosków wymaga dalszych badań.
18 Cey pozostałych towarów, tj. oleju sojowego, kakao, kawy, pszeicy KCBT, pszeicy MGEX, ryżu, rzepaku, cukru i pszeicy ie wykazują własości wskazujących a występowaie zmia o charakterze cykliczym. Spośród ich otowaia jedyie dwóch kotraktów a towary role moża uzać za cechujące się persystetością (podtrzymywaiem tredu): ryżu i rzepaku. W przypadku pozostałych towarów moża stwierdzić, że podlegają oe błądzeiu losowemu (choć w odiesieiu do oleju sojowego, kakao i pszeicy MGEX zazacza się bardzo słaba tedecja do wzmaciaia przeszłych tredów jedak praktyczie iezauważala). Notowaia towarów rolych różią się zatem zdecydowaie od kwotowań surowców metali hadlowaych a giełdzie lodyńskiej 4. W przypadku tych ostatich, cykle o podobej długości (ok. 4 lat) i persystetości cechowały praktyczie wszystkie badae metale. Tymczasem klasa towarów rolych rozpada się a trzy grupy: towary charakteryzujące się cyklami roczymi, towary charakteryzujące się cyklami 4,5-5 letimi oraz towary, których cey ie podlegają wahaiom cykliczym. Co więcej, w odiesieiu do dwóch pierwszych grup, zachowaie ce charakteryzuje się początkowo brakiem wzmaciaia czy odwracaia tredów, by astępie przejść w fazę silej atypersystetości. W przypadku badaych metali charakteryzowały się oe istotą persystetością w okresach ok. 4-letich, która astępie zaikała. Wydaje się, że przyczy takiego stau rzeczy moża upatrywać w specyficzych uwarukowaiach produkcji rolej, jedak sformułowaie bardziej jedozaczych wiosków wymaga dalszych badań. Zakończeie Aaliza empirycza szeregów czasowych ce towarów rolych w kotraktach termiowych wykazała, że zacza ich liczba może zostać scharakteryzowaa jako cechujące się cykliczymi wahaiami ce, przeważie w okresie o długości jedego roku, choć w przypadku baweły, żywca wołowego, soku pomarańczowego i soi wykryto także cykle o długości ok. 4,5-5 lat. Zachowaie ce badaych towarów rolych kotrastuje z fluktuacjami właściwymi dla towarów takich jak metale, które są grupą silie homogeiczą. W przypadku towarów rolych jedyie część z ich cechuje się występowaiem cykliczości o zbliżoym charakterze. Przedstawioa w iiejszym opracowaiu problematyka będzie przedmiotem dalszych aaliz. 4 Za: Buła R., Wpływ kryzysu fiasowego a oszacowaia wykładika Hursta aaliza fraktala ce wybraych metali, w: Grzywacz J., Kowalski S. (red.), Gospodarka rykowa w warukach kryzysu, Wyd. PWSZ, Płock 202, s
19 Bibliografia Buła R., Wpływ kryzysu fiasowego a oszacowaia wykładika Hursta aaliza fraktala ce wybraych metali, w: Grzywacz J., Kowalski S. (red.), Gospodarka rykowa w warukach kryzysu, Wyd. PWSZ, Płock 202. Fama E., Efficiet Capital Markets: A Review of Theory ad Empirical Work, w: The Joural of Fiace r 25(2)/970, s Hurst H., Log-Term Storage Capacity of Reservoirs, w: Trasactios of the America Society of Civil Egieers r 6(2447)/95, s Kidleberger C., Szaleństwo, paika, krach. Historia kryzysów fiasowych, WIG-Press, Warszawa 999. vo Koch H., O a Cotiuous Curve without Tagets Costructible from Elemetary Geometry, w: Edgar G., Classics o Fractals, Westview Press, Boulder Mackay C., Niezwykłe złudzeia i szaleństwa tłumów, WIG-Press, Warszawa 999. Madelbrot B., Fractals ad Scalig i Fiace, Spriger, New York 997. Madelbrot B., Statistical Methodology for Noperiodic Cycles: From the Covariace to R/S Aalysis, w: Aals of Ecoomic ad Social Measuremet r (3)/972, s Madelbrot B., The Fractal Geometry of Nature, Freema&Compay, New York 983. Peters E., Fractal Market Aalysis, Wiley&Sos, New York 994. Peters E., Teoria chaosu a ryki kapitałowe, WIG-Press, Warszawa 997. Taqqu M., Teverovsky V., O Estimatig the Itesity of Log-Rage Depedece i Fiite ad Ifiite Variace Time Series, w: Adler R., Feldma R., Taqqu M. (red.), A Practical Guide To Heavy Tails: Statistical Techiques ad Applicatios, Birkhauser, Bosto 998. Veeziao D., Basic Properties ad Characterizatio of Stochastically Self-Similar Processes i R d, w: Fractals r 7()/999, s Abstrakt Niiejszy artykuł jest poświęcoy problematyce zmia ce towarów rolych. Wykorzystując arzędzia aalizy fraktalej metodę przeskalowaego zasięgu oraz metodę zagregowaych bezwzględych wartości autor wykazał, że część towarów (m.i. baweła, wieprzowia, sok pomarańczowy i soja) cechuje się cykliczymi fluktuacjami ce (długość cyklu wyosi przeważie ok. jedego roku). Badaia potwierdziły przydatość metod fraktalych w aalizie ekoomiczych szeregów czasowych.
20 Summary Fractal aalysis of agricultural commodities prices fluctuatios This article deals with the problem of agricultural commodities prices chages. Usig fractal aalysis the author proved that there exists a group of agricultural commodities, prices of which fluctuate cyclically (the legth of the cycle is maily about oe year). The usefuless of fractal methods of aalyzig ecoomic time series was show.
Influence of financial crisis on Hurst exponent estimates - fractal analysis of selected metals prices
MPRA Muich Persoal RePEc Archive Ifluece of fiacial crisis o Hurst expoet estimates - fractal aalysis of selected metals prices Rafa l Bu la Uiversity of Ecoomics i Katowice 0 Olie at http://mpra.ub.ui-mueche.de/5970/
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoBADANIA DOCHODU I RYZYKA INWESTYCJI
StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;
Bardziej szczegółowoZeszyty naukowe nr 9
Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę
Bardziej szczegółowoModele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017
STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej
Bardziej szczegółowoStruktura czasowa stóp procentowych (term structure of interest rates)
Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.
Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe
Bardziej szczegółowoWYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ
WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA
Bardziej szczegółowoMODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty
MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 2: RENTY. PRZEPŁYWY PIENIĘŻNE. TRWANIE ŻYCIA 1. Rety Retą azywamy pewie ciąg płatości. Na razie będziemy je rozpatrywać bez żadego związku z czasem życiem człowieka.
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1
KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoMetoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2
Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety
Bardziej szczegółowoFraktale - ciąg g dalszy
Fraktale - ciąg g dalszy Koleja próba defiicji fraktala Jak Madelbrot zdefiiował fraktal? Co to jest wymiar fraktaly zbioru? Układy odwzorowań iterowaych (IFS Przykład kostrukcji pewego zbioru. Elemety
Bardziej szczegółowoO pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii
O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoMetody analizy długozasięgowej
Copyright (c) 999-00 by Hugo Steihaus Ceter Metody aalizy długozasięgowej Adrzej Zacharewicz Warsztat aalizy zależości długotermiowej jest wciąż rozwijay i udoskoalay. Od czasów Hursta (95) i jego aalizy
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I DOI: EKONOMIA XLVI nr 1 (2015) 59 75
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I DOI: http://dx.doi.org/0.2775/aunc_econ.205.004 EKONOMIA XLVI r (205) 59 75 Pierwsza wersja złożoa 30 czerwca 203 e-issn: 2392-269 Końcowa
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XXXVI Egzamin dla Aktuariuszy z 10 października 2005 r. Część I. Matematyka finansowa
Komisja Egzamiacyja dla Aktuariuszy XXXVI Egzami dla Aktuariuszy z 0 paździerika 2005 r. Część I Matematyka fiasowa Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Niech dur() ozacza duratio
Bardziej szczegółowoModel ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.
Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The
Bardziej szczegółowoStatystyczny opis danych - parametry
Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea
Bardziej szczegółowo2.1. Studium przypadku 1
Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoMiary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO
Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoMiary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoINWESTYCJE MATERIALNE
OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów
Bardziej szczegółowoZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE
ZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE WARTOŚĆ BEZWZGLĘDNA LICZBY Wartość bezwzględą liczby rzeczywistej x defiiujemy wzorem: { x dla x 0 x = x dla x < 0 Liczba x jest to odległość a osi liczbowej
Bardziej szczegółowoEstymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)
IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej
Bardziej szczegółowoANALIZA DANYCH DYSKRETNYCH
ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoZESZYTY NAUKOWE POLITECHNIKI GDAŃSKIEJ
ZESZYTY NAUKOWE POLITECHNIKI GDAŃSKIEJ Nr 573 Ekoomia XXXIX 2001 BŁAŻEJ PRUSAK Katedra Ekoomii i Zarządzaia Przedsiębiorstwem METODY OCENY PROJEKTÓW INWESTYCYJNYCH Celem artykułu jest przedstawieie metod
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoStatystyka opisowa - dodatek
Statystyka opisowa - dodatek. *Jak obliczyć statystyki opisowe w dużych daych? Liczeie statystyk opisowych w dużych daych może sprawiać problemy. Dla przykładu zauważmy, że aiwa implemetacja średiej arytmetyczej
Bardziej szczegółowoMatematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r.
Komisja Egzamiacyja dla Aktuariuszy XLVII Egzami dla Aktuariuszy z 6 paździerika 2008 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Kredytobiorca
Bardziej szczegółowoĆwiczenie 2 ESTYMACJA STATYSTYCZNA
Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoOptymalizacja sieci powiązań układu nadrzędnego grupy kopalń ze względu na koszty transportu
dr hab. iż. KRYSTIAN KALINOWSKI WSIiZ w Bielsku Białej, Politechika Śląska dr iż. ROMAN KAULA Politechika Śląska Optymalizacja sieci powiązań układu adrzędego grupy kopalń ze względu a koszty trasportu
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowoSTRATEGIA STOP-LOSS & PROFIT OPTYMALIZACJA PORTFELA INWESTYCYJNEGO
Studia Ekoomicze. Zeszyty Naukowe Uiwersytetu Ekoomiczego w Katowicach ISSN 2083-8611 Nr 221 2015 Współczese Fiase 1 Tadeusz Czerik Uiwersytet Ekoomiczy w Katowicach Wydział Fiasów i Ubezpieczeń Katedra
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoKolorowanie Dywanu Sierpińskiego. Andrzej Szablewski, Radosław Peszkowski
olorowaie Dywau ierpińskiego Adrzej zablewski, Radosław Peszkowski pis treści stęp... Problem kolorowaia... Róże rodzaje kwadratów... osekwecja atury fraktalej...6 zory rekurecyje... Przekształcaie rekurecji...
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna A1, zima 2011/12. Kresy zbiorów. x Z M R
Kresy zbiorów. Ćwiczeia 21.11.2011: zad. 197-229 Kolokwium r 7, 22.11.2011: materiał z zad. 1-249 Defiicja: Zbiór Z R azywamy ograiczoym z góry, jeżeli M R x Z x M. Każdą liczbę rzeczywistą M R spełiającą
Bardziej szczegółowoStatystyka. Katarzyna Chudy Laskowska
Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoAnaliza popytu na alkohol w Polsce z zastosowaniem modelu korekty błędem AIDS
Ekoomia Meedżerska 2011, r 10, s. 161 172 Jacek Wolak *, Grzegorz Pociejewski ** Aaliza popytu a alkohol w Polsce z zastosowaiem modelu korekty błędem AIDS 1. Wprowadzeie Okres trasformacji, zapoczątkoway
Bardziej szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoMatematyka finansowa 08.10.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLIII Egzamin dla Aktuariuszy z 8 października 2007 r.
Matematyka fiasowa 08.10.2007 r. Komisja Egzamiacyja dla Aktuariuszy XLIII Egzami dla Aktuariuszy z 8 paździerika 2007 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:...
Bardziej szczegółowoZestaw II Odpowiedź: Przeciętna masa ciała w grupie przebadanych szczurów wynosi 186,2 g.
Zadaia przykładowe z rozwiązaiami Zadaie Dokoao pomiaru masy ciała 8 szczurów laboratoryjych. Uzyskao astępujące wyiki w gramach: 70, 80, 60, 90, 0, 00, 85, 95. Wyzaczyć przeciętą masę ciała wśród zbadaych
Bardziej szczegółowoMetody badania zbieżności/rozbieżności ciągów liczbowych
Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoStatystyka opisowa. () Statystyka opisowa 24 maja / 8
Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów
Bardziej szczegółowoANALIZA ZJAWISKA STARZENIA SIĘ LUDNOŚCI ŚLĄSKA W UJĘCIU PRZESTRZENNYM
Katarzya Zeug-Żebro Uiwersytet Ekoomiczy w Katowicach Katedra Matematyki katarzya.zeug-zebro@ue.katowice.pl ANALIZA ZJAWISKA STARZENIA SIĘ LUDNOŚCI ŚLĄSKA W UJĘCIU PRZESTRZENNYM Wprowadzeie Zjawisko starzeia
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoWERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa
Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut
Bardziej szczegółowoTESTY LOSOWOŚCI. Badanie losowości próby - test serii.
TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla
Bardziej szczegółowoCOLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871
COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoPlan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia
Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk
Bardziej szczegółowo1. Metoda zdyskontowanych przyszłych przepływów pieniężnych
Iwetta Budzik-Nowodzińska SZACOWANIE WARTOŚCI DOCHODOWEJ PRZEDSIĘBIORSTWA STUDIUM PRZYPADKU Wprowadzeie Dochodowe metody wycey wartości przedsiębiorstw są postrzegae, jako ajbardziej efektywe sposoby określaia
Bardziej szczegółowoI. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n
I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoSTATYSTYCZNA OCENA WYNIKÓW POMIARÓW.
Statytycza ocea wyików pomiaru STATYSTYCZNA OCENA WYNIKÓW POMIARÓW CEL ĆWICZENIA Celem ćwiczeia jet: uświadomieie tudetom, że każdy wyik pomiaru obarczoy jet błędem o ie zawze zaej przyczyie i wartości,
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowo3. Funkcje elementarne
3. Fukcje elemetare Fukcjami elemetarymi będziemy azywać fukcję tożsamościową x x, fukcję wykładiczą, fukcje trygoometrycze oraz wszystkie fukcje, jakie moża otrzymać z wyżej wymieioych drogą astępujących
Bardziej szczegółowoModel Lesliego. Oznaczmy: 0 m i liczba potomstwa pojawiającego się co jednostkę czasu u osobnika z i-tej grupy wiekowej, i = 1,...
Model Lesliego Macierze Lesliego i Markowa K. Leśiak Wyodrębiamy w populaci k grup wiekowych. Po każde edostce czasu astępuą arodziy i zgoy oraz starzeie (przechodzeie do astępe grupy wiekowe). Chcemy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowoUwarunkowania rozwojowe województw w Polsce analiza statystyczno-ekonometryczna
3 MAŁGORZATA STEC Dr Małgorzata Stec Zakład Statystyki i Ekoometrii Uiwersytet Rzeszowski Uwarukowaia rozwojowe województw w Polsce aaliza statystyczo-ekoometrycza WPROWADZENIE Rozwój społeczo-gospodarczy
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)
Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli
Bardziej szczegółowoCiągi liczbowe wykład 3
Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych
Bardziej szczegółowoMINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU
Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów
Bardziej szczegółowoEKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą
EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoStatystyka Wzory I. Analiza struktury
Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej
Bardziej szczegółowoL.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3
L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie
Bardziej szczegółowo