Obraz ryzyka w rozmytych przestrzeniach probabilistycznych
|
|
- Bronisława Zając
- 6 lat temu
- Przeglądów:
Transkrypt
1 1 Krzysztof PIAECKI Akademia Ekonomiczna w Poznaniu Obraz ryzyka w rozmytych przestrzeniach probabilistycznych Problem badawczy Buckley [1] i Calzi [] zaproponowali reprezentowanie wartości przyszłych inwestycji finansowych przy pomocy liczb rozmytych. Następnie wielu badaczy dyskutując poszczególne rodzaje reprezentacji rozmytej wartości przyszłej wskazywało na przydatność tego pojęcia w finansach behawioralnych. Konsekwencją takiego podejścia jest między innymi przedstawianie stopy zwrotu z inwestycji jako liczby rozmytej. Wykorzystywanie takiej postaci stopy zwrotu w zarządzaniu finansami prowadzi do prognozowania rozmytych wartości stóp zwrotu. W [5] przedstawiono zbiory probabilistyczne jako formalny obraz takich prognoz. W niniejszej pracy prognozy te będą opisane przy pomocy rozmytej zmiennej losowej [7]. Głównym celem jest zaadaptowanie przedstawionego w[17] trójwymiarowego obrazu ryzyka do potrzeb opisanego w tej pracy modelu formalnego prognozy stopy zwrotu. 1. Podstawowe pojęcia Rozważania nasze ograniczymy do rodziny 0,1 R wszystkich podzbiorów rozmytych w przestrzeni liczb rozmytych. Dowolny rozmyty podzbiór A 0, 1 R reprezentować będziemy przy pomocy jego funkcji przynależności A : R 0,1. W całej pracy zakładać będziemy, że działania sumy, iloczynu i dopełnienia zbiorów rozmytych zostały określone w sposób zaproponowany pierwotnie przez L. A. Zadeha. Liczbą rozmytą [4] nazywamy każdy podzbiór rozmyty M 0, 1 R spełniający dodatkowo warunki x R x, (1) : M 0 1 x, z R : y min x, z 0 y M M M. () Zbiór wszystkich liczb rozmytych oznaczamy symbolem. Za [13] rozmytą relacją mniejszości na zbiorze liczb RR rzeczywistych R nazywamy dowolny podzbiór rozmyty 0, 1
2 opisany przy pomocy funkcji przynależności : R R 0,1 spełniającej tożsamościowo następujące warunki x, y 1 y x, (3) x y, x, y y x, y,, (4) x,. (5) Rozmytym ciałem Borela ˆ nazywamy najmniejszą rodzinę zbiorów rozmytych zamkniętą ze względu na operacje dopełnienia i przeliczalnej sumy oraz spełniającą warunek R R, x 0,1 : x R ˆ 0, 1. (6) Niech będzie dana ustalona przestrzeń probabilistyczna,, P. Rozmytą zmienną losową nazywamy każdą,ˆ mierzalną funkcję :. Oznacza to, że dowolna rozmyta zmienna losowa jest dana jako probabilistyczny zbiór [5] 0,1 :. Każda liczba rozmyta jest reprezentowana przy pomocy funkcji przynależności, : R. Oznacza to, że przedstawiony w [17] trójwymiarowy obraz ryzyka można bezpośrednio zaadaptować dla potrzeb oceny stopy zwrotu prognozowanej jako rozmyta zmienna losowa. Oczekiwaniami zmiennej nazywamy zbiór rozmyty 0,1 R reprezentowany w jednoznaczny sposób przez funkcję przynależności : R 0,1 określoną przy pomocy tożsamości x x, dp (7) i nazywaną dalej rozkładem oczekiwań. W [18] pokazano, że rozkład oczekiwań jest uogólnieniem pojęcia funkcji gęstości rozkładu. Wartością oczekiwaną rozmytej zmiennej losowej nazywamy liczbę rzeczywistą daną przy pomocy zależności x x, R H dpdx. (8) Przyjęcie powyższej definicji oznacza, że wartość oczekiwaną identyfikujemy z wartością przeciętną oczekiwań. Posługiwanie się wartością oczekiwaną zamiast posługiwaniem się rozkładem oczekiwań jest znacznym uproszczeniem i oznacza rezygnację z dużej części dostępnej wiedzy. Dlatego wartym zalecenia jest zawsze poszerzenie analizy opartej na wartościach oczekiwanych o analizę opartą o rozkłady oczekiwań.
3 3.Model reprezentacji inwestycji Niech będzie dany zbiór elementarnych stanów rynku finansowego obejmujących też stany wiedzy ekspertów i inwestorów o tymże rynku finansowym. Dla pewnego ciała zdarzeń losowych. Jeśli posiadane informacje o rynku finansowym nie pozwalają na sprecyzowanie takiego rozkładu, to wtedy możemy się posłużyć zasadą totalnej ignorancji Walda. Rozważamy efekty zainwestowania w pewien ustalony instrument finansowy na zadany okres czasu. Każdemu znany jest rozkład prawdopodobieństwa P : 0,1 elementarnemu stanowi przypisujemy elementarną prognozę stopy zwrotu z tego instrumentu daną jako liczba rozmyta r reprezentowana przez funkcję przynależności, : R 0,1. W ten sposób otrzymujemy rozmytą zmienną losową r : nazywaną dalej prognozą stopy zwrotu. Korzystają teraz kolejno z (7) i (8) wyznaczamy rozkład oczekiwań stopy zwrotu : R 0,1 dany przy pomocy tożsamości x x, dp, (9) oraz oczekiwaną stopę zwrotu r R x x, dpdx. (10) Korzystanie z prognozy stopy zwrotu przy zarządzaniu inwestycjami finansowymi jest między innymi obarczone ryzykiem niepewności wynikającym z niewiedzy na temat przyszłego stanu 0 świata finansowego. Cechy tego ryzyka zwyczajowo określa się przy pomocy analizy właściwości kwadratu różnicy pomiędzy poszczególnymi prognozami stopy zwrotu a oczekiwana stopą zwrotu. W przypadku prognoz stopy zwrotu danych jako liczby rozmyte, dla dowolnego stanu kwadrat różnicy elementarnej rozmytej prognozy stopy zwrotu r i oczekiwanej stopy zwrotu r jest liczbą rozmyta opisaną przy pomocy funkcji przynależności max r x,, r x, x, x 0, (11) 0 x 0.
4 4 W ten sposób kwadrat różnicy prognozy stopy zwrotu r i oczekiwanej stopy zwrotu r został przedstawiony jako rozmyta zmienna losowa ˆ jednoznacznie określony przez rodzinę funkcji przynależności (11) nazywany dalej kwadratem residuum stopy zwrotu.. Korzystają teraz kolejno z (7) i (8) wyznaczamy rozkład oczekiwań kwadratu residuum : R 0,1 x x dany przy pomocy tożsamości, dp, (1) oraz oczekiwany kwadrat residuum stopy zwrotu x x, dpdx. (13) R W [18] wskazano, że oczekiwany kwadrat residuum stopy zwrotu jest uogólnieniem wariancji stopy zwrotu. Dlatego wartość (13) nazywać będziemy wariancją stopy zwrotu także w przypadku rozmytych prognoz tejże stopy. Zarówno wariancja jak i rozkład oczekiwań kwadratu residuum mogą być wykorzystane jako oceny ryzyka niepewności. W ten sposób dowolny portfel dopuszczalny w teorii Markowitza może być reprezentowany przez parę r, R lub przez parę r, R0, 1 R. W przypadku pierwszej pary zbiór portfeli efektywnych jest górna gałęzią krzywej Markowitza. Rodzi to pewne trudności aplikacyjne, gdyż inwestorzy inwestują na ogół w portfele lezące poniżej gałęzi portfeli efektywnych, a więc z punktu widzenia tej teorii w portfele nieefektywne. Natomiast w przypadku, kiedy ryzyko losowe jest opisane przy pomocy rozkładu oczekiwań kwadratu residuum stopy zwrotu, zbiór portfeli efektywnych staje się podzbiorem rozmytym o nośniku rozpiętym nad zbiorem wszystkich portfeli niezdominowanych. W praktyce oznacza to, ze prawie każdy dostępny na rynku portfel dopuszczalny jest w pewnym stopniu portfelem efektywnym. Opis taki może służyć wyjaśnieniu sposobu działania inwestorów, którzy zawsze działają w mniej lub bardziej efektywny sposób. Oznacza to, że oparcie teorii Markowitza na parze R r, R 0, 1 pozwala stworzyć modele formalne bliższych realiom rynku finansowego. Z tego powodu jako obraz ryzyka losowości przyjmiemy rozkład oczekiwań kwadratu residuum : R 0,1. Korzystanie z prognozy stopy zwrotu danej jako rozmyta zmienna losowa :, pociąga za sobą jeszcze ryzyko korzystania z informacji niedokładnej to jest nieprecyzyjnej. Formalnym obrazem niedokładnej oceny stopy zwrotu jest rozkład oczekiwań stopy zwrotu : R 0,1 dany przy pomocy tożsamości (9). Każdą z wartości rozkładu oczekiwań x interpretujemy jako ocenianą w ujęciu logiki
5 5 wielowartościowej wartość logiczną zdania topa zwrotu osiągnie wartość x. Wielu badaczy przedmiotu w obrazie nieprecyzji pojedynczej informacji wyróżnia niewyrazistość informacji oraz niejednoznaczność informacji. Niewyrazistość informacji interpretujemy jako brak jednoznacznego rozróżnienia pomiędzy daną informacją i jej zaprzeczeniem. Ryzyko niewyraźności wynikające z niewyrazistości oczekiwań stopy zwrotu oceniamy przy pomocy miary entropowej zaproponowanej [3]. Przy przyjętych na wstępie założeniach o działaniach teoriomnogościowych miara ta jest równa miarom entropowym zaproponowanym w [6] lub [19]. Ryzyko niewyraźności obciążające stopę zwrotu oceniamy zatem przy pomocy miary entropii stopy zwrotu min x, 1 x dx. (14) R Pożądanym jest oczywiście korzystanie z prognoz stóp zwrotu o możliwie niskiej entropii. Niejednoznaczność informacji interpretujemy, jako brak jednoznacznego wyróżnienia pomiędzy wieloma wskazanymi alternatywami jednej rekomendowanej alternatywy. Ryzyko niejednoznaczności wynikające z rozkładu oczekiwań stopy zwrotu oceniamy przy pomocy miary energetycznej zaproponowanej w [10] i określonej w tym przypadku przy pomocy zależności x dx. (13) R Także i tutaj pożądanym jest korzystanie z prognoz stóp zwrotu o możliwie niskiej energii. Reasumując, globalne ryzyko obciążające stopę zwrotu przedstawiamy jako wektor,, 0,1 R oceniający ryzyko losowości, ryzyko niewyraźności i ryzyko niejednoznaczności. Jak już wspomniano, dwa ostatnie ryzyka składają się na ryzyko nieprecyzji oceniane przy pomocy wektora, R. Im mniejsze ryzyko nieprecyzji, tym wyższa efektywność informacji zebranych na temat badanej stopy zwrotu. W porównaniu z klasyczną teorią Markowicza niedokładnośc jest nowym aspektem oceny ryzyka. Powstaje tutaj natychmiast pytanie, czy takie poszerzenie oceny ryzyka jest celowym. Za uwzględnieniem w badaniu ryzyka nieprecyzji przemawiają dwa argumenty. Primo, jak wiemy zawsze istnieje możliwość ograniczenia ryzyka niepewności prognozy poprzez odpowiednie manipulacje obniżające precyzję prognozy. R
6 6 ecundo, uwzględnienie ryzyka nieprecyzji pozwoli odrzucać te z pośród wariantów inwestycyjnych, które co prawda są atrakcyjne z punktu widzenia klasycznej teorii Markowitza, ale niestety zebrane na ich temat informacje są mocno wieloznaczne. Innymi słowy mówiąc, proponowany w tej pracy trójwymiarowy obraz ryzyka pozwala odrzucać warianty inwestycyjne dające prawie pewne wysokie zarobki w sytuacji, gdy tak naprawdę nasza wiedza na temat tych wariantów jest nie wiele warta. Podsumowanie Kończąc te rozważania należy jeszcze postawić pytanie o celowość zastąpienia w modelu formalnym prognozy stopy zwrotu użytego w [18] pojęcia zbioru probabilistycznego przez pojęcie rozmytej zmiennej losowej. Jakie korzyści może dać taka modyfikacja modelu prognozy, skoro uzyskane dzięki tej modyfikacji wyniki są identyczne z wynikami uzyskanymi w [18]? Zdaniem autora główną korzyścią osiągniętą dzięki tej modyfikacji jest stworzenie dogodnego punktu wyjścia do dalszych studiów nad modelem i możliwościami zastosowań rozmytej prognozy stopy zwrotu. Otóż w tej pracy przy wyznaczaniu rozkładów oczekiwań implicite wykorzystano zdefiniowane przez Zadeha [0] pojęcie prawdopodobieństwa zdarzeń rozmytych. Opisany model prognozy stopy zwrotu możemy uogólnić w ten sposób, że prawdopodobieństwo Zadeha zastąpimy bardziej ogólnym pojęciem rozmytej miary probabilistycznej [8]. Jeśli teraz niedokładność informacji będzie scharakteryzowana przy pomocy zadanej rozmytej relacji mniejszości, to wszystkie informacje o niepewności obciążającej prognozę stopy zwrotu możemy jednoznacznie opisać przy pomocy dystrybuanty rozkładu rozmytej miary probabilistycznej stopy zwrotu. Dla danej rozmytej relacji mniejszości istnieje wiele rozmytych miar probabilistycznych mających identyczną dystrybuantę. Z drugiej strony pomiędzy rozmytymi miarami probabilistycznymi możemy wyróżnić rozmyte P-miary [11]. Dla dowolnej dystrybuanty istnieje dokładnie jedna rozmyta P-miarą o identycznej dystrybuancie [14]. Oznacza to, że zastąpienie rozmytej miary probabilistycznej przez rozmytą P-miarę nie pociąga za sobą utraty informacji o rozkładzie niepewności obciążającej prognozę stopy zwrotu. Z drugiej strony rozmyte P-miary są jedynymi rozmytymi miarami probabilistycznymi spełniającymi wzór Bayes a [1, 15]. Ta własność rozmytych P-miar pozwala bayesowskich strategii inwestycyjnych w oparciu o modele decyzyjne opisane [16] i [17]. Może
7 7 to pozwolić na podjęcie próby stworzenia strategii inwestycyjnej opartej równocześnie na analizie technicznej i przesłankach behawioralnych. Powyżej naszkicowano jedynie lekko zarysowany projekt pewnej teorii opisującej aktualnie rozpatrywane problemy teorii rynków kapitałowych. Dowodzi to, że stworzona w tym artykule możliwość modyfikacji opisanego modelu duże nadzieje na dalszy owocny rozwój aplikacyjnie przydatnej pewnej teorii zarządzania kapitałem. Wskazany kierunek badań jest zatem istotny, gdyż nie prowadzi badacza w ślepą uliczkę. Bibliografia 1. Buckley I.J., The fuzzy mathematics of finance, Fuzzy ets and ystems 1987, Nr 1.. Calzi M.L. (1990), Towards a general setting for the fuzzy mathematics of finance, Fuzzy ets and ystems 1990, Nr35. 3.Czogała E., Gottwald., Pedrycz W., On the concepts of measures of fuzziness and their application in decision making, 8 th Trenniol World Congress IFAC, Kyoto Dubois J., Prade H., Fuzzy real algebra: some results, Fuzzy ets and ystems 1979, Nr. 5. Hirota K. (1981), Concepts of probabilistic sets, Fuzzy ets and ystems 1981, Nr Kaufmann A., Introduction to the Theory of Fuzzy ubsets, Vol.1 Fundamental Theoretical Elements, Academic Press New York Khalili. Fuzzy measures and mappings, J.Math.Anal,Appl. 1979,Nr Klement E.P., chwyhla W., Lowen R. Fuzzy probability measure, Fuzzy ets and ystems 1981 Nr5. 9. Klir G.J. (1993), Developments in uncertainty-based information, [w:] Advances in Computers 1993 Nr.36, red. Yovits M de Luca A., Termini., Entropy and energy measures of fuzzy sets, [w:] Gupta M.M., Ragade R.K., Yager R.R. (red.): Advances in Fuzzy et Theory and Application 1987, North Holand Amsterdam. 11. Piasecki K., Probability of fuzzy events defined as denumerable additivity measure, Fuzzy ets and ystems 1985, Nr Piasecki K., On the Bayes formula for fuzzy probability measure, Fuzzy ets and ystems 1986, Nr , Piasecki K., Probability spaces defined by means of the fuzzy relation less than, Fuzzy ets and ystems 1986, Nr19.
8 8 14. Piasecki K.,Fuzzy P-measure on the real line, Fuzzy ets and ystems 1987, Nr. 15. Piasecki K., Note to: On the Bayes formula for fuzzy probability measure, Fuzzy ets and ystems 1987 Nr Piasecki K., Fuzzy P-measures and their application and decision making, [w:] Combining Fuzzy Imprecision with Probabilistic Uncertainty, red. Kacprzyk J., Fedrizzi M., Lecture Notes in Economics and Mathematical ystems 310, pringer Verlag, Berlin Piasecki K., Decyzje i wiarygodne prognozy, Zeszyty Naukowe.I Prace doktorskiei habilitacyjne, z. 106, Akademia Ekonomiczna w Poznaniu, Poznań Piasecki K., Trójwymiarowy obraz ryzyka, [w:] Mikroekonometria w teorii i praktyce 005, red. Hozer J., praca złożona do druku. 19.Yager R.R., On the measure of fuzziness and negation, Part I: Membership in the unit interval, chool of Business Administration Rep RRy , New Rochele Zadeh L.A., Probabilisty measure of fuzzy events, J.Math. Anal. Appl. 1969, Nr. 3. treszczenie Prognoza wartości stopy zwrotu jest dana jako rozmyta zmienna losowa. Wtedy stopa zwrotu jest obciążona trzema rodzajami ryzyka: ryzykiem niepewności, ryzykiem niewyraźności i ryzykiem niejednoznaczności. Ryzyka te są mierzone odpowiednio przez wariancję, miarę entropii i miarę energii. Risk image in fuzzy probabilistic space Abstract Forecast of return rate value is given as fuzzy random variable. Then return rate is weighted by three kinds of risk: uncertainty, indistinctness and ambiguity. These risks are quantified respectively by dispersion, entropy measure and energy measure.
Trójwymiarowy obraz ryzyka
Krzysztof PIASECKI Akademia Ekonomiczna w Poznaniu Trójwymiarowy obraz ryzyka Problem badawczy W (Buckley, 1987) i (Calzi, 1990) zaproponowano reprezentowanie wartości przyszłych inwestycji finansowych
Bardziej szczegółowoZastosowanie testu CAPM do nieprecyzyjnego określenia efektywności papieru wartościowego
1 Krzysztof Piasecki Akademia Ekonomiczna w Poznaniu Zastosowanie testu CAPM do nieprecyzyjnego określenia ektywności papieru wartościowego Problem badawczy W klasycznym ujęciu instrument finansowy nazywamy
Bardziej szczegółowoStopa zwrotu obarczona ryzykiem nieprecyzji
Krzysztof Piasecki * Stopa zwrotu obarczona ryzykiem nieprecyzji Wstęp Zazwyczaj analiza właściwości dowolnego papieru wartościowe jest prowadzona, jako analiza własności jego stopy zwrotu. Dowolna stopa
Bardziej szczegółowoO STOPIE ZWROTU OSZACOWANEJ PRZEZ INTUICYJNY ROZMYTY ZBIÓR PROBABILISTYCZNY 1
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 248 2015 Uniwersytet Ekonomiczny w Poznaniu Wdział Informatyki i Gospodarki Elektronicznej Katedra Badań Operacyjnych
Bardziej szczegółowoZORIENTOWANA BEHAWIORALNA WARTOŚĆ BIEŻĄCA PORTFELA DWUSKŁADNIKOWEGO STUDIUM PRZYPADKU
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 353 2018 Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu Wydział Zarządzania Katedra Inwestycji i Nieruchomości
Bardziej szczegółowoPORTFEL DWUSKŁADNIKOWY PRZYPADEK WARTOŚCI BIEŻĄCEJ DANEJ JAKO TRÓJKĄTNA LICZBA ROZMYTA
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 241 2015 Informatyka i Ekonometria 3 Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej
Bardziej szczegółowoNIEPRECYZYJNY OPIS PORZĄDKU ZATRZYMANIA STRATY
Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu NIEPRECYZYJNY OPIS PORZĄDKU ZATRZYMANIA STRATY Streszczenie: W pracy porządek zatrzymanej straty został opisany, jako rozmyty preporządek. Wtedy optymalne
Bardziej szczegółowoO sposobie nieprecyzyjnego określenia rozkładu stopy zwrotu Problem badawczy
Krzysztof Piasecki, Edyta Tomasik Akademia Ekonomiczna w Poznaniu O sposobie nieprecyzyjnego określenia rozkładu stopy zwrotu Problem badawczy Podstawowym problemem, przed jakim staje zarządzający ryzykiem
Bardziej szczegółowoPostawy wobec ryzyka
Postawy wobec ryzyka Wskaźnik Sharpe a przykład zintegrowanej miary rentowności i ryzyka Konstrukcja wskaźnika odwołuje się do klasycznej teorii portfelowej Markowitza, której elementem jest mapa ryzyko
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoInterwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
Bardziej szczegółowoKrzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu Rozmyte zbiory probabilistyczne w rachunku aktuarialnym Wstęp Określenie właściwych relacji
Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu Rozmyte zbiory probabilistyczne w rachunku aktuarialnym Wstęp Określenie właściwych relacji pomiędzy wielkością wypłacanych rekompensat a przychodem
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoTechnologie i systemy oparte na logice rozmytej
Zagadnienia I Technologie i systemy oparte na logice rozmytej Mają zastosowania w sytuacjach kiedy nie posiadamy wystarczającej wiedzy o modelu matematycznym rządzącym danym zjawiskiem oraz tam gdzie zbudowanie
Bardziej szczegółowoRODZINA EFEKTYWNYCH INSTRUMENTÓW FINANSOWYCH DANA JAKO INTUICYJNY ZBIÓR ROZMYTY 1
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 331 2017 Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu Wydział Zarządzania k.piasecki@ue.poznan.pl
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie
Bardziej szczegółowoTeoria portfelowa H. Markowitza
Aleksandra Szymura szymura.aleksandra@yahoo.com Teoria portfelowa H. Markowitza Za datę powstania teorii portfelowej uznaje się rok 95. Wtedy to H. Markowitz opublikował artykuł zawierający szczegółowe
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoInwestycje finansowe. Wycena obligacji. Stopa zwrotu z akcji. Ryzyko.
Inwestycje finansowe Wycena obligacji. Stopa zwrotu z akcji. yzyko. Inwestycje finansowe Instrumenty rynku pieniężnego (np. bony skarbowe). Instrumenty rynku walutowego. Obligacje. Akcje. Instrumenty pochodne.
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoWYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)
WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) Motywacje:! przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek
Bardziej szczegółowoPodstawy metod probabilistycznych. dr Adam Kiersztyn
Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku
Bardziej szczegółowoStreszczenie rozprawy doktorskiej. mgr Aleksandry Rutkowskiej. Optymalizacja portfela papierów wartościowych w świetle teorii wiarygodności Liu
Streszczenie rozprawy doktorskiej mgr Aleksandry Rutkowskiej Optymalizacja portfela papierów wartościowych w świetle teorii wiarygodności Liu Rozprawa porusza zagadnienie optymalizacji portfela inwestycyjnego
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowo1 Działania na zbiorach
M. Beśka, Wstęp do teorii miary, rozdz. 1 1 1 Działania na zbiorach W rozdziale tym przypomnimy podstawowe działania na zbiorach koncentrując się na własnościach tych działań, które będą przydatne w dalszej
Bardziej szczegółowoRodzina efektywnych instrumentów finansowych dana, jako intuicyjny zbiór rozmyty
Krzysztof Piasecki Katedra Badań Operacyjnych, Uniwersytet Ekonomiczny w Poznaniu, Al. Niepodległości 10, 60-875 Poznań k.piasecki@ue.poznan.pl Rodzina efektywnych instrumentów finansowych dana, jako intuicyjny
Bardziej szczegółowoALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO
Szybkobieżne Pojazdy Gąsienicowe (2) Nr 2, 24 Mirosław ADAMSKI Norbert GRZESIK ALGORYTM PROJEKTOWANIA CH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO. WSTĘP
Bardziej szczegółowoZbiory, relacje i funkcje
Zbiory, relacje i funkcje Zbiory będziemy zazwyczaj oznaczać dużymi literami A, B, C, X, Y, Z, natomiast elementy zbiorów zazwyczaj małymi. Podstawą zależność między elementem zbioru a zbiorem, czyli relację
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Rozważmy eksperymenty 1 gra Bolka w ruletkę w kasynie;
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoPobrane z czasopisma Annales H - Oeconomia Data: 13/01/ :52:42
DOI:10.17951/h.2017.51.5.221 ANNALES UNIVERSITATIS MARIAE CURIE-SKŁODOWSKA LUBLIN POLONIA VOL. LI, 5 SECTIO H 2017 Uniwersytet Ekonomiczny w Poznaniu. Wydział Zarządzania krzysztof.piasecki@ue.poznan.pl
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Bardziej szczegółowoSzacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL
Szacowanie ryzyka z wykorzystaniem zmiennej losowej o pramatkach rozmytych w oparciu o język BPFPRAL Mgr inż. Michał Bętkowski, dr inż. Andrzej Pownuk Wydział Budownictwa Politechnika Śląska w Gliwicach
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoZbiory intuicyjne w prognozowaniu rynku finansowego
1 Krzysztof Piasecki Roger Ziomek Zbiory intuicyjne w prognozowaniu rynku finansowego Problem badawczy Jednym z zadań stojących przed inwestorem lokującym swoje środki finansowe na rynku kapitałowym, jest
Bardziej szczegółowoWartość przyszła, wartość bieżąca, synergia kapitału. arytmetyki finansowej opisujących wartość przyszłą. Uzyskano w ten sposób
KRZYSZTOF PIASECKI * EFEKT SYNERGII KAPITAŁU W ARYTMETYCE FINANSOWEJ Słowa kluczowe: Wartość przyszła, wartość bieżąca, synergia kapitału Streszczenie: W pracy implementowano warunek synergii kapitału
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoBEHAWIORALNA WARTOŚĆ BIEŻĄCA W POSTACI SKIEROWANYCH LICZB ROZMYTYCH
OPTIMUM. STUDIA EKONOMICZNE NR 3 (87) 2017 dr Anna ŁYCZKOWSKA-HANĆKOWIAK Wyższa Szkoła Bankowa w Poznaniu e-mail: anna.lyczkowska-hanckowiak@wsb.poznan.pl DOI: 10.15290/ose.2017.03.87.09 BEHAWIORALNA WARTOŚĆ
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Rachunek prawdopodobieństwa Probability theory Kierunek: Rodzaj przedmiotu: obowiązkowy dla wszystkich specjalności Rodzaj zajęć: wykład, ćwiczenia Matematyka Poziom kwalifikacji: I stopnia
Bardziej szczegółowozdarzenie losowe - zdarzenie którego przebiegu czy wyniku nie da się przewidzieć na pewno.
Rachunek prawdopodobieństwa Podstawowym celem rachunku prawdopodobieństwa jest określanie szans zajścia pewnych zdarzeń. Pojęcie podstawowe rachunku prawdopodobieństwa to: zdarzenie losowe - zdarzenie
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoFORMALIZACJA SUBIEKTYWNEJ NIEPEWNOŚCI
LOGITRANS - VII KONFERENCJA NAUKOWO-TECHNICZNA LOGISTYKA SYSTEMY TRANSPORTOWE BEZPIECZEŃSTWO W TRANSPORCIE Arkadiusz BARCZAK 1 niepewność subiektywna nieprecyzyjne prawdopodobieństwo zbiory losowe dystrybucja
Bardziej szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
Bardziej szczegółowoSTOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI
1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoJak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta
Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta Instytut Matematyki Politechniki Łódzkiej Poznań, 13.05.2017 r. Pojęcia wstępne u - funkcja użyteczności u : R R, u - ciągła, ściśle
Bardziej szczegółowoOgólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008
Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoZmienne losowe. Statystyka w 3
Zmienne losowe Statystyka w Zmienna losowa Zmienna losowa jest funkcją, w której każdej wartości R odpowiada pewien podzbiór zbioru będący zdarzeniem losowym. Zmienna losowa powstaje poprzez przyporządkowanie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoZarządzanie ryzykiem projektów inwestycyjnych
351 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa we Wrocławiu Zarządzanie ryzykiem projektów inwestycyjnych Streszczenie. Inwestycje to główny czynnik kreowania
Bardziej szczegółowoImplikacje rozmyte. Zbigniew Suraj. Instytut Informatyki Uniwersytet Rzeszowski. Seminarium naukowe Grupy badawczej RSPN, 8 kwietnia 2013, Rzeszów
mlikacje rozmyte Zbigniew uraj nstytut nformatyki Uniwersytet Rzeszowski eminarium naukowe Gruy badawczej RPN, 8 kwietnia 2013, Rzeszów Logika klasyczna arystotelesowska) 1. twierdzenia są albo rawdziwe
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Wprowadzenie Przykład 1 Bolek, Lolek i Tola
Bardziej szczegółowoZmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej
Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie
Bardziej szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa
Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa 2.1. σ ciało (algebra) zdarzeń Katarzyna Rybarczyk-Krzywdzińska losowe Zdarzenie losowe to pewien podzbiór przestrzeni zdarzeń
Bardziej szczegółowoWstęp do probabilistyki i statystyki Wykład 3. Prawdopodobieństwo i algebra zdarzeń
Wstęp do probabilistyki i statystyki Wykład 3. Prawdopodobieństwo i algebra zdarzeń dr inż. Krystyna Schneider, Katedra Elektroniki, AGH e-mail: kryschna@agh.edu.pl http://home.agh.edu.pl/~kryschna 1 Plan:
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 2. Aksjomatyczna definicja prawdopodobieństwa Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 10.10.2017 1 / 33 Klasyczna definicja prawdopodobieństwa
Bardziej szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoZasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.
Zasada rozszerzania f U V U jest zbiorem rozmytym V = f( ), jest obrazem zbioru Przeniesienie rozmytości w odwzorowaniu f na zbiór v) = ( v)? ( f ( ) = sup ( u) gdy ( v) 0 1 = 1 u f ( v) f( ) ( v) 1 0
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoOCZEKIWANA STOPA ZWROTU WYZNACZONA JAKO SKIEROWANA LICZBA ROZMYTA
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 331 2017 Uniwersytet Ekonomiczny w Poznaniu Wydział Zarządzania k.piasecki@ue.poznan.pl OCZEKIWANA STOPA ZWROTU
Bardziej szczegółowoDekompozycje prostej rzeczywistej
Dekompozycje prostej rzeczywistej Michał Czapek michal@czapek.pl www.czapek.pl 26 X AD MMXV Streszczenie Celem pracy jest zwrócenie uwagi na ciekawą różnicę pomiędzy klasami zbiorów pierwszej kategorii
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowoMatematyka bankowa 1 1 wykład
Matematyka bankowa 1 1 wykład Dorota Klim Department of Nonlinear Analysis, Faculty of Mathematics and Computer Science, University of Łódź, Banacha 22, 90-238 Łódź, Poland E-mail address: klimdr@math.uni.ldz.pl
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.3 Rozkłady warunkowe i warunkowa wartość oczekiwana Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Prawdopodobieństwo wyraża postawę
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. L. Kowalski, Statystyka, 2005
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. Literatura: Marek Cieciura, Janusz Zacharski, Metody probabilistyczne w ujęciu praktycznym, L. Kowalski, Statystyka, 2005 R.Leitner, J.Zacharski, "Zarys matematyki
Bardziej szczegółowoLingwistyczne podsumowania baz danych.inteligentne generowanie s
Lingwistyczne podsumowania baz danych. Inteligentne generowanie streszczeń Instytut Informatyki, Politechnika Łódzka Katowice, 29 stycznia 2010 r. Problematyka Bazy i hurtownie danych olbrzymia ilość liczb......
Bardziej szczegółowoLogika Stosowana. Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta. Marcin Szczuka. Instytut Informatyki UW
Logika Stosowana Wykład 7 - Zbiory i logiki rozmyte Część 3 Prawdziwościowa logika rozmyta Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika
Bardziej szczegółowodomykanie relacji, relacja równoważności, rozkłady zbiorów
1 of 8 2012-03-28 17:45 Logika i teoria mnogości/wykład 5: Para uporządkowana iloczyn kartezjański relacje domykanie relacji relacja równoważności rozkłady zbiorów From Studia Informatyczne < Logika i
Bardziej szczegółowoMetody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),
Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga
Bardziej szczegółowoWłasność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky
Własność iteracyjności składek ubezpieczeniowych wyznaczonych w oparciu o teorię skumulowanej perspektywy Kahnemana-Tversky ego Marek Kałuszka Michał Krzeszowiec Ogólnopolska Konferencja Naukowa Zagadnienia
Bardziej szczegółowoWykład 9 Testy rangowe w problemie dwóch prób
Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora
Bardziej szczegółowo2 Rodziny zbiorów. 2.1 Algebry i σ - algebry zbiorów. M. Beśka, Wstęp do teorii miary, rozdz. 2 11
M. Beśka, Wstęp do teorii miary, rozdz. 2 11 2 Rodziny zbiorów 2.1 Algebry i σ - algebry zbiorów Niech X będzie niepustym zbiorem. Rodzinę indeksowaną zbiorów {A i } i I 2 X nazywamy rozbiciem zbioru X
Bardziej szczegółowoPodstawy rachunku prawdopodobieństwa (przypomnienie)
. Zdarzenia odstawy rachunu prawdopodobieństwa (przypomnienie). rawdopodobieństwo 3. Zmienne losowe 4. rzyład rozładu zmiennej losowej. Zdarzenia (events( events) Zdarzenia elementarne Ω - zbiór zdarzeń
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoParametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Bardziej szczegółowoQuantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński
czyli jak tanio i dobrze zabezpieczyć opcję Michał Krawiec Piotr Piestrzyński Koło Naukowe Probabilistyki i Statystyki Matematycznej Uniwersytet Wrocławski Niedziela, 19 kwietnia 2015 Przykład (opis problemu)
Bardziej szczegółowoσ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;
Zdarzenie losowe i zdarzenie elementarne Zdarzenie (zdarzenie losowe) - wyni pewnej obserwacji lub doświadczenia; może być ilościowy lub jaościowy. Zdarzenie elementarne - najprostszy wyni doświadczenia
Bardziej szczegółowoROZMYTA WARTOŚĆ BIEŻĄCA PRÓBA UJĘCIA AKSJOMATYCZNEGO *
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 295 2016 Krzysztof Piasecki Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoLOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
Bardziej szczegółowo