Analiza wybranych własności rozkładu reszt

Wielkość: px
Rozpocząć pokaz od strony:

Download "Analiza wybranych własności rozkładu reszt"

Transkrypt

1 Analiza wybranych własności rozkładu rsz

2 Poprawni skonsruowany i oszacowany modl, kóry nasępni ma być wykorzysany do clów analizy i prdykcji, poza wysokim sopnim odzwircidlania zmian warości mpirycznych powinin akż charakryzować się pwnymi pożądanymi własnościami rozkładu rsz. Ich wryfikacji dokonuj się za pomocą odpowidnich sów saysycznych. I ak rszy dobrgo modlu powinny m.in. charakryzować się losowością, normalnością i symrią. Ponado, w przypadku gdy dan mpiryczn mają charakr szrgów czasowych, nalży sprawdzić, czy ni wysępuj zjawisko auokorlacji rsz modlu.

3 Auokorlacja odchylń losowych oznacza liniową zalżność między odchylniami losowymi z różnych jdnosk czasu. Miarą siły i kirunku auokorlacji odchylń losowych ε z okrsu i odchylń losowych ε -τ z okrsu -τ js współczynnik korlacji: ρ τ =ρ(ε, ε -τ ) nazywany współczynnikim auokorlacji rzędu τ. Oszacowanim go współczynnika js współczynnik auokorlacji rsz i -τ okrślony wzorm: n n n r

4 Do wryfikacji hipozy o braku auokorlacji odchylń losowych ε i ε -1, j. hipozy H 0 : [ρ 1 =0], wobc hipozy alrnaywnj H 1 : [ρ 1 0] służy s Durbina-Wasona. Sprawdzianm j hipozy w wypadku auokorlacji dodanij js saysyka: n d mp Saysyka d przyjmuj warości z przdziału [0,4], jżli hipoza zrowa js prawdziwa, o d=. Warość d< świadczą o isniniu auokorlacji dodanij, naomias warości d> świadczą o isniniu auokorlacji ujmnj. Zam w zalżności od orzymanj warości d rzba sprcyzować dokładnij hipozę alrnaywną. n 1 1.

5 Przy auokorlacji ujmnj nalży wyznaczyć d wdług wzoru: d = 4 - d. Obliczoną warość saysyki d (lub d ) porównuj się z dwoma warościami kryycznymi: d L i d U odczyanymi z ablic Durbina-Wasona dla przyjęgo poziomu isoności α oraz n i k-1 sopni swobody (n liczba obsrwacji, k-1 liczba zminnych objaśniających w modlu, bz zminnj ożsamościowo równij jdn). Rguła dcyzyjna js nasępująca. Hipozę zrową (o braku auokorlacji) odrzucamy (na korzyść hipozy alrnaywnj) w przypadku, gdy warość d obliczona na podsawi obsrwacji będzi mnijsza od d L. W przypadku, gdy d>d U, swirdzamy brak podsaw do odrzucnia hipozy H 0. W przypadku, gdy d L d d U, ni podjmujmy żadnj dcyzji (obszar nikonkluzywności).

6 W syuacji, gdy d L d d U, możmy posłużyć się współczynnikim auokorlacji ρ, kóry z d powiązany js nasępująco: Jdnoznaczni dla danj liczby obsrwacji n i poziomu ufności α można odczyać z ablic warość isongo współczynnika auokorlacji. Np. przyjmijmy, ż ρ = 0,6, wówczas d = - ρ d = 0,8 Wszyski warości d mnijsz od 0,8 świadczą wówczas o auokorlacji. d d.

7 Badani isoności auokorlacji odchylń losowych dowolngo rzędu moż być równiż przprowadzon za pomocą su isoności współczynnika korlacji. Ts n pozwala na zwryfikowani hipozy H 0 : [ρ τ =0] wobc hipozy alrnaywnj H 1 : [ρ τ 0]. Sprawdzianm j hipozy js saysyka: r n I. 1 r Z ablic -Sudna dla przyjęgo poziomu isoności α oraz dla m=n-τ- sopni swobody odczyuj się warość kryyczną I*. Jśli I τ I*, ni ma podsaw do odrzucnia hipozy H 0 ; współczynnik auokorlacji ρ τ js niisony. Jśli I τ >I*, hipozę H 0 nalży odrzucić na rzcz hipozy H 1 ; współczynnik auokorlacji ρ τ js isony.

8 Badani normalności rozkładu odchylń losowych sprowadza się do wryfikacji hipozy, ż dysrybuana odchylń F(ε) js równa dysrybuanci rozkładu normalngo F N (ε). Wryfikujmy więc hipozę H 0 : [F(ε)=F N (ε)] wobc hipozy H 1 : [F(ε) F N (ε)]. Do wrydfikowania hipozy o normalności rozkładu służy m.in. s zgodności Hllwiga i s normalności Shapiro-Wilka. Dla małj próby sosuj się s Hllwiga. Js o w isoci s zgodności, za pomocą kórgo można zwryfikować hipozę o dowolnym rozkładzi. Ts n opira się bowim na własności znanj saysyki: jżli zminna losowa X ma rozkład F, o zminna losowa F(X) ma rozkład jdnosajny.

9 Procdura su Hllwiga js nasępująca: 1. Przprowadza się sandaryzację rsz wdług wzoru: gdzi: u Sˆ 1,,..., n, - śrdnia arymyczna rsz (=1,,,n); Ŝ - odchylni sandardow rsz (=1,,,n) obliczan wdług wzoru: n ˆ 1 S. n 1 Jśli badania doyczą modlu liniowgo szacowango modą najmnijszych kwadraów, o śrdnia arymyczna rsz równa js 0.. Zsandaryzowan rszy porządkuj się wdług warości nimaljących ak, ż u (1) u () u (n). 3. Z ablic dysrybuany rozkładu normalngo odczyuj się warość dysrybuany Φ(u () )=P(u<u () ).

10 4. Wyznacza się zw. cl l (=1,,,n), kórymi są przdziały liczbow o rozpięości 1/n powsał po podzilniu odcinka [0,1] na n równych części. 5. Warości dysrybuany Φ(u () ) przyporządkuj się odpowidnim clom i okrśla się liczbę cl pusych K, j. akich, do kórych ni rafiła żadna warość Φ(u () ). 6. Z ablic su zgodności Hllwiga dla danj liczby obsrwacji n oraz dla przyjęgo poziomu isoności α odczyuj się warości kryyczn K 1 i K. 7. Jżli K 1 K K, ni ma podsaw do odrzucnia hipozy zrowj. Odchylnia losow mają wówczas rozkład normalny. Naomias jśli K<K 1 lub K>K, o hipozę zrową nalży odrzucić na rzcz hipozy alrnaywnj. Odchylnia losow ni mają wówczas rozkładu normalngo.

11 Procdura su Shapiro-Wilka przdsawia się nasępująco: 1. Porządkuj się rszy wdług warości nimaljących ak, ż orzymuj się ciąg: (1), (),, (n).. Oblicza się warość saysyki: W [ n/ ] gdzi: [n/] część całkowia liczby n/; a n-+1 współczynnik Shapiro Wilka. 1 a n Z ablic su Shapiro-Wilka dla przyjęgo poziomu isoności α odczyuj się warość W*. n 4. Jśli W W*, ni ma podsaw do odrzucnia hipozy H 0, mówiącj, ż rozkład odchylń losowych js normalny. Naomias jżli W<W*, hipozę H 0 nalży odrzucić na rzcz hipozy H 1, co oznacza, ż rozkład odchylń losowych ni js normalny. ( n1) ( ),

12 Tsowani losowości ma związk przd wszyskim z wyborm posaci analiycznj modlu. Zgodni z założniami sandardowgo modlu liniowgo zminna objaśniana js liniową funkcją zminnych objaśniających plus losowa korka. W przypadku, gdy wspomnian korky mają przz dłuższy okrs jdnakow znaki, można przypuszczać, ż zosał popłniony błąd spcyfikacji, polgający na nirafnym wyborz posaci analiycznj modlu lub nirafnym wyborz zminnych objaśniających. Do wryfikacji hipozy H 0 : ε losowy wobc hipozy H 1 : ε nilosowy służy s liczby srii.

13 Procdura dla go ypu su js nasępująca. Dla dango ciągu rsz 1,,, n przyporządkowujmy warościom dodanim symbol a ( >0), warościom ujmnym zaś symbol b ( <0). Warości =0 prakyczni nigdy ni wysępują. Jśli jdnak zdarzy się aka syuacja, o nalży zwiększyć dokładność obliczń. Jśli ni js o możliw, nalży umowni, wdług pwnj zasady, nikórym rszom zrowym przypisać znak dodani, pozosałym ujmnym. W osaczności rszy aki można zignorować (zmnijsza się wówczas akż wilkość próby) al js o najgorsz rozwiązani.

14 Przz srię rozumi się ciąg jdnakowych symboli, np. aaa lub bbb. Nasępni oblicza się mpiryczną liczbę srii K. W przypadku, gdy korzysamy z su dwusronngo, z ablic su srii odczyujmy warości kryyczn K 1 i K (przy zadanym poziomi isoności α). Jżli K 1 K K o swirdzamy, ż brakuj podsaw do odrzucnia hipozy zrowj. Jżli K <K 1 (zby mała zaobsrwowana liczba srii) lub K >K (zby duża zaobsrwowana liczba srii), o hipozę o losowości odrzucamy. W przypadku su jdnosronngo podsawą do odrzucnia hipozy zrowj js swirdzni zby małj liczby srii. H 0 odrzuca się, jżli K <K* (gdzi K* js warością kryyczną odczyaną z ablic jdnosronnych lub ż z ablic su dwusronngo, al dla poziomu isoności α).

15 Badani niobciążoności odchylń losowych modlu przprowadza się dla modli niliniowych z względu na paramry srukuraln. Sprowadza się ono do zwryfikowania hipozy H 0 : [E(ε)=0] wobc hipozy alrnaywnj H 1 : [E(ε) 0]. Sprawdzianm hipozy js saysyka n 1 I. ˆ gdzi: - śrdnia arymyczna rsz (=1,,,n); Ŝ - odchylni sandardow rsz (=1,,,n). S

16 Z ablic su -Sudna dla n-1 sopni swobody oraz dla przyjęgo poziomu isoności α odczyuj się warość kryyczną I*. Jśli I I*, ni ma podsaw do odrzucnia hipozy H 0. Warość oczkiwana odchylń losowych js wówczas niisoni różna od zra i odchylnia są niobciążon. Naomias jśli I>I*, hipozę H 0 nalży odrzucić na rzcz hipozy H 1. Warość oczkiwana odchylń losowych js wówczas isoni różna od zra i odchylnia są obciążon.

17 Koljnym odsępswm od założń klasycznj mody najmnijszych kwadraów js rzygnacja z posulau, aby wariancj składnika losowgo były sał w czasi. W prakyc wariancj składnika losowgo (jśli ni są spłnion klasyczn założnia) mają ndncję do wzrasania lub zmnijszania się. W clu wykrycia go zjawiska sosuj się s Goldflda i Quanda. Ts n polga na zwryfikowaniu hipozy o równości wariancji odchylń dwóch skrajnych grup obsrwacji. Rozparuj się aki dwa podzbiory obsrwacji, co do kórych isnij przypuszczni, ż wariancja odchylń js najmnijsza i największa. Nich n 1 oznacza liczbę obsrwacji w pirwszym podzbiorz, j. obsrwacji o numrach =1,,,n 1, a n liczbę obsrwacji w drugim podzbiorz, j. obsrwacji o numrach =n-n +1, n-n +,,n.

18 Do zwryfikowania hipozy o równości wariancji odchylń losowych obu podzbiorów, j. hipozy H 0 : [σ ε,1=σ ε,], wobc hipozy alrnaywnj H 1 : [σ ε,1<σ ε,] moż być wykorzysany s F. Sprawdzianm hipozy js saysyka: S, F, S gdzi: S,1,1 wariancja rszowa n 1 pirwszych obsrwacji: n1 1 ; S 1 1 n1 k 1 1 S, wariancja rszowa n pirwszych obsrwacji: n 1 S,. n k 1 nn 1 W powyższych wzorach 1 i oznaczają śrdni arymyczn odpowidnich ciągów rsz.,

19 Z ablic su F dla przyjęgo poziomu isoności α oraz m 1 =n -k-1 i m =n 1 -k-1 sopni swobody odczyuj się warość kryyczną F*. Jśli F F*, ni ma podsaw do odrzucnia hipozy H 0 ; wariancja odchylń losowych js sała w czasi. Jśli F>F*, hipozę H 0 nalży odrzucić na rzcz hipozy H 1 ; w miarę upływu czasu wariancja odchylń losowych wzrasa.

20 Obsrwacj odchylając się in minus (in plus) od warości modlowych powinny sanowić połowę (w snsi probabilisycznym) wszyskich obsrwacji. Badani o sprowadza się do zwryfikowania hipozy zrowj, głoszącj ż składnik losowy ma rozkład symryczny: m 1 H0 :, n Wobc hipozy alrnaywnj, głoszącj, ż rozkład składnika rszowgo ni js symryczny: m 1 H1 :, n przy czym m js liczbą rsz odchylających się in plus, a n liczbą wszyskich obsrwacji.

21 Do wryfikacji hipozy zrowj służy saysyka: mp m n 1 n 1 W przypadku gdy n 30, saysyka ma przy założniu prawdziwości H 0 rozkład -Sudna o n-1 sopniach swobody, naomias dla n>30 saysyka ma rozkład normalny. m n 1 m n.

22

Wykład 6 Pochodna, całka i równania różniczkowe w praktycznych zastosowaniach w elektrotechnice.

Wykład 6 Pochodna, całka i równania różniczkowe w praktycznych zastosowaniach w elektrotechnice. Wykład 6 Pochodna, całka i równania różniczkow w prakycznych zasosowaniach w lkrochnic. Przypomnini: Dfinicja pochodnj: Granica ilorazu różnicowgo-przyros warości funkcji do przyrosu argumnów-przy przyrości

Bardziej szczegółowo

Rachunek Prawdopodobieństwa MAP1151, 2011/12 Wydział Elektroniki Wykładowca: dr hab. Agnieszka Jurlewicz

Rachunek Prawdopodobieństwa MAP1151, 2011/12 Wydział Elektroniki Wykładowca: dr hab. Agnieszka Jurlewicz 1 Rachunk Prawdopodobiństwa MAP1151, 011/1 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 5-6 Opracowani: dr hab. Agniszka Jurlwicz Lista 5. Zminn losow dwuwymiarow. Rozkłady łączn,

Bardziej szczegółowo

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar. EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b

Bardziej szczegółowo

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych

Bardziej szczegółowo

ĆWICZENIE 11 OPTYMALIZACJA NIEZAWODNOŚCIOWA STRUKTURY ELEKTRONICZNEGO SYSTEMU BEZPIECZEŃSTWA

ĆWICZENIE 11 OPTYMALIZACJA NIEZAWODNOŚCIOWA STRUKTURY ELEKTRONICZNEGO SYSTEMU BEZPIECZEŃSTWA ĆWICZENIE OPTYMALIZACJA NIEZAWODNOŚCIOWA STUKTUY ELEKTONICZNEGO SYSTEMU EZPIECZEŃSTWA Cl ćwicznia: zapoznani z analizą nizawodnościowo-ksploaacyjną lkronicznych sysmów bzpiczńswa; wyznaczni wybranych wskaźników

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Stanisław Cichocki Natalia Nehrebecka. Wykład 3 Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje

Bardziej szczegółowo

Rachunek Prawdopodobieństwa MAP1064, 2008/09

Rachunek Prawdopodobieństwa MAP1064, 2008/09 1 Rachunk Prawdopodobiństwa MAP1064, 008/09 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 10-1 Opracowani: dr hab. Agniszka Jurlwicz Litratura: [1] A. Plucińska, E. Pluciński,

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie próby. Rozkład χ 2 Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie

Bardziej szczegółowo

EKONOMETRIA. Ekonometryczne modele specjalne. Zbigniew.Tarapata zbigniew.tarapata.akcja.pl/p_ekonometria/ tel.

EKONOMETRIA. Ekonometryczne modele specjalne.   Zbigniew.Tarapata zbigniew.tarapata.akcja.pl/p_ekonometria/ tel. EKONOMETRIA Tmat wykładu: Ekonomtryczn modl spcjaln Prowadzący: dr inż. Zbigniw TARAPATA -mail: Zbigniw.Tarapata Tarapata@isi.wat..wat.du.pl http:// zbigniw.tarapata.akcja.pl/p_konomtria/ tl.: 0-606-45-54-80

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Stanisław Cichocki Natalia Nehrebecka. Wykład 3 Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne

Bardziej szczegółowo

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

Bardziej szczegółowo

2. Tablica routingu dla pewnej sieci złożonej z czterech węzłów wygląda następująco:

2. Tablica routingu dla pewnej sieci złożonej z czterech węzłów wygląda następująco: Colloquium 4, Grupa A. Jaką oszczędność w zarządzaniu działm Biura Obsługi Klina (polgającą na rdukcji liczby sanowisk obsługi) mogą odnoować dwa połączon przdsiębiorswa, jżli: a. każda z firm przd połącznim

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression). 4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat Pytania teoretyczne: Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

Stanisław Cichocki Natalia Nehrebecka. Wykład 4 Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne

Bardziej szczegółowo

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności. TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.

Bardziej szczegółowo

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy

Bardziej szczegółowo

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb

Bardziej szczegółowo

LABORATORIUM 6 ESTYMACJA cz. 2

LABORATORIUM 6 ESTYMACJA cz. 2 LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie

Bardziej szczegółowo

Autor: Dariusz Piwczyński :07

Autor: Dariusz Piwczyński :07 Autor: Dariusz Piwczyński 011-1-01 14:07 Analiza danych jakościowych tsty opart o statystykę χ. Cchy jakościow są to cchy, których jdnoznaczn i oczywist scharaktryzowani za pomocą liczb jst nimożliw lub

Bardziej szczegółowo

Sieci neuronowe - uczenie

Sieci neuronowe - uczenie Sici nuronow - uczni http://zajcia.jakubw.pl/nai/ Prcptron - przypomnini x x x n w w w n wi xi θ y w p. p. y Uczni prcptronu Przykład: rozpoznawani znaków 36 wjść Wyjści:, jśli na wjściu pojawia się litra

Bardziej szczegółowo

LVIII Egzamin dla Aktuariuszy z 3 października 2011 r.

LVIII Egzamin dla Aktuariuszy z 3 października 2011 r. Komisja Egzamiacyja la Akuariuszy LIII Egzami la Akuariuszy z 3 paźzirika 0 r. Część II Mamayka ubzpiczń życiowych Imię i azwisko osoby gzamiowaj:... Czas gzamiu: 00 miu Warszawa, 3 paźzirika 0 r. Mamayka

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

Przykład 2. Stopa bezrobocia

Przykład 2. Stopa bezrobocia Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w

Bardziej szczegółowo

Wnioskowanie statystyczne Weryfikacja hipotez. Statystyka

Wnioskowanie statystyczne Weryfikacja hipotez. Statystyka Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną

Bardziej szczegółowo

Cechy szeregów czasowych

Cechy szeregów czasowych energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas

Bardziej szczegółowo

Klasyfikacja modeli. Metoda najmniejszych kwadratów

Klasyfikacja modeli. Metoda najmniejszych kwadratów Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -

Bardziej szczegółowo

TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH

TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się

Bardziej szczegółowo

ZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO

ZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO ZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO Łukasz MACH Strszczni: W artykul przdstawiono procs budowy modlu rgrsji logistycznj, którgo clm jst wspomagani

Bardziej szczegółowo

Uogólnione wektory własne

Uogólnione wektory własne Uogólnion wktory własn m Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do

Bardziej szczegółowo

2009 ZARZĄDZANIE. LUTY 2009

2009 ZARZĄDZANIE. LUTY 2009 Wybran zstawy gzaminacyjn kursu Matmatyka na Wydzial ZF Uniwrsyttu Ekonomiczngo w Wrocławiu w latach 009 06 Zstawy dotyczą trybu stacjonarngo Niktór zstawy zawirają kompltn rozwiązania Zakrs matriału w

Bardziej szczegółowo

POLITECHNIKA WARSZAWSKA Instytut Elektroenergetyki, Zakład Elektrowni i Gospodarki Elektroenergetycznej

POLITECHNIKA WARSZAWSKA Instytut Elektroenergetyki, Zakład Elektrowni i Gospodarki Elektroenergetycznej POLITECHIA WARSZAWSA Insyu Elkronrgyki, Zakład Elkrowni i Gospodarki Elkronrgycznj Ekonomika wywarzania, przwarzania i uŝykowania nrgii lkrycznj - laboraorium Insrukcja do ćwicznia p.: Obliczani koszów

Bardziej szczegółowo

Wykład 2 Wahadło rezonans parametryczny. l+δ

Wykład 2 Wahadło rezonans parametryczny. l+δ Wykład Wahadło rzonans paramryczny θ θ l l+δ C B B Wykład Wahadło - rzonans paramryczny E E E B mg l cos θ θ E kinb m d d l l+δ B B l C I m l E B B kinb' I m B' B' d d d d B l ml d d B ' mgl cos ' B gcos

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1 PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,

Bardziej szczegółowo

FUNKCJA NIEZAWODNOŚCI I CZAS BEZAWARYJNEJ PRACY ODPOWIADAJĄCY EKSPONENCJALNEJ INTENSYWNOŚCI USZKODZEŃ

FUNKCJA NIEZAWODNOŚCI I CZAS BEZAWARYJNEJ PRACY ODPOWIADAJĄCY EKSPONENCJALNEJ INTENSYWNOŚCI USZKODZEŃ CZSOPISMO INŻYNIERII LĄDOWEJ, ŚRODOWISK I RCHIEKURY JOURNL OF CIVIL ENGINEERING, ENVIRONMEN ND RCHIECURE JCEE,. XXXII, z. 62 (3/I/5), lipi-wrzsiń 25, s. 3-327 Lszk OPYRCHŁ FUNKCJ NIEZWODNOŚCI I CZS EZWRYJNEJ

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

WPŁYW STÓP PROCENTOWYCH W USA I W STREFIE EURO NA STOPY PROCENTOWE W POLSCE I. STOPY PROCENTOWE W GOSPODARCE OTWARTEJ.

WPŁYW STÓP PROCENTOWYCH W USA I W STREFIE EURO NA STOPY PROCENTOWE W POLSCE I. STOPY PROCENTOWE W GOSPODARCE OTWARTEJ. Ewa Czapla Instytut Ekonomii i Zarządzania Politchnika Koszalińska WPŁYW STÓP PROCENTOWYCH W USA I W STREFIE EURO NA STOPY PROCENTOWE W POLSCE I. STOPY PROCENTOWE W GOSPODARCE OTWARTEJ. Stopy procntow

Bardziej szczegółowo

166 Wstęp do statystyki matematycznej

166 Wstęp do statystyki matematycznej 166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu

Bardziej szczegółowo

Analiza danych jakościowych

Analiza danych jakościowych Analiza danych jakościowych Ccha ciągła a ccha dyskrtna! Ciągła kg Dyskrtna Cchy jakościow są to cchy, których jdnoznaczn i oczywist scharaktryzowani za pomocą liczb jst nimożliw lub bardzo utrudnion.

Bardziej szczegółowo

Projektowanie procesu doboru próby

Projektowanie procesu doboru próby Projkowai procsu doboru próby Okrśli populacji gralj i badaj Okrśli jdoski próby 3 Okrśli wykazu badaj populacji 4 Okrśli liczbości próby 5 Wybór mody doboru próby losowgo ilosowgo Usali ko lub co moż

Bardziej szczegółowo

Definicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A

Definicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A Uogólnion wktory własnw Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A m do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do

Bardziej szczegółowo

Analiza szeregów czasowych w Gretlu (zajęcia 8)

Analiza szeregów czasowych w Gretlu (zajęcia 8) Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych

Bardziej szczegółowo

Wstęp... 1. Rozdział 2 Wpływ inflacji na koszt użycia kapitału... 17 2.1 Inflacja i koszt użycia kapitału...17 2.2 Finansowanie pożyczkami...

Wstęp... 1. Rozdział 2 Wpływ inflacji na koszt użycia kapitału... 17 2.1 Inflacja i koszt użycia kapitału...17 2.2 Finansowanie pożyczkami... Spis rści Wsęp... Rozdział Podakowa rozja kapiału a warość przdsiębiorswa... 3.. Isoa rozji kapiału...3... Gospodarka bz podaków... 3..2. Gospodarka z podakai... 4..3. Ilusracja podakowj rozji kapiału...

Bardziej szczegółowo

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1) Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja 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 szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Farmakokinetyka furaginy jako przykład procesu pierwszego rzędu w modelu jednokompartmentowym zawierającym sztuczną nerkę jako układ eliminujący lek

Farmakokinetyka furaginy jako przykład procesu pierwszego rzędu w modelu jednokompartmentowym zawierającym sztuczną nerkę jako układ eliminujący lek 1 Matriał tortyczny do ćwicznia dostępny jst w oddzilnym dokumnci, jak równiż w książc: Hrmann T., Farmakokintyka. Toria i praktyka. Wydawnictwa Lkarski PZWL, Warszawa 2002, s. 13-74 Ćwiczni 6: Farmakokintyka

Bardziej szczegółowo

Inwestycje. MPK = R/P = uc (1) gdzie uc - realny koszt pozyskania kapitału. Przyjmując, że funkcja produkcji ma postać Cobba-Douglasa otrzymamy: (3)

Inwestycje. MPK = R/P = uc (1) gdzie uc - realny koszt pozyskania kapitału. Przyjmując, że funkcja produkcji ma postać Cobba-Douglasa otrzymamy: (3) Dr Barłomij Rokicki Ćwiczia z Makrokoomii II Iwsycj Iwsycj są ym składikim PB, kóry wykazuj ajwiększą skłoość do flukuacji czyli wahań. Spadk popyu a dobra i usługi jaki js obsrwoway podczas rcsji zwykl

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom

Bardziej szczegółowo

LABORATORIUM ESBwT. Optymalizacja niezawodnościowa struktury elektronicznego systemu bezpieczeństwa

LABORATORIUM ESBwT. Optymalizacja niezawodnościowa struktury elektronicznego systemu bezpieczeństwa ZESPÓŁ LAORATORIÓW TELEMATYKI TRANSPORTU ZAKŁAD TELEKOMUNIKACJI W TRANSPORCIE WYDZIAŁ TRANSPORTU POLITECHNIKI WARSZAWSKIEJ LAORATORIUM ESwT INSTRUKCJA DO ĆWICZENIA nr Opymalizacja nizawodnościowa srukury

Bardziej szczegółowo

Ekonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007

Ekonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007 Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych

Bardziej szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie metodą średnich ruchomych w procesach stałych Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja

Bardziej szczegółowo

TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy

Bardziej szczegółowo

Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych

Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu

Bardziej szczegółowo

REGULAMIN PSKO 2016. I. Kryteria i wymagania dla zawodników Optimist PSKO. II. Mistrzostwa PSKO. III. Puchar Polski PSKO

REGULAMIN PSKO 2016. I. Kryteria i wymagania dla zawodników Optimist PSKO. II. Mistrzostwa PSKO. III. Puchar Polski PSKO I. Krytria i wymagania dla zawodników Optimist PSKO 1. W rgatach PSKO mogą startować zawodnicy do lat 15 posiadający licncję sportową PZŻ, aktualn ubzpiczni OC i będący członkami PSKO, spłniający wymagania

Bardziej szczegółowo

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu

Bardziej szczegółowo

CHARAKTERYSTYKI CZASOWE UKŁADÓW DYNAMICZNYCH

CHARAKTERYSTYKI CZASOWE UKŁADÓW DYNAMICZNYCH CHARAKERYSYKI CZASOWE UKŁADÓW DYNAMICZNYCH Zadani Chararyyi czaow uładów. Odpowidź oową wyznacza ię z wzoru: { } Problm: h L G X Wyznaczyć odpowidz oową i impulową całującgo z inrcją G h L G gdzi: Y X

Bardziej szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

ZASTOSOWANIA POCHODNEJ

ZASTOSOWANIA POCHODNEJ ZASTOSOWANIA POCODNEJ Ruła d l'ospitala. Nich, - różniczkowa w pwnym sąsidztwi punktu oraz lub istnij skończona lub niwłaściwa ranica wtdy Uwaa. Powyższ twirdzni jst równiż prawdziw dla ranic jdnostronnych

Bardziej szczegółowo

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl

Bardziej szczegółowo

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy

Bardziej szczegółowo

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde

Bardziej szczegółowo

Andrzej Leśnicki Uogólniony szereg Fouriera 1/1 SZEREGI FOURIERA. Uogólniony szereg Fouriera. x, gdy ich iloczyn x, y 0. całkowalnego z kwadratem

Andrzej Leśnicki Uogólniony szereg Fouriera 1/1 SZEREGI FOURIERA. Uogólniony szereg Fouriera. x, gdy ich iloczyn x, y 0. całkowalnego z kwadratem ndrzj Lśnici Uoólniony szr Fourira / SZEREGI FOURIER Iloczyn salarny, y b a Uoólniony szr Fourira, y dwóch synałów zspolonych y d, Dla iloczynu salarno zachodzi symria hrmiowsa Dwa synały, y są oroonaln

Bardziej szczegółowo

Ekonomiczno-techniczne aspekty wykorzystania gazu w energetyce

Ekonomiczno-techniczne aspekty wykorzystania gazu w energetyce Ekonomiczno-chniczn aspky wykorzysania gazu w nrgyc anusz oowicz Wydział Inżynirii i Ochrony Środowiska Polichnika Częsochowska zacowani nakładów inwsycyjnych na projky wykorzysania gazu w nrgyc anusz

Bardziej szczegółowo

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH

Bardziej szczegółowo

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r

Bardziej szczegółowo

TESTOWANIE HIPOTEZ STATYSTYCZNYCH

TESTOWANIE HIPOTEZ STATYSTYCZNYCH TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Testowanie hipotez statystycznych Przypuśdmy, że mamy do czynienia z następującą sytuacją: nieznany jest rozkład F rządzący pewnym zjawiskiem losowym. Dysponujemy konkretną próbą losową ( x1, x2,..., xn

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml

Bardziej szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,

Bardziej szczegółowo

Statystyka w przykładach

Statystyka w przykładach w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie

Bardziej szczegółowo

EKONOMETRIA prowadzący: Piotr Piwowarski

EKONOMETRIA prowadzący: Piotr Piwowarski EKONOMETRIA prowadzący: Piotr Piwowarski Termin konsultacji: poniedziałek 13:15 14:45 wtorek 13:15 14:45 pokój 1101/1102 jedenaste piętro e-mail: piotr.piwowarski@poczta.umcs.lublin.pl strona internetowa:

Bardziej szczegółowo

Perspektywy rozwoju rolnictwa ekologicznego w Polsce

Perspektywy rozwoju rolnictwa ekologicznego w Polsce Anna urczak Zachodniopomorska Szkoła Biznsu w Szczcini Prspktywy rozwoju rolnictwa kologiczngo w Polsc Strszczni W artykul wyjaśniono istotę rolnictwa kologiczngo Następni szczgółowo omówiono zasady, na

Bardziej szczegółowo

gdzie E jest energią całkowitą cząstki. Postać równania Schrödingera dla stanu stacjonarnego Wprowadźmy do lewej i prawej strony równania Schrödingera

gdzie E jest energią całkowitą cząstki. Postać równania Schrödingera dla stanu stacjonarnego Wprowadźmy do lewej i prawej strony równania Schrödingera San sacjonarny cząsk San sacjonarny - San, w kórym ( r, ) ( r ), gęsość prawdopodobńswa znalzna cząsk cząsk w danym obszarz przsrzn n zalży od czasu. San sacjonarny js charakrysyczny dla sacjonarngo pola

Bardziej szczegółowo

Proces stochastyczny jako funkcja dwóch zmiennych. i niepusty podzbiór zbioru liczb rzeczywistych T. Proces stochastyczny jest to funkcja

Proces stochastyczny jako funkcja dwóch zmiennych. i niepusty podzbiór zbioru liczb rzeczywistych T. Proces stochastyczny jest to funkcja POJĘCI PROCSU STOCHSTYCZNGO Przykład mpluda napęca gnrowango przz prądncę prądu zmnngo zalży od czynnków losowych moż być zapsana jako funkcja X sn c c - sała okrślająca częsolwość - zmnna losowa o rozkładz

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie. DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury

Bardziej szczegółowo

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE.   Strona 1 KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych

Bardziej szczegółowo

Dr hab. Jerzy Czesław Ossowski Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne

Dr hab. Jerzy Czesław Ossowski Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Ekonomeria-ćw.cz-SSW dr hab. Jerzy Czesław Ossowski Kaedra Nauk

Bardziej szczegółowo

Jerzy Czesław Ossowski Katedra Ekonomii i Zarzdzania Przedsibiorstwem Wydział Zarzdzania i Ekonomii Politechnika Gdaska

Jerzy Czesław Ossowski Katedra Ekonomii i Zarzdzania Przedsibiorstwem Wydział Zarzdzania i Ekonomii Politechnika Gdaska Jrzy Czsław Ossowski adra Ekonomii i Zarzdzania Przdsibiorswm Wydział Zarzdzania i Ekonomii Polichnika Gdaska X Sminarium Naukow adry Ekonomii i Zarzdzania Przdsibiorswm Polichniki Gdaskij n.: GOSPODARA

Bardziej szczegółowo

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu Niezawodność elemenu nienarawialnego. Model niezawodnościowy elemenu nienarawialnego. Niekóre rozkłady zmiennych losowych sosowane w oisie niezawodności elemenów 3. Funkcyjne i liczbowe charakerysyki niezawodności

Bardziej szczegółowo

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo