ZASTOSOWANIE WYKŁADNIKA HURSTA ORAZ FUNKCJI HÖLDERA W MODELU BLACKA-SCHOLESA

Wielkość: px
Rozpocząć pokaz od strony:

Download "ZASTOSOWANIE WYKŁADNIKA HURSTA ORAZ FUNKCJI HÖLDERA W MODELU BLACKA-SCHOLESA"

Transkrypt

1 Studia Ekoomicze. Zeszyty Naukowe Uiwersytetu Ekoomiczego w Katowicach ISSN Nr Iformatyka i Ekoometria 9 Uiwersytet Ekoomiczy w Katowicach Wydział Zarządzaia Katedra Statystyki, Ekoometrii i Matematyki adriaa.mastalerz-kodzis@ue.katowice.pl ZASTOSOWANIE WYKŁADNIKA HURSTA ORAZ FUNKCJI HÖLDERA W MODELU BLACKA-SCHOLESA Streszczeie: W artykule zaprezetowao modyfikację klasyczego modelu Blacka- -Scholesa. Uwzględioo istieie efektu pamięci w fiasowych szeregach czasowych i wprowadzoo do modelu wycey istrumetów fiasowych wykładik Hursta oraz fukcję Höldera. Niiejszy artykuł składa się z części teoretyczej, w której przybliżoo założeia i postać teoretyczą klasyczego modelu Blacka-Scholesa oraz omówioo jego wybrae modyfikacje, a także z części aplikacyjej, w której ukazao efektywość uzyskaych rozwiązań. Słowa kluczowe: proces stochastyczy, model Blacka-Scholesa, istrumety pochode, wykładik Hursta, fukcja Höldera. JEL Classificatio: E44, G11, G17. Wprowadzeie Proces iwestycyjy jest związay z ryzykiem. Ryzyko a ryku kapitałowym moża mierzyć, miimalizować za pomocą odpowiedich metod optymalizacyjych, jedakże ie da się go wyelimiować. W celu zmiejszeia ryzyka istieje koieczość korzystaia z istrumetów możliwie ajlepiej zabezpieczających przed stratą fiasową. Takimi walorami są istrumety pochode, od lat wykorzystywae w procesie podejmowaia decyzji iwestycyjych. Zastosowaie istrumetów pochodych pozwala a efektywe zarządzaie ryzykiem fiasowym.

2 Zastosowaie wykładika Hursta oraz fukcji Höldera 17 Celem pracy jest wycea opcji oparta a klasyczym wzorcu Blacka- -Scholesa, zastosowaie modyfikacji modelu z wykorzystaiem wykładika Hursta oraz specyfikacja wartości wybraych parametrów w tym modelu, a także aaliza możliwości zastosowaia fukcji Höldera w zmodyfikowaym modelu Heyde a i Leoeki. W artykule w części pierwszej zaprezetowao rys historyczy omawiaych zagadień oraz krótko przedstawioo zaczeie i rodzaje istrumetów pochodych. W rozdziale drugim omówioo klasyczy model Blacka-Scholesa oraz jego wybrae modyfikacje, zaś rozdział trzeci zawiera propozycję polegającą a zastosowaiu jako miary ryzyka fukcji Höldera. Rozdział czwarty to aaliza empirycza będąca porówaiem omawiaych modeli. Artykuł kończy podsumowaie. 1. Istrumety pochode W dziełach Arystotelesa sprzed 400 lat moża zaleźć pierwsze iformacje dotyczące istrumetów pochodych. Trasakcje z wykorzystaiem tych istrumetów rozpowszechiły się a rykach towarowych w XVII-XVIII w. W 1944 r. a koferecji w Bretto Woods przyjęto system moetary oparty a walucie papierowej. Ustaloo zasady wymieialości walut w stosuku do dolara amerykańskiego i do złota (tzw. parytety). Zobowiązao baki cetrale do igerecji, w przypadku gdy ustaloe a koferecji stałe kursy walut będą się różić od kursów rykowych o więcej iż 1%. W 1973 r. porozumieie z Bretto Woods upadło a skutek zaczych podwyżek ce ropy przez kraje OPEC. Wprowadzeie zmieych kursów walutowych zwiększyło ryzyko związae z międzyarodowymi trasakcjami fiasowymi. Spowodowało to zapotrzebowaie a ryku a owe istrumety fiasowe, adające się do zarządzaia tym ryzykiem. W latach 80. XX w. wprowadzoo opcje a waluty, ideksy giełdowe i kotrakty termiowe. Istrumety pochode (derywaty) to walory, których cey (oraz wartości) zależą od ce iych istrumetów fiasowych (tzw. istrumetów bazowych). Zabezpieczają portfel iwestycyjy przed iekorzystymi ruchami ce a giełdach. Wykorzystując istrumety pochode, moża w dowoly sposób modelować fukcję wypłaty portfela, dopasowując ją do idywidualych potrzeb iwestora. Są arzędziem służącym do zmiejszeia ryzyka iwestycyjego, pozwalają a efektywe zarządzaie ryzykiem fiasowym. Wyróżia się astępujące istrumety pochode [Crawford, Se, 1998; Wero, Wero, 1998; Marciiak, 001; Mastalerz-Kodzis, 011; Jajuga, Jajuga, 015]: kotrakty termiowe, opcje oraz swapy.

3 18. Model Blacka-Scholesa i jego modyfikacje.1. Klasyczy model Blacka-Scholesa Model Blacka-Scholesa jest matematyczym modelem ryku, który opisuje dyamikę ce istrumetów fiasowych w czasie, służy do wycey istrumetów pochodych [Black, Scholes, 1973; Wero, Wero, 1998; Steele, 001; Oksedal, 003; Shreve, 004; Kaufma, 005; Mastalerz-Kodzis, 011]. Celem modelu jest miimalizacja strat związaych z chybioymi trasakcjami kupa i sprzedaży a giełdzie. Model wycey opcji pozwala określić zmieość cey a podstawie daych historyczych lub a podstawie ce opcji, umożliwia efektywe zarządzaie ryzykiem. Model posiada licze założeia teoretycze, m.i. zakłada się, że: ryek działa w sposób ciągły, krótkotermiowa wola od ryzyka stopa procetowa ie zmieia się w okresie ważości opcji, stopy zwrotu mają rozkład logarytmiczo- -ormaly ze stałymi parametrami, akcje są ieskończeie podziele, cey kupa i sprzedaży są takie same, akcje ie dają dywided w okresie ważości opcji, ie jest uwzględioy koszt trasakcji, ie uwzględia się podatków oraz ie ma arbitrażu. Model jest bliski rzeczywistości, tz. cey opcji uzyskae przy jego zastosowaiu są bliskie rzeczywistym ceom rykowym. Aalizując postać rówań modelu, moża wysuąć astępujące wioski: wzrost cey akcji pociąga za sobą wzrost cey opcji, im dłuższy czas do wygaśięcia opcji, tym wyższa wartość opcji, wzrost stopy procetowej powoduje wzrost wartości opcji oraz odchyleie stadardowe mierzy ryzyko istrumetu bazowego, jego wzrost powoduje wzrost cey opcji. Cea Blacka-Scholesa europejskiej opcji kupa a istrumet bazowy wyrażoa jest wzorem: r( T t ) Ct = StΦ ( d1) Ke Φ ( d ) (1) gdzie: S t cea istrumetu bazowego w chwili t, K cea wykoaia opcji, (T t) termi wygaśięcia opcji (liczoy w latach), R stopa procetowa (w skali roku), σ zmieość ce istrumetu bazowego, Φ( ) dystrybuata stadardowego rozkładu ormalego,

4 Zastosowaie wykładika Hursta oraz fukcji Höldera 19 S t σ S + r ( T t) K + t σ l l + r ( T t) oraz d = K 1, d =. σ T t σ T t Cea Blacka-Scholesa europejskiej opcji sprzedaży a istrumet bazowy wyrażoa jest wzorem: ( ) ( ), r( T t) Pt = StΦ d1 + Ke Φ d () przy ozaczeiach jak wyżej. Opisay model stał się podstawą liczych prac z zakresu iżyierii fiasowej. Założeia modelu ie zawsze w praktyce są spełioe, zatem istieje koieczość z jedej stroy specyfikacji modelu, z drugiej zaś jego ciągłego dopasowywaia do zmieiającego się ryku fiasowego... Modyfikacja modelu Blacka-Scholesa z wykorzystaiem wykładika Hursta Licze aalizy empirycze zachowaia się szeregów czasowych ce istrumetów giełdowych spowodowały, że współcześie zaczeie orygialego wzoru Blacka-Scholesa jest ieco miejsze. W literaturze z dziedzi fiasów i ekoomii zazaczoo astępujące własości giełdowych stóp zwrotów: istieje korelacja pomiędzy kolejymi wartościami szeregów giełdowych, istieje pamięć w fiasowych szeregach czasowych, długotermiowa zależość oraz stopy zwrotu posiadają rozkład leptokurtyczy, który ma wyższe maksimum i cięższe (grubsze) ogoy iż rozkład Gaussa. C.C. Heyde i N.N. Leoeko [005] zapropoowali model ce akcji wykorzystujący geometryczy ruch Browa z fraktalym zachowaiem czasu. Opisao w im ceę akcji za pomocą stochastyczego rówaia różiczkowego: dp t = P t { μ dt + σ dw ( T t )} (3) gdzie: μ oraz σ są stałymi, zaś W jest stadardowym ruchem Browa. Heyde i Leoeko przyjęli założeie, że proces stochastyczy T t : 0 posiada stacjoare przyrosty oraz grube ogoy. Moża go aproksymować procesami, które posiadają własość asymptotyczego samopodobieństwa. Wzór wycey europejskiej opcji kupa ma wówczas postać: rtt Ct = S0Φ ( d3 ) Ke Φ ( d 4 ) (4) atomiast cea europejskiej opcji sprzedaży wyraża się wzorem: rtt P = S Φ d + Ke Φ (5) t ( ) ( ) 0 3 d 4

5 0 S0 σ S + r Tt K + 0 σ l l + r Tt dla d K,, pozostałe ozaczeia tj. we wzorze (1). 3 = d 4 = σ Tt σ Tt Porówując wzory, moża zauważyć, że w klasyczej formule Blacka- -Scholesa (1)-() występuje proces cey istrumetu podstawowego {S t } oraz czas pozostały do wygaśięcia opcji (T t). Natomiast wzory (4)-(5) zawierają S 0 ceę istrumetu podstawowego w chwili 0. Ozacza to, że aby dokoać wycey, ie musimy zać całego przebiegu cey istrumetu podstawowego. Proces stochastyczy T t, który jest procesem o przyrostach stacjoarych oraz skończeie wymiarowym rozkładzie o tzw. grubych ogoach, moża przybliżać za pomocą rozkładu zmieej losowej t + t H (T 1 1), gdzie H jest wykładikiem Hursta [Wero, Wero, 1998; Mastalerz-Kodzis, 003] 1, a T 1 ma w przybliżeiu ν ν ν rozkład RG( ) odwroty rozkład Gamma o parametrach, ν dla v > 4., 3. Zastosowaie fukcji Höldera do wycey opcji W modelu Blacka-Scholesa zakłada się, że stopy zwrotu mają rozkład logarytmiczo-ormaly ze stałymi parametrami. Model Heyde a i Leoeki zakłada, że proces posiada stacjoare przyrosty oraz grube ogoy. Moża wykazać, że istieje wiele procesów a ryku fiasowym, które ie posiadają przyrostów stacjoarych. Wówczas jedym z możliwych arzędzi służących do modelowaia tego typu procesów są multiułamkowe procesy ruchów Browa, w których za zmieość procesu odpowiada fukcja Höldera Fukcja Höldera Niech będzie daa fukcja f : D R (D R) oraz parametr α (0,1). Fukcja f : D R jest fukcją klasy C α Höldera (f C α ), jeżeli istieją stałe c > 0 oraz h 0 > 0 takie, że dla każdego x oraz wszystkich h takich, że 0 < h < h 0 spełioa jest ierówość [Peltier, Lévy Véhel, 1995; Daoudi, Lévy Véhel, Meyer, 1998; Mastalerz-Kodzis, 003, 013]: 1 Wykładik Hursta ależy do przedziału [0,1] i dzieli szeregi o przyrostach stacjoarych a: persystete o dodaej korelacji pomiędzy kolejymi realizacjami [0, 1/) i atypersystete, w których korelacja jest ujema (1/,0].

6 Zastosowaie wykładika Hursta oraz fukcji Höldera 1 ( ) ( ) α f x + h f x c h (6) Niech x 0 będzie dowolym puktem z dziedziy fukcji f (x 0 D R). Fukcja f : D R jest w pukcie x 0 fukcją klasy α α C Höldera, x 0 ( f C x0 ) jeżeli istieją stałe ε, c > 0 takie, że dla każdego x (x 0 ε, x 0 + ε) spełioa jest ierówość: α f ( x) f ( x ) c x (7) 0 x 0 Puktowym wykładikiem Höldera fukcji f w pukcie x 0 azywamy liczbę α f (x 0 ) daą wzorem α α x = sup α : f C. Fukcją Höldera dla fukcji f f ( ) { } 0 x0 azywamy fukcję, która każdemu puktowi x D przyporządkowuje liczbę α f (x). Procesy o przyrostach stacjoarych mogą być modelowae za pomocą ułamkowego ruchu Browa. Są oa zależe od stałego parametru wykładika Hursta. Procesy o przyrostach stacjoarych i iestacjoarych moża modelować za pomocą multiułamkowego procesu ruchu Browa realizacje procesów są wówczas zależe od fukcji Höldera. 3.. Multiułamkowy proces ruchu Browa i estymacja fukcji Höldera Procesy ułamkowe są szczególym przypadkiem multiułamkowych, stała wartość fukcji Höldera to wykładik Hursta. Niech H t : [0, ) (0,1) będzie fukcją Höldera o wykładiku α > 0. Uogólioym multiułamkowym procesem ruchu Browa z parametrem fukcyjym H(t) i λ liczbą rzeczywistą azywamy proces { BH,λ () t } t taki, że dla każdego t R: R itξ e 1 BH, λ () t = () db( ξ ) (8) H t + 0,5 = 0 D ξ gdzie D 0 = { ξ : ξ < 1}, dla wszystkich 1, { 1 D = ξ : λ ξ < λ }. i Dla procesu ruchu Browa { Bi, = BH ( ), 0 i } estymator ma postać: log( π / S ( )) ˆ k, i H i /( 1) = (9) log 1 dla S k, m i k / () + i = 1 j= i k / B j+ 1, B j, ( ) i dla t z przedziału [k/,1 (k/)].

7 W przypadku aalizy empiryczej, z uwagi a uwzględieie efektu pamięci w szeregach, ależy brać pod uwagę długie szeregi czasowe. Im obserwacje są bardziej odległe w czasie, tym mają miejszy wpływ a wartości bieżące szeregów i a poziom ryzyka. Wyestymowae wartości fukcji Höldera mogą być iterpretowae jako miary ryzyka, wyzaczają prawdopodobieństwo zmiay kieruku Uwagi o zastosowaiu fukcji Höldera jako miary zmieości w modelu Blacka-Scholesa W formule Blacka-Scholesa występuje proces stochastyczy T t, który jest procesem o przyrostach stacjoarych oraz skończeie wymiarowym rozkładzie o tzw. grubych ogoach. Heyde i Leoeko wykazali, że proces te moża przybliżać za pomocą rozkładu zmieej losowej t + t H (T 1 1), gdzie H jest wykładikiem Hursta (stałym dla całego procesu). Jedakże licze badaia empirycze potwierdzają, że procesy giełdowe ie posiadają przyrostów stacjoarych. Wówczas stały w czasie wykładik Hursta ależy zastąpić zmieiającą się w czasie fukcją Höldera. Zatem zamiast stałej wartości H, ależałoby posłużyć się wyestymowaymi puktowymi wykładikami Höldera [Peltier, Lévy Véhel, 1995; Daoudi, Lévy Véhel, Meyer, 1998; Mastalerz-Kodzis, 003] dla daych historyczych oraz ich aproksymatami dla daych aktualych oraz dla wyzaczaia progoz. 4. Aaliza empirycza dla WIG 0 i opcji kupa a WIG0 Badaia empirycze zostały przeprowadzoe a podstawie otowań ideksu WIG0 oraz opcji kupa a WIG0 o umerze OW0D (termi wykupu: r.). Okres aaliz obejmuje otowaia WIG0 od r. do r., zaś w przypadku opcji kupa okres r. [www 1; www ]. Na rysuku 1 przedstawioo wartości ideksu WIG0 w okresie r. Dla szeregu WIG0 a potrzeby specyfikacji parametrów modelu Heyde a i Leoeki wyzaczoo w Programie GRETL wykładik Hursta. Na podstawie aalizy przeskalowaego zakresu ustaloo wielkość wykładika Hursta rówą 0,57. Wszelkie obliczeia, mające a celu przybliżeie procesu T t, zostały wykoae w arkuszu kalkulacyjym MS Excel. Gdy szereg ie ma przyrostów stacjoarych, ie powio się wyzaczać wykładika Hursta. Jedak wykoao obliczeia w celu porówaia efektywości uzyskaych rozwiązań optymalych.

8 Zastosowaie wykładika Hursta oraz fukcji Höldera 3 Rys. 1. Notowaia WIG0 dae empirycze w okresie r. Następie wyestymowao fukcję Höldera dla szeregu WIG0. Rysuek przedstawia wyestymowae puktowe wykładiki Höldera za okres r. oraz aproksymatę ajlepiej dopasowaą do wykładików. Rys.. Wyestymowae puktowe wykładiki Höldera dla daych WIG0 w okresie r. wraz z aproksymatą wielomiaową Traktując dae dla ideksu WIG0 jako szereg czasowy okazało się, że ie jest to szereg o przyrostach stacjoarych 3. Wartości fukcji Höldera w badaym okresie zmieią się pod wpływem czasu i ależą do przedziału (0,6; 0,77). Stała wartość wykładika Hursta jest rówa 0,57. Świadczy to o istieiu efektu pamięci w szeregu daych giełdowych ideksu WIG0. Ryek zatem ie jest efektywy, wartości ideksu ie odzwierciedlają wszystkich dostępych iformacji, które dostały się a ryek. 3 Wyestymowae puktowe wykładiki Höldera zależą od długości przedziału estymacji, które bierze się do aaliz [Mastalerz-Kodzis, 003].

9 4 Wyzaczoo cey opcji kupa za pomocą klasyczej formuły Blacka- -Scholesa, dla formuły Heyde a i Leoeki oraz posługując się wyestymowaymi wykładikami Höldera. Na rysuku 3 zamieszczoo wyiki obliczeń porówaie ce teoretyczych opcji w diach r. Rys. 3. Cey zamkięcia opcji kupa OW0D w diach r. oraz teoretycze cey opcji uzyskae za pomocą modelu Blacka-Scholesa i jego modyfikacji Z przeprowadzoych aaliz moża wysuąć astępujące wioski: 1. W klasyczym modelu Blacka-Scholesa (1) zajomość wartości istrumetu bazowego w chwili t jest koiecza. Pozwala to a precyzyje wyzaczaie teoretyczej cey istrumetu pochodego w momecie czasowym t;. Modyfikacja Heyde a i Leoeki (4) pozwala a wyzaczeie cey opcji kupa a WIG0 bez potrzeby zajomości wartości istrumetu bazowego w chwili t. Do obliczeń wystarczy zajomość wartości istrumetu podstawowego w chwili t = 0 oraz wartości wykładika Hursta. Zakłada się bowiem istieie efektu pamięci w szeregu czasowym istrumetu bazowego. Model Heyde a i Leoeki jest zależy jedak od procesu stochastyczego T t oraz od parametru odwrotego rozkładu Gaussa (parametru ν). Moża także zapisać, że ajlepsze dopasowaie występuje dla wartości parametru ν rówe; Moża stwierdzić, że zapropoowae uogólieie modelu Blacka-Scholesa, polegające a uwzględieiu efektu długiej pamięci w postaci zastosowaia wykładika Hursta, pozwala a skutecze modelowaie i efektywe zarządzaie ryzykiem iwestycyjym. 4. Aproksymacja wyestymowaych, puktowych wykładików Höldera i wstawieie ich zamiast stałego w czasie wykładika Hursta do modelu Blacka-Scholesa pozwoliły a uzyskaie zbliżoych rozwiązań. Jedakże koiecza jest dalsza aaliza własości zapropoowaej modyfikacji modelu,

10 Zastosowaie wykładika Hursta oraz fukcji Höldera 5 bowiem omawiay model ie posiada już przyrostów stacjoarych (puktowe wykładiki Höldera zmieiają się pod wpływem czasu, ich zmieość jest taka, jak zmieości istrumetu bazowego). Podsumowaie W pracy krótko omówioo klasyczy model Blacka-Scholesa z 1973 r. oraz jego wybrae modyfikacje. Skupioo się a wersjach modelu wykorzystujących istieie efektu pamięci. Zaprezetowao uogólieie modelu Blacka-Scholesa zapropoowae przez Heyde a i Leoekę z 005 r., przeprowadzoo specyfikacje parametrów modelu dla daych z GPW w Warszawie. Omówioo możliwość zastosowaia wyestymowaych puktowych wykładików Höldera do wycey opcji. Modyfikacje modelu Blacka-Scholesa umożlwiają wykoaie precyzyjego opisu istrumetów fiasowych. Naukowcy oraz praktycy giełdowi są zaiteresowai problemem wycey walorów giełdowych celem osiągaia korzyści fiasowych oraz w celu zapobiegaia stratom. Uwzględieie efektu pamięci w fiasowych szeregach czasowych oraz ich iestacjoarości w kostrukcji modelu wycey staowi istoty elemet wpływający a efektywość omawiaych modeli. Literatura Black F., Scholes M. (1973), The Pricig of Optios ad Corporate Liabilities, Joural of Political Ecoomy, No. 81, s Crawford G., Se B. (1998), Istrumety pochode. Narzędzie podejmowaia decyzji fiasowych, K.E. Liber, Warszawa. Daoudi K., Lévy Véhel J., Meyer Y. (1998), Costructio of Cotiuous Fuctios with Prescribed Local Regularity, Joural of Costructive Approximatios, Vol. 14(3), s Heyde C.C., Leoeko N.N. (005), Studet Processes, Advacess i Applied Probability, Vol. 37, No., s Jajuga K., Jajuga T. (015), Iwestycje. Istrumety fiasowe, aktywa iefiasowe, ryzyko fiasowe, iżyieria fiasowa, Wydawictwo Naukowe PWN, Warszawa. Kaufma P. (005), New Tradig Systems ad Methods, Joh Wiley&Sos, New York. Marciiak Z. (001), Zarządzaie wartością i ryzykiem przy wykorzystaiu istrumetów pochodych, SGH, Warszawa. Mastalerz-Kodzis A. (003), Modelowaie procesów a ryku kapitałowym za pomocą multifraktali, Prace Naukowe Akademii Ekoomiczej im. Karola Adamieckiego w Katowicach, Katowice.

11 6 Mastalerz-Kodzis A. (011), Wykorzystaie strategii zabezpieczających w zarządzaiu portfelem iwestycji kapitałowych [w:] A. Jaiga-Ćmiel, A. Mastalerz-Kodzis, J. Mika, E. Pośpiech, M. Trzęsiok, J. Trzęsiok (red.), Metody i modele aaliz ilościowych w ekoomii i zarządzaiu, cz. 3, Wydawictwo Uiwersytetu Ekoomiczego w Katowicach, s Mastalerz-Kodzis A. (013), Zastosowaie fukcji Höldera w modelu FRAMA, Studia Ekoomicze. Zeszyty Naukowe Uiwersytetu Ekoomiczego w Katowicach, r 159, s Oksedal B. (003), Stochastic Differetial Equatios, Spriger, New York. Peltier R.F., Lévy Véhel J. (1995), Multifractioal Browia Motio: Defiitio ad Prelimiary Results, INRIA Recquecourt, Rapport de recherché, No Shreve S. (004), Stochastic Calculus for Fiace, Cotiuous-Time Models, Spriger, New York. Steele J.M. (001), Stochastic Calculus ad Fiacial Applicatios, Spriger, New York. Wero A., Wero R. (1998), Iżyieria Fiasowa, Wydawictwa Naukowo- -Techicze, Warszawa. [www 1] (dostęp: ). [www ] (dostęp: ). THE APPLICATION OF HURST EXPONENT AND HÖLDER FUNCTION IN BLACK-SCHOLES MODEL Summary: I the article we have preseted the modificatio of a classic Black-Scholes model. We have cosidered the existece of memory effect i fiacial time series ad itroduced valuatios of fiacial istrumets, Hurst expoet ad Hölder fuctio ito the model. The article cosists of the theoretical part, i which we have preseted the assumptios ad the theoretical form of a classic Black-Scholes model ad discussed its selected modificatios, as well as the applicatio part, which illustrates the effectiveess of the obtaied solutios. Keywords: stochastic process, Black-Scholes model, derivative istrumets, Hurst expoet, Hölder fuctio.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej. Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The

Bardziej szczegółowo

ZASTOSOWANIE ANALIZY TECHNICZNEJ ORAZ FUNKCJI HÖLDERA W PROCESIE KONSTRUOWANIA OPTYMALNYCH STRATEGII INWESTYCYJNYCH

ZASTOSOWANIE ANALIZY TECHNICZNEJ ORAZ FUNKCJI HÖLDERA W PROCESIE KONSTRUOWANIA OPTYMALNYCH STRATEGII INWESTYCYJNYCH ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 216 Seria: ORGANIZACJA I ZARZĄDZANIE z. 96 Nr kol. 1963 Adriaa MASTALERZ-KODZIS, Ewa POŚPIECH Uiwersytet Ekoomiczy w Katowicach Wydział Zarządzaia adriaa.mastalerz-kodzis@ue.katowice.pl,

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

BADANIA DOCHODU I RYZYKA INWESTYCJI StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;

Bardziej szczegółowo

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871 COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Matematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r.

Matematyka finansowa 06.10.2008 r. Komisja Egzaminacyjna dla Aktuariuszy. XLVII Egzamin dla Aktuariuszy z 6 października 2008 r. Komisja Egzamiacyja dla Aktuariuszy XLVII Egzami dla Aktuariuszy z 6 paździerika 2008 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Kredytobiorca

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Zeszyty naukowe nr 9

Zeszyty naukowe nr 9 Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę

Bardziej szczegółowo

Struktura czasowa stóp procentowych (term structure of interest rates)

Struktura czasowa stóp procentowych (term structure of interest rates) Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,

Bardziej szczegółowo

STOCHASTYCZNA ANALIZA RYZYKA SZEREGÓW CZASOWYCH

STOCHASTYCZNA ANALIZA RYZYKA SZEREGÓW CZASOWYCH Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 331 2017 Adrianna Mastalerz-Kodzis Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Statystyki,

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Influence of financial crisis on Hurst exponent estimates - fractal analysis of selected metals prices

Influence of financial crisis on Hurst exponent estimates - fractal analysis of selected metals prices MPRA Muich Persoal RePEc Archive Ifluece of fiacial crisis o Hurst expoet estimates - fractal aalysis of selected metals prices Rafa l Bu la Uiversity of Ecoomics i Katowice 0 Olie at http://mpra.ub.ui-mueche.de/5970/

Bardziej szczegółowo

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy. XXXVI Egzamin dla Aktuariuszy z 10 października 2005 r. Część I. Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy. XXXVI Egzamin dla Aktuariuszy z 10 października 2005 r. Część I. Matematyka finansowa Komisja Egzamiacyja dla Aktuariuszy XXXVI Egzami dla Aktuariuszy z 0 paździerika 2005 r. Część I Matematyka fiasowa Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut . Niech dur() ozacza duratio

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym) Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

Wykład 11 ( ). Przedziały ufności dla średniej Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017 STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej

Bardziej szczegółowo

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

Instrumenty pochodne - opcje

Instrumenty pochodne - opcje Matematyka fiasowa - 9 Istrumety pochoe - opcje Kombiacje opcji Zysk w zależości o cey T w momecie T z kombiacji 4 opcji kupa (2 pozycje łuie 2 pozycje krótkie) - la kostrukcji pozycji butterfly lo: 1-

Bardziej szczegółowo

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Matematyka finansowa 08.10.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLIII Egzamin dla Aktuariuszy z 8 października 2007 r.

Matematyka finansowa 08.10.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLIII Egzamin dla Aktuariuszy z 8 października 2007 r. Matematyka fiasowa 08.10.2007 r. Komisja Egzamiacyja dla Aktuariuszy XLIII Egzami dla Aktuariuszy z 8 paździerika 2007 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:...

Bardziej szczegółowo

Metody analizy długozasięgowej

Metody analizy długozasięgowej Copyright (c) 999-00 by Hugo Steihaus Ceter Metody aalizy długozasięgowej Adrzej Zacharewicz Warsztat aalizy zależości długotermiowej jest wciąż rozwijay i udoskoalay. Od czasów Hursta (95) i jego aalizy

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

INWESTYCJE MATERIALNE

INWESTYCJE MATERIALNE OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów

Bardziej szczegółowo

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego

Elementy rach. macierzowego Materiały pomocnicze do MES Strona 1 z 7. Elementy rachunku macierzowego Elemety rach macierzowego Materiały pomocicze do MES Stroa z 7 Elemety rachuku macierzowego Przedstawioe poiżej iformacje staowią krótkie przypomieie elemetów rachuku macierzowego iezbęde dla zrozumieia

Bardziej szczegółowo

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17 Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo

Bardziej szczegółowo

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych w zakresie materiału przedstawioego a wykładzie orgaizacyjym Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli doświadczeie,

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Ekonometria Mirosław Wójciak

Ekonometria Mirosław Wójciak Ekoometria Mirosław Wójciak Literatura obowiązkowa Barczak A, ST. Biolik J, Podstawy Ekoometrii, Wydawictwo AE Katowice, Katowice 1998 Dziechciarz J. Ekoometria Metody, przykłady, zadaia (wyd. ) Kukuła

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

Analiza popytu na alkohol w Polsce z zastosowaniem modelu korekty błędem AIDS

Analiza popytu na alkohol w Polsce z zastosowaniem modelu korekty błędem AIDS Ekoomia Meedżerska 2011, r 10, s. 161 172 Jacek Wolak *, Grzegorz Pociejewski ** Aaliza popytu a alkohol w Polsce z zastosowaiem modelu korekty błędem AIDS 1. Wprowadzeie Okres trasformacji, zapoczątkoway

Bardziej szczegółowo

Estymacja współczynnika dopasowania w klasycznym modelu ryzyka

Estymacja współczynnika dopasowania w klasycznym modelu ryzyka Ogólopolska Koferecja Naukowa Zagadieia Aktuariale Teoria i praktyka Warszawa, 9- czerwca 008 Estymacja współczyika dopasowaia w klasyczym modelu ryzyka Aa Nikodem Uiwersytet Ekoomiczy we Wrocławiu Klasyczy

Bardziej szczegółowo

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora Aaliza wyików symulacji i rzeczywistego pomiaru zmia apięcia ładowaego kodesatora Adrzej Skowroński Symulacja umożliwia am przeprowadzeie wirtualego eksperymetu. Nie kostruując jeszcze fizyczego urządzeia

Bardziej szczegółowo

Konspekt lekcji (Kółko matematyczne, kółko przedsiębiorczości)

Konspekt lekcji (Kółko matematyczne, kółko przedsiębiorczości) Kospekt lekcji (Kółko matematycze, kółko przedsiębiorczości) Łukasz Godzia Temat: Paradoks skąpej wdowy. O procecie składaym ogólie. Czas lekcji 45 miut Cele ogóle: Uczeń: Umie obliczyć procet składay

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

ZASTOSOWANIE FUNKCJI HÖLDERA W MODELU FRAMA

ZASTOSOWANIE FUNKCJI HÖLDERA W MODELU FRAMA Adrianna Mastalerz-Kodzis Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE FUNKCJI HÖLDERA W MODELU FRAMA Wprowadzenie Analiza techniczna dostarcza wiele różnych metod umożliwiających generowanie sygnałów

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty

MODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 2: RENTY. PRZEPŁYWY PIENIĘŻNE. TRWANIE ŻYCIA 1. Rety Retą azywamy pewie ciąg płatości. Na razie będziemy je rozpatrywać bez żadego związku z czasem życiem człowieka.

Bardziej szczegółowo

Matematyka I. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr zimowy 2018/2019 Wykład 11

Matematyka I. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr zimowy 2018/2019 Wykład 11 Matematyka I Bezpieczeństwo jądrowe i ochroa radiologicza Semestr zimowy 2018/2019 Wykład 11 Całka ozaczoa podstawowe pojęcia Defiicja podziału odcika Podziałem P odcika < a, b > a części azywamy zbiór

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

PODSTAWOWE ZAGADNIENIA METODOLOGICZNE

PODSTAWOWE ZAGADNIENIA METODOLOGICZNE PODSTAWOWE ZAGADNIENIA METODOLOGICZNE. Wprowadzeie W ekoomii i aukach o zarządzaiu obserwuje się tedecję do ilościowego opisu zależości miedzy zjawiskami ekoomiczymi. Umożliwia to - zobiektywizowaie i

Bardziej szczegółowo

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

METODY NUMERYCZNE dr inż. Mirosław Dziewoński

METODY NUMERYCZNE dr inż. Mirosław Dziewoński Metody Numerycze METODY NUMERYCZNE dr iż. Mirosław Dziewoński e-mail: miroslaw.dziewoski@polsl.pl Pok. 151 Wykład /1 Metody Numerycze Aproksymacja fukcji jedej zmieej Wykład / Aproksymacja fukcji jedej

Bardziej szczegółowo

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej szczegółowo

Podstawowe rozkłady zmiennych losowych typu dyskretnego

Podstawowe rozkłady zmiennych losowych typu dyskretnego Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA OPISOWA WYKŁAD 1 i 2 STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

Szeregi liczbowe. Szeregi potęgowe i trygonometryczne.

Szeregi liczbowe. Szeregi potęgowe i trygonometryczne. Szeregi iczbowe. Szeregi potęgowe i trygoometrycze. wykład z MATEMATYKI Automatyka i Robotyka sem. I, rok ak. 2008/2009 Katedra Matematyki Wydział Iformatyki Poitechika Białostocka Szeregi iczbowe Defiicja..

Bardziej szczegółowo

ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA

ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA SYSTEMY WSPOMAGANIA W INŻYNIERII PRODUKCJI Środowisko i Bezpieczeństwo w Iżyierii Produkcji 2013 5 ANALIZA SKORELOWANIA WYNIKÓW POMIAROWYCH W OCENACH STANU ZAGROŻEŃ HAŁASOWYCH ŚRODOWISKA 5.1 WPROWADZENIE

Bardziej szczegółowo

Numeryczny opis zjawiska zaniku

Numeryczny opis zjawiska zaniku FOTON 8, iosa 05 7 Numeryczy opis zjawiska zaiku Jerzy Giter ydział Fizyki U Postawieie problemu wielu zagadieiach z różych działów fizyki spotykamy się z astępującym problemem: zmiay w czasie t pewej

Bardziej szczegółowo

Statystyka Wzory I. Analiza struktury

Statystyka Wzory I. Analiza struktury Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej

Bardziej szczegółowo

Optymalizacja sieci powiązań układu nadrzędnego grupy kopalń ze względu na koszty transportu

Optymalizacja sieci powiązań układu nadrzędnego grupy kopalń ze względu na koszty transportu dr hab. iż. KRYSTIAN KALINOWSKI WSIiZ w Bielsku Białej, Politechika Śląska dr iż. ROMAN KAULA Politechika Śląska Optymalizacja sieci powiązań układu adrzędego grupy kopalń ze względu a koszty trasportu

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

ANALIZA DANYCH DYSKRETNYCH ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

LABORATORIUM METROLOGII

LABORATORIUM METROLOGII AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo

Ekonomia matematyczna 2-2

Ekonomia matematyczna 2-2 Ekoomia matematycza - Fukcja produkcji Defiicja Efektywym przekształceiem techologiczym azywamy odwzorowaie (iekiedy wielowartościowe), które kazdemu wektorowi akładów R przyporządkowuje zbiór wektorów

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym

Bardziej szczegółowo

ELEKTROTECHNIKA I ELEKTRONIKA

ELEKTROTECHNIKA I ELEKTRONIKA UNIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY W BYDGOSZCZY WYDZIAŁ INŻYNIERII MECHANICZNEJ INSTYTUT EKSPLOATACJI MASZYN I TRANSPORTU ZAKŁAD STEROWANIA ELEKTROTECHNIKA I ELEKTRONIKA ĆWICZENIE: E20 BADANIE UKŁADU

Bardziej szczegółowo

CIĄGI LICZBOWE. Poziom podstawowy

CIĄGI LICZBOWE. Poziom podstawowy CIĄGI LICZBOWE Poziom podstawowy Zadaie ( pkt) + 0 Day jest ciąg o wyrazie ogólym a =, N+ + jest rówy? Wyzacz a a + Czy istieje wyraz tego ciągu, który Zadaie (6 pkt) Marek chce przekopać swój przydomowy

Bardziej szczegółowo

2.1. Studium przypadku 1

2.1. Studium przypadku 1 Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.

Bardziej szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

PERSPECTIVES OF STATISTICAL METHODS IN DESIGN OF TRADING STRATEGIES FOR FINANCIAL MARKETS USING HIERARCHICAL STRUCTURES AND REGULARIZATION

PERSPECTIVES OF STATISTICAL METHODS IN DESIGN OF TRADING STRATEGIES FOR FINANCIAL MARKETS USING HIERARCHICAL STRUCTURES AND REGULARIZATION STUDIA INFORMATICA 2013 Volume 34 Number 2A (111) Alia MOMOT Politechika Śląska, Istytut Iformatyki Michał MOMOT Istytut Techiki i Aparatury Medyczej ITAM PERSPEKTYWY ZASTOSOWAŃ METOD STATYSTYCZNYCH W

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę

Bardziej szczegółowo

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności) IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym

Bardziej szczegółowo

Estymatory nieobciążone o minimalnej wariancji

Estymatory nieobciążone o minimalnej wariancji Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)

Bardziej szczegółowo

ĆWICZENIA NR 1 Z MATEMATYKI (Finanse i Rachunkowość, studia zaoczne, I rok) Zad. 1. Wyznaczyć dziedziny funkcji: 1 = 1, b) ( x) , c) h ( x) x x

ĆWICZENIA NR 1 Z MATEMATYKI (Finanse i Rachunkowość, studia zaoczne, I rok) Zad. 1. Wyznaczyć dziedziny funkcji: 1 = 1, b) ( x) , c) h ( x) x x ĆWICZENIA NR Z MATEMATYKI (Fiase i Rachukowość studia zaocze I rok) Zad Wyzaczyć dziedziy fukcji: a) f ( ) b) ( ) + + 6 f c) f ( ) + + d) f ( ) + e) ( ) f l f) f ( ) l( + ) + l( ) g) f ( ) l( si ) h) f

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo