Stacjonarne szeregi czasowe
|
|
- Bernard Witkowski
- 5 lat temu
- Przeglądów:
Transkrypt
1
2 Spis tre±ci 1
3 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa zwi zany z m elementami x t1, x t2,..., x tm szeregu czasowego jest identyczny z rozkªadem m elementów x t1+τ, x t2+τ,..., x tm+τ. Innymi sªowy, szereg {x t } 1 t N jest ±ci±le stacjonarny, je»eli jego wªasno±ci dynamiczne nie ulegaj zmianie przy zmianie pocz tku skali czasowej. Dla uproszczenia zakªadamy,»e chwile czasowe (momenty) t 1, t 2,..., t m oraz przesuni cia czasowe τ nale» do zbioru liczb naturalnych.
4 Uwaga 1 Stacjonarno± szeregu czasowego wymaga, aby warto±ci ±rednie oraz odchylenia standardowe od warto±ci ±rednich byªy staªe. Uwaga 2 Wszystkie szeregi czasowe zawieraj ce nielosowe skªadowe (cz ± deterministyczna nie jest staªa oraz zawiera np. czynnik trendu, sezonowo±ci, koniunkturalny) zale»ne od chwili czasowej t s niestacjonarne.
5 Warto± ±rednia i wariancja stacjonarnego szeregu czasowego. Z zaªo»enia stacjonarno±ci szeregu czasowego wynika,»e rozkªad zmiennej losowej x t nie zale»y od momentu t, zatem równie» od t nie zale» jego podstawowe charakterystyki (warto± ±rednia i wariancja). W szczególno±ci dla m = 1 widzimy,»e szereg czasowy ma staª warto± ±redni Ex t = µ, (1) t 1 oraz staª wariancj t 1 V ar (x t) = E (x t µ) 2 = σ 2. (2) Warto± µ okre±la poziom, dookoªa którego oscyluje szereg czasowy {x t } 1 t N, natomiast wielko± σ okre±la rozrzut warto±ci elementów szeregu {x t } 1 t N dookoªa poziomu µ.
6 Poniewa» rozkªady zmiennych losowych x t s jednakowe dla wszystkich 1 t N, to podstawowe charakterystyki szeregu mog by oszacowane na podstawie wielko±ci obserwacji x 1, x 2,..., x N. Jako estymator warto±ci ±redniej przyjmujemy ˆµ = 1 N x t, (3) N natomiast dla wariancji t=1 ˆσ 2 = 1 N N (x t ˆµ) 2. (4) t=1
7 Denicja 2 Szereg {x t } 1 t N, dla którego drugi moment zwykªy jest sko«czony ( Ex 2 t < dla 1 t N), nazywamy sªabo stacjonarnym (stacjonarnym w szerszym sensie) je»eli: a. warto± oczekiwana elementów szeregu nie zale»y od chwili t Ex t = const, 1 t N b. kowariancja zale»y tylko od przesuni cia τ, natomiast nie zale»y od chwili t cov (x t, x t+τ ) = cov (x 0, x τ ). 1 t N 0 τ N 1 Proces ±ci±le stacjonarny o sko«czonym drugim momencie jest procesem sªabo stacjonarnym. Stwierdzenie odwrotne nie jest na ogóª prawdziwe. Wyj tek stanowi proces Gaussa.
8 Funkcja autokowariancji Z zaªo»enia stacjonarno±ci szeregu czasowego {x t } 1 t N dla m = 2 wynika,»e ª czny rozkªad dla dwóch dowolnych zmiennych losowych x t i x t+τ zale»y tylko od wielko±ci przesuni cia w czasie τ i nie zale»y od chwili t. Dla dowolnego t 0 kowariancj pomi dzy elementami x t oraz x t+τ okre±lamy jako γ τ = cov (x t, x t+τ ) = E [x t µ] [x t+τ µ]. (5) Powy»sz funkcj nazywamy autokowariancj, poniewa» okre±la nam kowariancj dla tego samego szeregu czasowego {x t } 1 t N. Warto±ci funkcji autokowariancji γ τ na podstawie obserwacji x 1, x 2,..., x N szacujemy za pomoc wzoru dla τ = 0, 1,..., N 1. ˆγ τ = 1 N τ (x t ˆµ) (x t+τ ˆµ) (6) N τ t=1
9 Wªasno±ci funkcji autokowariancji γ τ : 1 γ 0 = σ 2 = const, 2 τ 0 γ τ = γ τ (funkcja parzysta, w przypadku zespolonym γ τ = γ τ ), 3 τ 0 γ τ γ 0.
10 Funkcja autokorelacji Jedna z gªównych ró»nic pomi dzy szeregiem czasowym a ci giem próbek losowych polega na tym,»e elementy szeregu czasowego w wi kszo±ci przypadków nie s niezale»ne. Stopie«zale»no±ci pomi dzy elementami stacjonarnego szeregu czasowego x t i x t+τ przy przesuni ciu τ 0 wzynaczamy jako r τ = E (x t µ) (x t+τ µ) E (x t+τ µ) 2 = γ τ γ 0. (7) Wspóªczynnik r τ jest miar zwi zku pomi dzy elementami tego samego szeregu, dlatego nazywamy go wspóªczynnikiem autokorelacji. Wykres funkcji r τ od τ nazywamy korelogramem. W praktyce wystarcza wyznaczy powy»sz funkcj dla dodatnich argumentów.
11 Jako estymator funkcji autokorelacji przyjmujemy ˆr τ = dla τ = 0, 1,..., N 1. N N τ t=1 (x t ˆµ) (x t+τ ˆµ) = (N τ) N (x t ˆµ) 2 t=1 Wªasno±ci funkcji autokorelacji r τ. 1 r 0 = 1, ˆγ τ ˆγ 0 (8) 2 r τ = r τ (funkcja parzysta, w przypadku zespolonym r τ = r τ ), 3 1 r τ 1.
12 Uwaga 3 Jest rzecz oczywist,»e im bardziej s oddalone elementy szeregu czasowego x t i x t+τ, tym mniejsze powinny by warto±ci bezwzgl dne funkcji autokorelacji r τ, poniewa» elementy bardziej oddalone s mniej ze sob skorelowane. W wi kszo±ci przypadków uwzgl dniamy zale»no±ci pomi dzy elementami szeregu czasowego tylko do pewnego momentu τ, powy»ej którego warto±ci funkcji autokorelacji w przybli»eniu s równe zero. Uwaga 4 W przypadku, gdy podane s warto±ci szeregu czasowego {x t } 1 t N, to aby uchwyci zwi zki oraz dynamik wewn trzn w szeregu, najcz ±ciej szacujemy warto±ci funkcji autokorelacji i autokowaraincji dla przesuni 0, 1, 2,..., [ ] N 4, gdzie [ ] oznacza cz ± caªkowit.
13 Macierze autokowariancji i autokorelacji Macierz autokowariancji jest dana wzorem γ 0 γ 1 γ 2... γ N 1 γ 1 γ 0 γ 1... γ N 2 Γ N = γ 2 γ 1 γ 0... γ N (9) γ N 1 γ N 2 γ N 3... γ 0 Z wªasno±ci funkcji autokorelacji mamy 1 r 1 r 2... r N 1 r 1 1 r 1... r N 2 Γ N = γ 0 r 2 r r N = σ2 P N, (10) r N 1 r N 2 r N gdzie macierz P N jest macierz autokorelacji.
14 Lemat 1 Macierze autokorelacji P N i autokowariancji Γ N s dodatnio okre±lone. Dowód. Poniewa» macierze autokorelacji P N i autokowariancji Γ N s symetryczne, zatem ka»d macierz symetryczn np. P N mo»emy przedstawi w postaci P N = A T A = ( A T A ) T. Wtedy dla dowolnego x R N oraz x col (0, 0,..., 0) mamy x T P N x = x T A T Ax = (Ax) T Ax = Ax 2 > 0. Dodatni okre±lono± macierzy autokowariancji Γ N wyznaczamy w sposób podobny.
15 Przykªad 4 Niech {ε t } t 1 b dzie ci giem niezale»nych zmiennych losowych o rozkªadzie normalny N (0, 1). Wyznaczy funkcj autokowariancji i autokorelacji dla szeregu {x t } t 1 postaci x t = 3 + ε t + ε t 1. Udowodni,»e szereg {x t } t 1 jest sci±le stacjonarny. Poda macierz autokorelacji P 4. Z wªasno±ci warto±ci oczekiwanej otrzymujemy Ex t = 3, t 1 natomiast kowariancja przy przesuni ciu czasowym τ 0 wynosi γ τ = cov (x t, x t+τ ) = E (ε t + ε t 1 ) (ε t+τ + ε t+τ 1 ) = = Eε t ε t+τ + Eε t ε t+τ 1 + Eε t 1 ε t+τ + Eε t 1 ε t+τ 1.
16 Z niezale»no±ci ci gu zmiennych losowych {ε t } t 0 otrzymujemy 2, γ τ = 1, 0, dla τ = 0, dla τ = 1, dla τ 2. Szereg {x t } t 1 jest stacjonarny w szerszym sensie (sªabo) oraz jest procesem gaussowskim, zatem analizowany proces {x t } t 1 jest równie» ±ci±le stacjonarnym. Funkcja autokorelacji jest równa r τ = natomiast macierz autokorelacji P 4 = 1, 0.5, 0, dla τ = 0, dla τ = 1, dla τ 2,
17 Kowariancja a g sto± spektralna Zale»no± pomi dzy funkcj spektraln a funkcj kowariancji podaje twierdzenie poni»ej. Niech C oznacza zbiór liczb caªkowitych. Twierdzenie Gerglotz'a Dla dowolnego stacjonarnego szeregu czasowego {x t } t C istnieje jednoznacznie okre±lona prawostronnie ci gªa niemalej ca funkcja rzeczywista F (ω), ω [ π, π], F ( π) = 0 oraz γ τ = π π e iωτ df (ω) τ C, (11) gdzie γ τ, τ C oznacza funkcj autokowariancji tego szeregu. Funkcj F ( ) okre±lon powy»ej nazywamy funkcj spektraln szeregu czasowego {x t } t 0, natomiast jej argument ω nazywamy pr dko±ci k tow.
18 Je»eli dla dowolnego ω [ π, π] funkcja F ( ) jest funkcj spektraln, to mo»emy j przedstawi w postaci F (ω) = ω π f (ν) dν, gdzie funkcj f ( ) nazywamy g sto±ci spektraln szeregu czasowego {x t } t 0. Poniewa» funkcja F ( ) jest funkcj niemalej c, zatem f (ν) 0 dla ν [ π, π].
19 W przypadku, gdy funkcja autokowariancji przyjmuje warto±ci ze zbioru liczb zespolonych, to otrzymujemy γ τ = π π Z rozwini cia w szereg Fouriera otrzymujemy e iωτ f (ω) dω, dla τ C. (12) f (ω) = 1 2π e iωτ γ τ. (13) τ Wniosek 2 Dla ka»dego t C wariancja szeregu czasowego {x t } t C wynosi π V ar (x t ) = γ 0 = f (ω) dω = F (π). π
20 W praktyce zazwyczaj mamy do czynienie z funkcj autokowariancji o warto±ciach w zbiorze liczb rzeczywistych. Zale»no± pomi dzy funkcj autokowariancji γ τ a funkcj g sto±ci spektralnej podaje nast puj ce twierdzenie. Twierdzenie 2 Je»eli funkcja autokowariancji γ n dla n 1 przyjmuje warto±ci ze zbioru liczb rzeczywistych, to funkcja g sto±ci spektralnej f (ω), ω [ π, π] jest postaci ] f (ω) = γ 0 2π + n=1 γ n π [ 1 cos nω = 2π γ γ n cos nω n=1. (14)
21 Korelacja a g sto± spektralna Z zale»no±ci funkcji autokowariancji i autokorelacji γ τ = γ 0 r τ wynika,»e funkcj g sto±ci spektralnej f (ω), ω [ π, π] mo»emy przedstawi w jednej z poni»szych postaci. 1. w przypadku zespolonym: 2. w przypadku rzeczywistym: f (ω) = γ 0 2π f (ω) = γ 0 2π [ e iωτ r τ, (15) τ ] r τ cos nω. (16) τ=1
22 Wniosek 3 Dla pr dko±ci k towych ω = 2πk, gdzie k N warto± funkcji g sto±ci spektralnej wynosi [ ] [ ] f (0) = 1 γ γ n = γ r τ 2π 2π n=1 τ=1 Wniosek 4 Je»eli elementy szeregu czasowego s nieskorelowane (tzn. wspóªczynnik korelacji r τ = 0 dla τ 1), to funkcja g sto±ci spektralnej jest staªa f (ω) = γ 0 2π dla ω R.
23 Intensywno± Rozwa»my szereg oscyluj cy dookoªa poziomu zerowego, który ma harmoniczne skªadowe o okresie 2π ω. Zdeniujmy harmoniki sinusowe i kosinusowe jako funkcje postaci a (ω) = b (ω) = 1 πn 1 πn N t=1 N t=1 x t cos tω, (17) x t sin tω, (18) gdzie ω [ π, π].
24 Uwaga 5 Je»eli warto± ±rednia elementów szeregu {x t } t 1 jest ró»na od zero, to z N szeregu wydzielamy staª µ = 1 N x i (tzn. x t = x t µ ), deniujemy i=1 szereg którego elementy oscyluj dookoªa poziomu zerowego. Denicja 3 Wielko± I (ω) = a 2 (ω) + b 2 (ω) (19) nazywamy intensywno±ci dla pr dko±ci k towej ω [ π, π]. Widzimy,»e intensywno± okre±la nam stopie«zale»no±ci pomi dzy wielko±ciami obserwacji x t a harmonicznymi skªadowymi o okresie 2π ω.
25 I (ω) = 1 πn [ = 1 N x 2 t + 2 πn t=1 ( N 2 ( N ) 2 x t cos tω) + x t sin tω = N t=1 N k k=1 t=1 [ = 1 N N x 2 t + 2 πn t=1 k=1 [ [ = 1 1 N N x 2 t + 2 π N t=1 t=1 x t x t+k (cos tω cos (t + k) ω + sin tω sin (t + k) ω) k=1 1 N N k t=1 N k t=1 x t x t+k cos kω ] x t x t+k cos kω Je»li szereg {x t } t 1 oscyluje dookoªa poziomu zerowego warto± ±rednia wynosi zero, to wariancja jest równa ˆγ 0 = 1 N N x 2 t. t=1 ]]. ]
26 Niech ˆγ k, k N oznacza obci»ony estymator autokowariancji postaci ˆγ k = N k N ˆγ k. Zatem N ˆγ lim k ˆγ k. W przypadku du»ych próbek dla N w granicy otrzymujemy [ ] I (ω) = 1 γ γ k cos kω. (20) π Zatem dla N intensywno± jest równa podwojonej g sto±ci spektralnej I (ω) = 2f (ω). (21) k=1
27 Przykªad 5 Dla czterech szeregów czasowych { } x i t, i = 1, 2, 3, 4 podane s t 1 funkcje autokowariancji γk i odpowiednio dla i = 1, 2, 3, 4 k γk γk γk γk oraz γk i = 0 dla k > 5. Wyznaczy funkcje g sto±ci spektralnej. Narysowa wykresy funkcji g sto±ci spektralnej dla cz stotliwo±ci ν [ 1, 1].
28 W rozwa»anym przypadku cz stotliwo± ω 2π [ 1, 1]. Analizuj c γk 1, k 0 widzimy,»e elementy szeregu { } x 1 t s praktycznie t 1 niezale»ne (wspóªczynniki korelacji s bliskie zeru). Dla szeregu { } x 2 t t 1 elementy odlegªe o jedn chwil czasow s ze sob powi zane, dla szeregu { } x 3 t elementy odlegªe o 3 momenty s ze sob powi zane, t 1 natomiast dla szeregu { } x 4 t elementy z przesuni ciami czasowymi 3 i t 1 5 s ze sob powi zane. Funkcje gesto±ci spektralnej tych szeregów s podane poni»ej: f 1 (ω) = 1 (3 + 2 (0.3 cos ω cos 2ω cos 3ω cos 4ω π f 2 (ω) = 1 (3 + 2 (1.3 cos ω cos 2ω cos 3ω cos 4ω π f 3 (ω) = 1 (3 + 2 (0.3 cos ω cos 2ω 2.1 cos 3ω cos 4ω π f 4 (ω) = 1 (3 + 2 (0.3 cos ω cos 2ω 1.5 cos 3ω cos 4ω c 2π
29 Wykresy poszczególnych funkcji g sto±ci spektralnej fi (ν) w zale»no i od cz stotliwo±ci ν [ 1, 1] (pami tamy,»e ω = 2πν), gdzie f i (ν) = f i (2πν) dla i = 1, 2, 3, 4 s przedstawione na rysunku 1. Rysunek: Funkcje g sto±ci spektralnej.
Wyk ad II. Stacjonarne szeregi czasowe.
Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoOba zbiory s uporz dkowane liniowo. Badamy funkcj w pobli»u kresów dziedziny. Pewne punkty szczególne (np. zmiana denicji funkcji).
Plan Spis tre±ci 1 Granica 1 1.1 Po co?................................. 1 1.2 Denicje i twierdzenia........................ 4 1.3 Asymptotyka, granice niewªa±ciwe................. 7 2 Asymptoty 8 2.1
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoRozdziaª 2. Analiza spektralna
Rozdziaª 2. Analiza spektralna MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 2) Analiza spektralna 1 / 18 Widmo szeregu czasowego W analizie spektralnej szereg {y t : t = 1, 2,..., T } postrzegany
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowo1 Poj cia pomocnicze. Przykªad 1. A A d
Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoRelacj binarn okre±lon w zbiorze X nazywamy podzbiór ϱ X X.
Relacje 1 Relacj n-argumentow nazywamy podzbiór ϱ X 1 X 2... X n. Je±li ϱ X Y jest relacj dwuargumentow (binarn ), to zamiast (x, y) ϱ piszemy xϱy. Relacj binarn okre±lon w zbiorze X nazywamy podzbiór
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo1 Lista 6 1. LISTA Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci Obliczenia zrobi dla TT -PL97m oraz i = 4%.
1. LISTA 6 1 1 Lista 6 1.1 Obliczy JSN renty z doªu dla (30)-latka na 3 lata w wysoko±ci 3000. Obliczenia zrobi dla TT -PL97m oraz i = 4%. 1.2 Obliczy JSN dla nast puj cej renty dla (30)-latka: je±li»yje
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoPrzeksztaªcenia liniowe
Przeksztaªcenia liniowe Przykªady Pokaza,»e przeksztaªcenie T : R 2 R 2, postaci T (x, y) = (x + y, x 6y) jest przeksztaªceniem liniowym Sprawdzimy najpierw addytywno± przeksztaªcenia T Niech v = (x, y
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoSpis tre±ci. Plan. 1 Pochodna cz stkowa. 1.1 Denicja Przykªady Wªasno±ci Pochodne wy»szych rz dów... 3
Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 2 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych
Bardziej szczegółowoAM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium
AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoMODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH
MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH Urszula Fory± Zakªad Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydziaª
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowopunkcie. Jej granica lewostronna i prawostronna w punkcie x = 2 wynosz odpowiednio:
5.9. lim x x +4 f(x) = x +4 Funkcja f(x) jest funkcj wymiern, która jest ci gªa dla wszystkich x, dla których mianownik jest ró»ny od zera, czyli dla: x + 0 x Zatem w punkcie x = funkcja ta jest okre±lona
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoEdward Kozłowski. Optymalne sterowanie dyskretnymi systemami stochastycznymi
Edward Kozłowski Optymalne sterowanie dyskretnymi systemami stochastycznymi Lublin 2018 Optymalne sterowanie dyskretnymi systemami stochastycznymi Monografie Politechnika Lubelska Politechnika Lubelska
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoAnaliza i identyfikacja szeregów czasowych
Analiza i identyfikacja szeregów czasowych Monografie Politechnika Lubelska Politechnika Lubelska Wydział Zarządzania ul. Nadbystrzycka 38 20-618 Lublin Edward Kozłowski Analiza i identyfikacja szeregów
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoELEMENTARNA TEORIA LICZB. 1. Podzielno±
ELEMENTARNA TEORIA LICZB IZABELA AGATA MALINOWSKA N = {1, 2,...} 1. Podzielno± Denicja 1.1. Niepusty podzbiór A zbioru liczb naturalnych jest ograniczony, je»eli istnieje taka liczba naturalna n 0,»e m
Bardziej szczegółowoRównania ró»niczkowe I rz du (RRIR) Twierdzenie Picarda. Anna D browska. WFTiMS. 23 marca 2010
WFTiMS 23 marca 2010 Spis tre±ci 1 Denicja 1 (równanie ró»niczkowe pierwszego rz du) Równanie y = f (t, y) (1) nazywamy równaniem ró»niczkowym zwyczajnym pierwszego rz du w postaci normalnej. Uwaga 1 Ogólna
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowo1 Ró»niczka drugiego rz du i ekstrema
Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 1 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoLiczby zespolone Pochodna Caªka nieoznaczona i oznaczona Podstawowe wielko±ci zyczne. Repetytorium z matematyki
Repetytorium z matematyki Denicja liczb zespolonych Wyra»enie a + bi, gdzie a i b s liczbami rzeczywistymi a i speªnia zale»no± i 2 = 1, nazywamy liczb zespolon. Liczb i nazywamy jednostk urojon, a iloczyn
Bardziej szczegółowoOpis matematyczny ukªadów liniowych
Rozdziaª 1 Opis matematyczny ukªadów liniowych Autorzy: Alicja Golnik 1.1 Formy opisu ukªadów dynamicznych 1.1.1 Liniowe równanie ró»niczkowe Podstawow metod przedstawienia procesu dynamicznego jest zbiór
Bardziej szczegółowo2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8
Bardziej szczegółowoTablice wzorów z probabilistyki
Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy:
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoEstymacja parametru gªadko±ci przy u»yciu falek splajnowych
Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoRachunek caªkowy funkcji wielu zmiennych
Rachunek caªkowy funkcji wielu zmiennych I. Malinowska, Z. Šagodowski Politechnika Lubelska 8 czerwca 2015 Caªka iterowana podwójna Denicja Je»eli funkcja f jest ci gªa na prostok cie P = {(x, y) : a x
Bardziej szczegółowoZadania. 4 grudnia k=1
Zadania 4 grudnia 205 Zadanie. Poka»,»e dla dowolnych liczb zespolonych z,..., z n istnieje zbiór B {,..., n}, taki,»e n z k π z k. k B Zadanie 2. Jakie warunki musz speªnia ci gi a n i b n, aby istniaªy
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoLiczby zespolone. dr Krzysztof yjewski Mechatronika; S-I 0.in». 6 pa¹dziernika Oznaczenia. B dziemy u»ywali nast puj cych oznacze«:
Liczby zespolone Oznaczenia B dziemy u»ywali nast puj cych oznacze«: N = {1, 2, 3,...}- zbiór liczb naturalnych, Z = {..., 3, 2, 1, 0, 1, 2, 3,...}- zbiór liczb caªkowitych, Q = { a b : a, b Z, b 0}- zbiór
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoMacierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,
Macierze Dziaªania na macierzach Niech b d dane macierze A = E = [ 2 3 0 3 2 3 2 0 [ 0 8, B = 4 2, F = [ 2 3, C = 3 2 2 3 0 0 0 4 0 6 3 0, G =, D = 0 2 0 2 0 3 0 3 0 2 0 0 2 2 0 0 5 0 2,, H = 0 0 4 0 0
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowof(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:
Pochodna funkcji Def 1 Pochodn wªa±ciw funkcji f w punkcie x 0 nazywamy granic f (x 0 ) := lim o ile granica ta istnieje i jest wªa±ciwa Funkcj f nazywamy wtedy ró»niczkowaln Przy zaªo»eniu,»e f jest ci
Bardziej szczegółowoElementy geometrii analitycznej w przestrzeni
Wykªad 3 Elementy geometrii analitycznej w przestrzeni W wykªadzie tym wi kszy nacisk zostaª poªo»ony raczej na intuicyjne rozumienie deniowanych poj, ni» ±cisªe ich zdeniowanie. Dlatego niniejszy wykªad
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,
Bardziej szczegółowoPodstawy matematyki dla informatyków
Podstawy matematyki dla informatyków Wykªad 6 10 listopada 2011 W poprzednim odcinku... Zbiory A i B s równoliczne (tej samej mocy ), gdy istnieje bijekcja f : A 1 1 B. Piszemy A B lub A = B. na Moc zbioru
Bardziej szczegółowoZadania z rachunku prawdopodobie«stwa
STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog
Bardziej szczegółowoAnaliza wra»liwo±ci dla modelu receptorów bªonowych. Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski. Anna Naª cz 7 IV 2011
Analiza wra»liwo±ci dla modelu receptorów bªonowych Anna Naª cz Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski 7 IV 2011 Anna Naª cz (MIMUW) Analiza wra»liwo±ci modelu receptorów 7
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoFunkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012 Kilka wst pnych sªów: Kowariancja i korelacja Grube
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoMatematyka dyskretna dla informatyków
UNIWERSYTET IM. ADAMA MICKIEWICZA W POZNANIU Jerzy Jaworski, Zbigniew Palka, Jerzy Szyma«ski Matematyka dyskretna dla informatyków uzupeænienia Pozna«007 A Notacja asymptotyczna Badaj c du»e obiekty kombinatoryczne
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R Andrzej Torój 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 3 4 2 / 23 Plan prezentacji 1 Przykªad: model
Bardziej szczegółowoKinematyka 2/15. Andrzej Kapanowski ufkapano/ Instytut Fizyki, Uniwersytet Jagiello«ski, Kraków. A. Kapanowski Kinematyka
Kinematyka 2/15 Andrzej Kapanowski http://users.uj.edu.pl/ ufkapano/ Instytut Fizyki, Uniwersytet Jagiello«ski, Kraków 2018 Podstawowe poj cia Kinematyka jest cz ±ci mechaniki, która zajmuje si opisem
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoFunkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu)
Funkcja rzeczywista zmiennej rzeczywistej. Pochodna (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Denicja pochodnej Denicja. Niech : X R, X R oraz U(x 0, r) X dla pewnego r > 0. Ilorazem ró»nicowym unkcji
Bardziej szczegółowoZbiory ograniczone i kresy zbiorów
Zbiory ograniczone i kresy zbiorów Def.. Liczb m nazywamy ograniczeniem dolnym a liczb M ograniczeniem górnym zbioru X R gdy (i) x m; (ii) x M. Mówimy,»e zbiór X jest ograniczony z doªu (odp. z góry) gdy
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoNieklasyczna analiza skªadowych gªównych
* Wydziaª Matematyki i Informatyki UAM Pozna«Referat ten jest przygotowany na podstawie wspólnych wyników uzyskanych z Karolem Der gowskim z Instytutu Zarz dzania Pa«stwowej Wy»szej Szkoªy Zawodowej w
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoWielomiany o wspóªczynnikach rzeczywistych
Wielomiany o wspóªczynnikach rzeczywistych Wielomian: W (x) = a n x n + a n 1 x n 1 + a n 2 x n 2 +... + a 2 x 2 + a 1 x + a 0 wspóªczynniki wielomianu: a 0, a 1, a 2,..., a n 1, a n ; wyraz wolny: a 0
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoProste modele o zªo»onej dynamice
Proste modele o zªo»onej dynamice czyli krótki wst p do teorii chaosu Tomasz Rodak Festiwal Nauki, Techniki i Sztuki 2018 April 17, 2018 Dyskretny model pojedynczej populacji Rozwa»my pojedyncz populacj
Bardziej szczegółowo