Rozdziaª 2. Analiza spektralna
|
|
- Kazimierz Jaworski
- 4 lat temu
- Przeglądów:
Transkrypt
1 Rozdziaª 2. Analiza spektralna MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 2) Analiza spektralna 1 / 18
2 Widmo szeregu czasowego W analizie spektralnej szereg {y t : t = 1, 2,..., T } postrzegany jest jako niesko«czona suma szeregów o ró»nych cz stotliwo±ciach ω, którym odpowiadaj okresy waha«τ = 2π ω. Podstawowym poj ciem w analizie spektralnej jest widmo okre±lane tak»e jako spektrum. MPGzR (rozdz. 2) Analiza spektralna 2 / 18
3 Widmo - intuicja Rozwa»my regresj (l. parametrów 2M + 1 równa liczbie obserwacji T ): y t = µ + M { αj cos(ω j t) + β j sin(ω j t) } + ϵ t j=1 gdzie ω j = j 2π T odpowiada cyklom o okresach τ j = 2π ω j = T j. Poniewa» zmienne sin(ω j t) oraz cos(ω j t): a. s wzajemnie ortogonalne b. maj warto± oczekiwan 0 (czyli E(y t) = µ) c. oraz wariancj 1 2 to wariancja zmiennej y t wynosi: σ 2 = 1 2 M j=1 { } α 2 j + βj 2 Czyli, mo»emy dokona dekompozycji σ 2 na M cz stotliwo±ci z przedziaªu [0, π], gdzie wpªyw waha«o cz stotliwo±ci ω j wynosi: σ 2 j = 1 2 (α2 j + β 2 j ) MPGzR (rozdz. 2) Analiza spektralna 3 / 18
4 Widmo - transformata Fouriera Widmo procesu Yt jest dane przez transformat Fouriera dla funkcji autokowariancji (γ j = Cov(Yt, Yt j)): f (ω) = 1 γ j e ijω 2π Uwzgl dniaj c: j= Symetrycznbo± autokowariancji: γ j = γ j Wzór de Eulera: e ix = cos x + i sin x Wzory: cos( x) = cos x i sin( x) = sin x powy»szy wzór mo»na przeksztaªci do: f (ω) = 1 γ γ j cos(jω) 2π j=1 Poniewa» f ( ω) = f (ω) oraz f (2π + ω) = f (ω) warto±ci widma podaje si dla ω [0, π]. MPGzR (rozdz. 2) Analiza spektralna 4 / 18
5 Widmo - odwrotna transformata Fouriera Dla widma f (ω) warto± autokowariancji jest dana przez odwrotn transformaty Fouriera: γ j = π Implikuje to,»e warto± wariancji dla Y t : f (ω) cos(jω)dω dla j = 0, ±1, ±2,... π γ 0 = 2 π 0 f (ω)dω. oraz wkªad waha«o cz stotliwo±ciach ω [ω 1, ω 2 ] do caªkowitej wariancji procesu Y t : ω2 2 f (ω)dω. ω 1 MPGzR (rozdz. 2) Analiza spektralna 5 / 18
6 Oszacowanie widma Dwie metody oszacowania widma na podstawie szeregu czasowego {y t : t = 1, 2,..., T }: 1. Oszacowanie modelu AR(P) postaci y t = ρ 1 y t ρ P y t P + ϵ t, ϵ t N(0, σ 2 ϵ ). oraz podstawienie oszacowa«parametrów do wzoru: ( f (ω) = σ2 ϵ 2π 1 Pp=1 (1 + ρ 2 p 2ρ p cos(pω)) ) 2. Wykorzystanie dyskretnej transformaty Fouriera (DFT): oraz obliczenie periodogramu jako: który mo»na przeksztaªci do: ˆf (ω s ) = 1 2π T 1 x s = y te 2πist/T t=0 ˆf (ω s ) = 1 T 2 x s 2. ˆγ T 1 j=1 ˆγ j cos(jω s ) MPGzR (rozdz. 2) Analiza spektralna 6 / 18
7 Wygªadzony periodogram Warto±ci periodogramu liczone jedynie dla poszczególnych warto±ci ω s, za± jego wykres charakteryzuje si du» zmienno±ci (utrudniony odczyt) Wygªadzenia uªatwia odczyt periodogramu Wygªadzona warto± periodogramu dla cz stotliwo±ci ω: f (ω) = h x= h ν(x)ˆf (ω + x), gdzie h okre±la szeroko± pasma przenoszenia (bandwidth), za± ν(x) jest funkcj okre±laj c tzw. okno spektralne (spectral window) przypisywane s siednim cz stotliwo±ciom, które speªniaj zale»no± h ν(x) = 1. x= h MPGzR (rozdz. 2) Analiza spektralna 7 / 18
8 Przykªad - kwartalne tempo PKB PKB kw/kw Periodogram lata czestotliwosc : 4 τ Wygladzony Periodogram Proces AR(4) czestotliwosc : 4 τ czestotliwosc : 4 τ MPGzR (rozdz. 2) Analiza spektralna 8 / 18
9 Filtry liniowe Filtr liniowy deniujemy jako: x t = ψ j y t j j= = ψ(l)y t Filtry, które eliminuj trend stochastyczny lub deterministyczny musz speªnia nast puj ce warunki: 1. Wagi sumuj si do zera: ψ(1) = j= ψ j = 0 2. Wagi s symetryczne: ψ j = ψ j MPGzR (rozdz. 2) Analiza spektralna 9 / 18
10 Filtry liniowe Filtrowi liniowemu x t = ψ(l)y t w dziedzinie cz stotliwo±ci odpowiada funkcja odpowiedzi cz stotliwo±ciowej (frequency response function): Ψ(ω) = która deniuje widmo dla zmiennej x t : j= ψ j e iωj, f x (ω) = Ψ(ω) 2 f y (ω) gdzie Ψ(ω) 2 jest funkcj transferow (transfer function), za± Ψ(ω) okre±lane jest jako wzmocnienie (gain). MPGzR (rozdz. 2) Analiza spektralna 10 / 18
11 Filtry liniowe - przykªad Zilustrujmy powy»sze rozwa»ania na przykªadzie ltru przyrostowego: x t = y t y t 1, dla którego ψ(l) = 1 L. Funkcja odpowiedzi cz stotliwo±ciowej wynosi: Ψ(ω) = 1 e iω = 1 cos(ω) + i sin(ω), za± funkcja transferowa przyjmuje posta : W rezultacie: Ψ(ω) 2 = 1 cos(ω) + i sin(ω) 2 = 2 2 cos(ω). f x (ω) = (2 2 cos(ω))f y (ω). Filtr przyrostowy uwypukla znaczenie waha«o wysokich cz stotliwo±ciach (gdy ω jest bliska π ) oraz pochªania wahania o niskich cz stotliwo±ciach (gdy ω jest 2 bliska 0). Ponadto, jest to ltr asymetryczny: powoduje przesuni cie fazowe widma dla x t wzgl dem widma dla y t MPGzR (rozdz. 2) Analiza spektralna 11 / 18
12 Idealny ltr pasmowo-przepustowy Zdeniujmy ltr pasmowo-przepustowy (band-pass) jako ltr liniowy, dla którego x t jest cz ±ci y t, zwi zana z wahaniami o cz stotliwo±ciach z przedziaªu ω [ω 1, ω 2 ]. Przykªadowo, je»eli dla kwartalnych danych x t jest cz ±ci y t o wahaniach z przedziaªu od 6 do 40 kwartaªów to ω 1 = π 20 oraz ω 2 = π 3. Dla niesko«czonej liczby obserwacji wagi idealnego ltru pasmowego (IF) wynosz : { sin(jω 2 ) sin(jω 1 ) dla j 0 πj ψ j = ω 2 ω 1 π dla j = 0. W praktyce dysponujemy sko«czon liczb obserwacji, a zatem musimy stosowa jedynie przybli»enia dla IF MPGzR (rozdz. 2) Analiza spektralna 12 / 18
13 Filtr Baxtera-Kinga Baxter i King (1999) zaproponowali estymator ltru idealnego dla sko«czonej liczby obserwacji: x t = n θ j y t j = θ(l)y t j= n gdzie n jest ustalane egzogenicznie (sugeroana warto± wynosi 3 lata). Warto±ci parametrów θ j oblicza si poprzez minimalizacj wyra»enia: 1 2π π Ψ(ω) Θ(ω) 2 dω π przy zaªo»eniu symetryczno±ci oraz warunku n j= n θ j = 0. Interpretacj powy»szego wyra»enia jest ±redni dystans mi dzy funkcj odpowiedzi cz stotliwo±ciowej idealnego ltru Ψ(ω) oraz ltru BK Θ(ω). Rozwi zaniem s wagi: θ j = ψ j 1 n ψ i 2n + 1 i= n gdzie ψ j s wagami ltru idealnego. MPGzR (rozdz. 2) Analiza spektralna 13 / 18
14 Filtr Christiano-Fitzgeralda Christiano i Fitzgerald (2003) zaproponowali asymetryczny ltr, który umo»liwia obliczenie wszystkich obserwacji dla przeltrowanej zmiennej postaci: x t = t 1 j=t T ϕ j,t y t j = ϕ t (L)y t dla t = 1, 2,..., T Warto±ci parametrów ϕ j,t oblicza si poprzez minimalizacj wyra»enia: 1 2π przy warunku t 1 j= (T t) ϕ j,t = 0. π Ψ(ω) Φ t(ω) 2 f y (ω)dω π W powy»szym wyra»eniu minimalizowana jest ±rednia wa»ona dystansu mi dzy funkcjami odpowiedzi cz stotliwo±ciowej idealnego ltru Ψ(ω) oraz ltru CF Φ t (ω), gdzie wagi te s dane przez widmo zmiennej y t. Dla procesu bª dzenia losowego wagi wynosz : 1 2 ψ 0 T t 1 i=0 ψ i dla j = t T ϕ j,t = ψ j dla j = t T + 1, t T + 2,..., t ψ 0 t 2 i=0 ψ i dla j = t 1, gdzie warto±ci ψ i s wagami ltru idealnego. Uwaga: CF sugeruj, aby przed przyst pieniem do ltracji usun trend deterministyczny. MPGzR (rozdz. 2) Analiza spektralna 14 / 18
15 Filtr Hodricka-Prescotta HP - najcz ±ciej stosowany ltr umo»liwiaj cy dekompozycj zmiennej y t na cz ± zwi zan z dªugookresowym trendem ȳ t oraz skªadnik cykliczny x t: y t = ȳ t + x t Dekompozycji dokonuje si poprzez minimalizacj wyra»enia: T [ (xt ) 2 + λ[(ȳ t+1 ȳ t ) (ȳ t ȳ t 1 )] 2] t=1 gdzie parametr λ okre±la relatywn wag dla wariancji x t oraz przyrostów ȳ t. Standardowa warto± dla danych kwartalnych wynosi λ = 1600, za± dla danych o innej cz stotliwo±ci: λ τ = (τ/4) Przykªadowo, dla danych miesi cznych (τ = 12): λ 12 = (3 4 ) 1600 = Dla danych rocznych: λ 1 = (1/4) = 6, 25. Funkcja odpowiedzi cz stotliwo±ciowe dla ltru HP dla skªadnika cyklicznego jest postaci: Γ(ω) = λ(1 eiω ) 2 (1 e iω ) λ(1 e iω ) 2 (1 e iω ) 2. Poniewa» Γ(0) = 0; Γ(ω) jest funkcj rosn c dla ω [0, π/2] oraz istnieje pewna warto± ω taka,»e dla ω [ω, π/2] warto± funkcji transferowej jest bliska jedno±ci. Z tego wzgl du ltr HP jest ltrem górno-przepustowym. MPGzR (rozdz. 2) Analiza spektralna 15 / 18
16 Przykªad - analiza skªadowych cyklicznych w Polsce Korelacje skladowych cyklicznych dla komponentow PKB Y C G I Y C G I Odchylenie standardowe skladowych cyklicznych Y C G I MPGzR (rozdz. 2) Analiza spektralna 16 / 18
17 Przykªad - analiza skªadowych cyklicznych w Polsce Autokorelacja skladowych cyklicznych k Y C G I MPGzR (rozdz. 2) Analiza spektralna 17 / 18
18 Przykªad - analiza skªadowych cyklicznych w Polsce Cykliczna czesc skladników PKB (filtr HP) Cykliczna czesc PKB (rozne filtry) Y C G I (prawa os) HP BK CF MPGzR (rozdz. 2) Analiza spektralna 18 / 18
Stacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 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
Bardziej szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoWahania aktywności gospodarczej w Polsce i strefie euro
Wahania aktywności gospodarczej w Polsce i strefie euro Paweł Skrzypczyński Narodowy Bank Polski Instytut Ekonomiczny Kwiecień 2008 Plan prezentacji Wstęp Metodologia Wyniki Wnioski 2 Wstęp Cel badania
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 szczegółowoRozdziaª 8. Modele Krzywej Dochodowo±ci
Rozdziaª 8. Modele Krzywej Dochodowo±ci MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 8) Krzywa dochodowo±ci 1 / 18 Denicja krzywej dochodowo±ci Krzywa dochodowo±ci (yield curve): Ilustracja graczna
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 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 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 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 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 szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami
Bardziej szczegółowo1 Granice funkcji wielu zmiennych.
AM WNE 008/009. Odpowiedzi do zada«przygotowawczych do czwartego kolokwium. Granice funkcji wielu zmiennych. Zadanie. Zadanie. Pochodne. (a) 0, Granica nie istnieje, (c) Granica nie istnieje, (d) Granica
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 szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
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 szczegółowoRozdziaª 10: Portfel inwestycyjny
Rozdziaª 10: Portfel inwestycyjny MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 10) Portfel inwestycyjny 1 / 31 Wprowadzenie Wkªad Markowitza, laureata nagrody Nobla z ekonomii w 1990 r., do teorii
Bardziej szczegółowoRozdziaª 9: Wycena opcji
Rozdziaª 9: Wycena opcji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 9) Wycena opcji 1 / 23 Denicja opcji. Opcja nansowa:. Warunkowy kontrakt terminowy na sprzeda» lub kupno instrumentu bazowego,
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
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 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 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 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 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 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 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 szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
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 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 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 szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoWYKŠAD 3. di dt. Ġ = d (r v) = r P. (1.53) dt. (1.55) Przyrównuj c stronami (1.54) i (1.55) otrzymujemy wektorowe równanie
WYKŠAD 3 Równania Gaussa dla e, I, Ω, ω, M. Ω, di 1.3.3 Od caªki ól do ė, W odró»nieniu od skalarnej caªki siª»ywych, wektorowa caªka ól mo»e nam osªu»y do otrzymania a» trzech kolejnych równa«gaussa.
Bardziej szczegółowoTeoria Sygnałów. III rok Informatyki Stosowanej. Wykład 8
Teoria Synałów rok nformatyki Stosowanej Wykład 8 Analiza częstotliwościowa dyskretnych synałów cyfrowych okna widmowe (cd poprzednieo wykładu) N = 52; T =.24; %czas trwania synału w sekundach dt = T/N;
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 szczegółowoRachunek ró»niczkowy funkcji jednej zmiennej
Lista Nr 5 Rachunek ró»niczkowy funkcji jednej zmiennej 5.0. Obliczanie pochodnej funkcji Pochodne funkcji podstawowych. f() = α f () = α α. f() = log a f () = ln a '. f() = ln f () = 3. f() = a f () =
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
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 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 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 szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
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 szczegółowoOptymalizacja wypukªa: wybrane zagadnienia i zastosowania
Optymalizacja wypukªa: wybrane zagadnienia i zastosowania 21 wrze±nia 2010 r. Ogólne Wypukªe Sto»kowe Zadania sprowadzalne do SOCP/SDP Ogólne Wypukªe Sto»kowe Zadania sprowadzalne do SOCP/SDP Ogólne zadanie
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowor = x x2 2 + x2 3.
Przestrze«aniczna Def. 1. Przestrzeni aniczn zwi zan z przestrzeni liniow V nazywamy dowolny niepusty zbiór P z dziaªaniem ω : P P V (które dowolnej parze elementów zbioru P przyporz dkowuje wektor z przestrzeni
Bardziej szczegółowoZastosowanie przeksztaªcenia Laplace'a. Przykªad 1 Rozwi» jednorodne równanie ró»niczkowe liniowe. ÿ(t) + 5ẏ(t) + 6y(t) = 0 z warunkami pocz tkowymi
Zastosowanie przeksztaªcenia Laplace'a Przykªad Rozwi» jednorodne równanie ró»niczkowe liniowe ÿ(t) + 5ẏ(t) + 6y(t) = 0 z warunkami pocz tkowymi y(0 + ) = a, ẏ(0 + ) = b. Rozwi zanie Dokonuj c transformacji
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 szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................
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 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 szczegółowoPodstawy matematyki dla informatyków. Logika formalna. Skªadnia rachunku zda« Skróty i priorytety. Wykªad 10 (Klasyczny rachunek zda«) 15 grudnia 2011
Podstawy matematyki dla informatyków Logika formalna Wykªad 10 (Klasyczny rachunek zda«) 15 grudnia 2011 Skªadnia rachunku zda«symbole (zmienne) zdaniowe (p, q, r,...), oraz znaki i s formuªami zdaniowymi.
Bardziej szczegółowoGeometria Algebraiczna
Geometria Algebraiczna Zadania domowe: seria 1 Zadania 1-11 to powtórzenie podstawowych poj z teorii kategorii. Zapewne rozwi zywali Pa«stwo te zadania wcze±niej, dlatego nie b d one omawiane na wiczeniach.
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 szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowof = 2 śr MODULACJE
5. MODULACJE 5.1. Wstęp Modulacja polega na odzwierciedleniu przebiegu sygnału oryginalnego przez zmianę jednego z parametrów fali nośnej. Przyczyny stosowania modulacji: 1. Umożliwienie wydajnego wypromieniowania
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 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 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 szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoa) f : R R R: f(x, y) = x 2 y 2 ; f(x, y) = 3xy; f(x, y) = max(xy, xy); b) g : R 2 R 2 R: g((x 1, y 1 ), (x 2, y 2 )) = 2x 1 y 1 x 2 y 2 ;
Zadania oznaczone * s troch trudniejsze, co nie oznacza,»e trudne.. Zbadaj czy funkcjonaª jest dwuliniowy, symetryczny, antysymetryczny, dodatniookre±lony: a) f : R R R: f(x, y) = x y ; f(x, y) = 3xy;
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 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 szczegółowoSkale czasu. 1.1 Dokładność czasu T IE - Time Interval Error
Skale czasu 1 Dokładność i stabilność zegarów Zegar wytwarza sygnał okresowy (częstotliwościowy), który opisać można prostą funkcją harmoniczną: s(t) = A sin(2πν nom + φ 0 ) (1) ν nom = 9192631770Hz jest
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 szczegółowoRozdziaª 6. Strukturalne modele VAR
Rozdziaª 6. Strukturalne modele VAR MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 6) Modele SVAR 1 / 25 Wprowadzenie do modeli SVAR Krytyka modeli wielorównaniowych z lat 50-tych i 60-tych postaci:
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Cz ± I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szyma«ski Uniwersytet im. Adama Mickiewicza Pozna«2007 4 Zależności rekurencyjne Wiele zale»no±ci
Bardziej szczegółowoRozdziaª 7. Modele klasy ARCH
Rozdziaª 7. Modele klasy ARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 7) Modele ARCH 1 / 24 Modele klasy ARCH Charakterystyki wi kszo±ci szeregów nansowych: Grupowanie wariancji (volatility clustering):
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
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 szczegółowoWst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe
Wst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-18-02 Motywacja Liczby
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 szczegółowoZmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego.
Strona 1 z 27 Zmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego. Alicja Rzeszótko Wiesław Kosek Waldemar Popiński Seminarium Sekcji Dynamiki Ziemi Komitetu Geodezji PAN
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 szczegółowoRozdziaª 11. Modele równowagi na rynku kapitaªowym
Rozdziaª 11. Modele równowagi na rynku kapitaªowym MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 11) Model CAPM 1 / 33 Wprowadzenie Przy budowie portfela inwestycyjnego wa»na jest analiza zale»no±ci
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 szczegółowoTERAZ O SYGNAŁACH. Przebieg i widmo Zniekształcenia sygnałów okresowych Miary sygnałów Zasady cyfryzacji sygnałów analogowych
TERAZ O SYGNAŁACH Przebieg i widmo Zniekształcenia sygnałów okresowych Miary sygnałów Zasady cyfryzacji sygnałów analogowych Sygnał sinusoidalny Sygnał sinusoidalny (także cosinusoidalny) należy do podstawowych
Bardziej szczegółowoI Kolokwium z Ekonometrii. Nazwisko i imi...grupa...
ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko
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 szczegółowoInterpolacja Lagrange'a, bazy wielomianów
Rozdziaª 4 Interpolacja Lagrange'a, bazy wielomianów W tym rozdziale zajmiemy si interpolacj wielomianow. Zadanie interpolacji wielomianowej polega na znalezieniu wielomianu stopnia nie wi kszego od n,
Bardziej szczegółowoWyk 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 szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
Bardziej szczegółowov = v i e i v 1 ] T v = = v 1 v n v n ] a r +q = a a r 3q =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v v v v n 3q q q q r q = r 3q = E = E q E 3q E q = k q rq 3 k 3q r 3q 3 r q = k q rq 3 = kq 4 3 ) 4 q d b d c d d X d ± = d r = x y T d ± r ±
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 szczegółowov = v i e i v 1 ] T v =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v n U v v v +q 3q +q +q b c d XY X +q Y 3q r +q = r 3q = r +q = r +q = r 3q = r +q = E = E +q + E 3q + E +q = k q r+q 3 + k 3q r 3q 3 b V = kq
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 szczegółowoZadania z PM II A. Strojnowski str. 1. Zadania przygotowawcze z Podstaw Matematyki seria 2
Zadania z PM II 010-011 A. Strojnowski str. 1 Zadania przygotowawcze z Podstaw Matematyki seria Zadanie 1 Niech A = {1,, 3, 4} za± T A A b dzie relacj okre±lon wzorem: (a, b) T, gdy n N a n = b. a) Ile
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 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 szczegółowoElementy geometrii w przestrzeni R 3
Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi
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 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 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 szczegółowouzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem próbkowania t takim, że T = t N 1 t
4. 1 3. " P r ze c ie k " w idm ow y 1 0 2 4.13. "PRZECIEK" WIDMOWY Rozważmy szereg czasowy {x r } dla r = 0, 1,..., N 1 uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem
Bardziej szczegółowoEkstremalnie maªe zbiory
Maªe jest pi kne Instytut Matematyki Uniwersytetu Warszawskiego Nadarzyn, 27.08.2011 Zbiory silnie miary zero Przypomnienie Zbiór X [0, 1] jest miary Lebesgue'a zero, gdy dla ka»dego ε > 0 istnieje ci
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 szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
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 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 szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoi, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017
i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski Uniwersytet Šódzki, Wydziaª Matematyki i Informatyki UŠ piotr@fulmanski.pl http://fulmanski.pl/zajecia/prezentacje/festiwalnauki2017/festiwal_wmii_2017_
Bardziej szczegółowo