Algorytmy MCMC i ich zastosowania statystyczne
|
|
- Artur Jasiński
- 4 lat temu
- Przeglądów:
Transkrypt
1 Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010
2 Wykład 4 1 Oszacowania dokładności 2 CTG i oszacowania asymptotyczne Centralne Twierdzenie Graniczne Estymacja asymptotycznej wariancji 3 Ścisłe oszacowania MSE Oszacowania MSE metoda regeneracji Oszacowania MSE przez lukę spektralna 4 Ścisłe przedziały ufności Od MSE do oszacowań ufności Nierówności wykładnicze 5 Nieobecne w tym wykładzie ważne tematy Adaptacja Inne 6 Bibliografia
3 Typowe oszacowania Zbieżność rozkładów jednowymiarowych: P n (x, ) π( ) tv? Bład średniokwadratowy: MSE = E (ˆθ n θ) 2? Poziom ufności: P( ˆθ n θ > ε)?
4 CTG i asymptotyczne przedziały ufności Obliczana całka i jej estymator: θ = π(f ) = X f (x)π(dx), ˆθ n = 1 n n 1 i=0 f (X i). Jeśli n(ˆθn θ) d N(0, σ 2 as(f )) i ˆσ 2 n jest zgodnym estymatorem asymptotycznej wariancji to ( lim P ˆθ n θ > z ˆσ ) n = α n n (z = z 1 α/2 jest kwantylem rozkładu N(0, 1)).
5 Centralne Twierdzenie Graniczne Podejście martyngałowe przez równanie Poissona. Podejście regeneracyjne. TWIERDZENIE (Bednorz, Latała, Łatuszyński 2008) Załóżmy, że istnieje rozkład stacjonarny, łańcuch jest ergodyczny i P h βi J ν dla π(j) > 0. Jeśli π(f 2 ) < to n-ctg zachodzi wtedy i tylko wtedy, gdy T 1 E ν B 2 <, B = [f (X i ) θ], gdzie T jest pierwszym momentem odnowienia, θ = πf. Co więcej, σ 2 as(f ) = E ν B 2 /E ν T. i=0
6 Dowód CTG poprzez regenerację Część łatwa: dostateczność, dla h = 1. Pierwsza regeneracja po momencie n: R(n) = min{r : T r > n}. 0,..., T 1 1, T 1,......, T R(n) 1,..., n,..., T R(n) 1, T R(n),... ν( ) ν( ) n ν( ) Rozbicie sumy: n(ˆθn θ) = 1 n 1 [f (X i ) θ] = 1 (O 1 + Z O 2 ). n n i=0 O 1 O 2 {}}{{}}{ 0,..., T 1 1, T 1,......, T R(n) 1,..., n,..., T R(n) 1, T R(n),...
7 Dowód CTG poprzez regenerację Główny składnik Z jest suma i.i.d. bloków B k = T k 1 i=t k 1 [f (X i ) θ]. Twierdzenie Anscomba (CTG dla losowej liczby i.i.d. składników). Oszacowanie 2 ogonków O 1 i O 2. Część trudna: dla h > 0 bloki sa 1-zależne. Konieczność!...
8 Sekwencyjna estymacja stało-precyzyjna Glynn and Whitt (1992). Jeżeli N(ε) = min { n : z ˆσ } n + p(n) ε, n to symulacja długości N(ε) daje asymptotyczny przedział ufności długości 2ε dla θ = π(f ). Potrzebne założenia: Funkcjonalne CTG, Mocna zgodność ˆσ n 2 p.n. σ 2 as(f ), p(n) = o(1/ n).
9 Estymatory wariancji asymptotycznej typu batch means Oczywiście, lim n bvar 1 b c+b 1 i=c f (X i ) σ 2 as(f ) przy b. Niech n = ab. Rozbijamy trajektorię na a odcinków długości b ( batches ). Estymator BM: ˆσ 2 = b a 1 a 1 b j=1 jb 1 i=(j 1)b f (X i ) ˆθ n Do zgodności potrzeba a = a n, b = b n. 2.
10 Estymatory typu batch means Warunki podane przez Jonesa i in. (JASA 2006), ulepszone przez Bednorza i Łatuszyńskiego (JASA 2007): Jeśli łańcuch jest geometrycznie ergodyczny, powracajacy w sensie Harrisa i E π f 2+δ+ε <, a n, b n i b n /n 0, bn 1 n 2α (log n) 3 0, gdzie α = 1/(2 + δ), istnieje c 1 takie, że n (b n/n) c <, to dla estymatora BM, ˆσ 2 n p.n. σ 2 as(f ). Jeszcze inne metody: Overlapping batch means Estymatory regeneracyjne (wymagajace identyfikacji momentów odnowienia) Metody spektralne
11 Oszacowania MSE metoda regeneracji Łatuszyński, Niemiro (2010, J.Complex.): przy założeniach twierdzenia Baxendale a (2005), dla f 2 V, jawne nieasymptotyczne oszacowania MSE. W dowodzie istotnie wykorzysujemy wynik Baxendale a. Nowszy wynik: TWIERDZENIE (Łatuszyński, Miasojedow, Niemiro, 2010) Jeśli istnieje rozkład stacjonarny π i 1-mały zbiór J X z π(j) > 0 (warunek minoryzacji) to E ξ (ˆθ n θ) 2 σ ( as(f ) 1 + C ) 0 + C 1(f ) + C 2(f ) n n n n, gdzie f = f θ, B = T 1 i=0 f (X i ), σas(f 2 ) = E νb 2 E ν T, C 0 = E π T = E νt 2 2E ν T + 1 2, C 1 (f ) = E ξ B 2, C 2 (f ) = E ξp nb 2.
12 Komentarze Uwaga W naszym twierdzeniu: Funkcja f może być nieograniczona. Nieasymptotyczne oszacowanie jest asymptotycznie optymalne : E ξ (ˆθ n θ) 2 σ ( as(f ) 1 + C ) 0 + C 1(f ) + C 2(f ) n n n n, a wiadomo, że σas(f 2 ) jest asymptotyczna wariancja w CTG, E ξ (ˆθ n θ) 2 σ as(f ) n (n ).
13 Szkic dowodu rozbijamy sumę jak w dowodzie CTG: ˆθ n θ = 1 n (O 1 + Z O 2 ) Główny składnik, Z = T R(n) 1 i=t 1 f (Xi ) = R(n) k=2 zaznaczony na niebiesko: Z {}}{ 0,..., T 1 1, T 1,..., T R(n) 1,..., n,..., T R(n) 1, T R(n),... Z jest suma losowej liczby iid składników i R(n) jest czasem zatrzymania. Możemy użyć narzędzi analizy sekwencyjnej: Dwie tożsamości Abrahama Walda. Twierdzenie Lordena (1970, teoria odnowienia). B k Pozostaje oszacować dwa ogonki, O 1 i O 1.
14 Warunek dryfu Geometryczny dryf do 1-małego zbioru J. ZAŁOŻENIE Minoryzacja. Istnieje J, β > 0 i miara probabilistyczna ν takie, że P(x, ) βi J (x)ν( ). Dryf. Istnieje funkcja V : X [1, [, stałe λ < 1 i K < takie, że { PV 2 (x) := P(x, dy)v 2 λ 2 V 2 (x) dla x J, (y) K 2 dla x J. X Uwaga Notacja V 2, λ 2, K 2 dla uproszczenia dalszych wzorków.
15 Jawne oszacowania przy warunku dryfu Oszacowania stałych σ 2 as(f ), C 0, C 1 (f ), C 2 (f ). Przy założeniach Minoryzacja i Dryf, jeśli f jest taka, że f V = sup x f (x) /V (x) < wtedy ( ) 1 + λ σas(f 2 ) f 2 V 1 λ π(v 2 2(K λ β) ) + π(v ), β(1 λ) C 0 λ K λ(1 + β) π(v ) +, 1 λ β(1 λ) C 1 (f ) 2 1 (1 λ) 2 ξ(v 2 ) + 2(K λ β) β(1 λ) 2 ξ(v ) + β(3 + λ)(k 2 λ 2 β) + 2(1 + λ)(k λ β) 2 β 2 (1 λ) 2, (1 + λ) C 2 (f ) 2 analogiczne wyrażenie z ξ zastapionym przez ξp n.
16 Jawne oszacowania przy warunku dryfu Dalsze oszacowania wielkości π(v ), π(v 2 ), ξp n (V ), ξp n (V 2 ), f V. Przy założeniach Minoryzacja i Dryf, π(v ) π(j) K λ 1 λ K λ 1 λ, π(v 2 ) π(j) K 2 λ 2 1 λ 2 K 2 λ 2 1 λ 2, jeśli ξ(v ) K 1 λ to ξpn (V ) K 1 λ, jeśli ξ(v 2 ) K 2 1 λ 2 to ξpn (V 2 ) K 2 1 λ 2, π(j)(k λ) f V f V + (1 λ) inf x X V (x) f V + K λ 1 λ.
17 Teoria spektralna Aldous (1987), Gillman (1998), Niemiro i Pokarowski (2009) oszacowania MSE dla łańcuchów na skończonej przestrzeni stanów. Rudolf (J.Complex. 2009, 2010) - ogólna przestrzeń. Rozpatrujemy łańcuch odwracalny z rozkładem stacjonarnym π. Przestrzeń Hilberta: L 2 = L 2 (π) = {f : f 2 2 = E πf 2 < }. Niech γ = P π L 2 L 2 = sup f 2 1,πf =0 Pf 2. Łańcuch odwracalny operator P jest samosprzężony. Widmo σ(p) [ 1, 1]. Zauważmy, że γ = sup{ λ : λ σ(p)}, podczas gdy γ 1 = sup{λ : λ σ(p)} γ.
18 Oszacowania MSE przez lukę spektralna Istnienie luki spektralnej: γ < 1 jest równoważne geometrycznej ergodyczności. t+n 1 Rudolf (2010): ˆθ t,n = 1 n i=t f (X i ) - estymator z burn-in. Niech f p p = E π f p < dla p 4. ( E ξ (ˆθ t,n θ) 2 f 2 2 p n(1 γ) + 46γ t ) dξ n 2 (1 γ) 2 dπ 1. 2 Uwaga: σas(f 2 ) f γ 1 2 f γ 1 1 γ.
19 Oszacowania luki spektralnej Konduktancja Φ = Nierówność Cheegera: inf P(x, A c )π(dx)/π(a). 0<π(A) 1/2 A γ 1 1 Φ2 2. Jeśli Operator P jest nieujemny, to γ = γ 1.
20 Jawne oszacowania w paru przykładach Łańcuch Hit-and-run na wypukłym ciele D R d. Jeśli B(0, 1) D B(0, r) to Wniosek: jeśli tylko t 2 50 d 3 r 2 log r. 1 γ d 2 r 2. MSE 2 26 dr n d 2 r 2 n, Łańcuch Metropolisa z propozyjami losowanym z rozkładu jednostajnego na kuli...
21 Przedziały ufności dla Mediany Średnich Cel: precyzja ε na poziomie ufności 1 α. P( ˆθ θ ε) 1 α Mediana Średnich (MŚ) (Jerrum, Valiant and Vazirani, 1986, Niemiro i Pokarowski, JAP 2009): Generujemy m niezależnych kopii łańcucha Markowa i obliczamy średnie: X (1) 0, X (1) 1,..., X (1) n 1 n 1 (1) ˆθ n = f (X (1) i ), i=0 X (m) 0, X (m) 1,..., X (m) n 1 Estymator MŚ: ˆθ (ˆθ(1) m,n = med n,..., n 1 (m) ˆθ n = f (X (m) i ). ) (m) ˆθ n. i=0
22 Nierówności wykładnicze Gillman (1998), Dinnwoodie, Lezaud (1998), Leon i Perron (2004) nierówności wykładnicze dla łańcuchów na przestrzeni skończonej. Glynn i Ormonait (2002) nierówność Hoeffdinga dla jednostajnie ergodycznych łańcuchów. Miasojedow (2010) uogólnienie wyniku Leona i Perrona na przypadek ogólnej przestrzeni i łańcucha nieodwracalnego. Miasojedow (2010) nierówności pod-wykładnicze dla funkcji nieograniczonej. Adamczak i Bednorz (2010).
23 Adaptacja Jadro rzadz ace przejściem X n X n+1 uzależniamy od tego, co wiemy o π na podstawie dotychczasowych symulacji X 0,..., X n 1. Utrata własności Markowa! Atchade, Andrieu, Moulines, Fort, Haario, Saksman, Vihola, Casella, Łatuszyński, Roberts, Rosenthal, Sahu...
24 Jeszcze inne ważne tematy Simulated tempering i inne metody przyspieszania algorytmów. Reversible jump, algorytmy zmieniajace wymiar, obliczanie stałych normujacych zastosowania do wyboru modelu. Losowanie dokładne (perfect sampling). Dokładne symulowanie zdarzeń zwiazanych z dyfuzjami.
25 Bibliografia (bardzo wybiórcza) Prace przegladowe: C.J. Geyer (1992): Practical Markov Chain Monte Carlo. Stat. Sci. 7 (4), C.J. Geyer (1995, 2005): Markov chain Monte Carlo Lecture Notes. Dostępne na E. Nummelin (2002): MC s for MCMC ists. International Statistical Review, 70, G.O. Roberts and J.S. Rosenthal (2004): General state space Markov chains and MCMC algorithms. Probability Surveys 1,
26 Regeneracja, coupling, zbieżność rozkładów: K.B. Athreya and P. Ney (1978): A new approach to the limit theory of recurrent Markov chains, Trans. Amer. Math. Soc. 245, E. Nummelin (1978): A splitting technique for Harris recurrent Markov chains. Z. Wahr. Verw. Geb. 43, J.S. Rosenthal: Quantitative convergence rates of Markov chains: a simple account. Elect. Comm. in Probab. 7, , G.O. Roberts and J.S. Rosenthal (1997): Geometric ergodicity and hybrid Markov chains. Elec. Comm. Prob. 2 (2). P.H. Baxendale (2005): Renewal Theory and Computable Convergence Rates for Geometrically Ergodic Markov Chains. Ann. Appl. Prob. 15,
27 CTG i oszcacowania asymptotyczne: G. Jones (2004): On the Markov chain Central Limit Theorem, Probability Surveys 1, W. Bednorz, R. Latała and K. Łatuszyński (2008): A Regeneration Proof of the Central Limit Theorem for Uniformly Ergodic Markov Chains. Elect. Comm. in Probab. 13, W. Bednorz, K. Łatuszyński (2007): A few Remarks on Fixed-Width Output Analysis for Markov Chain Monte Carlo"by Jones et al. Journal of the American Statatistical Association 102 (480),
28 Nieasymptotyczne oszacowania błędu (MSE): W. Niemiro and P. Pokarowski (2009): Fixed precision MCMC Estimation by Median of Products of Averages. J. Appl. Probab. 46 (2), K. Łatuszyński and W. Niemiro (2010): Rigorous confidence bounds for MCMC under a geometric drift condition. Ukaże się w Journal of Complexity. K. Łatuszyński, B. Miasojedow and W. Niemiro (2009): Nonasymptotic bounds on the estimation error for regenerative MCMC algorithms. Dostępne na arxiv: v1. D. Rudolf (2008): Explicit error bounds for lazy reversible Markov chain Monte Carlo. J. of Complexity 25,
29 Oszacownia dla konkretnych modeli: Y.F. Atchade, F. Perron (2007): On the geometric ergodicity of Metropolis-Hastings algorithms. Statistics 41, J.P. Hobert and C.J. Geyer (1998): Geometric ergodicity of Gibbs and block Gibbs samplers for hierarchical random effects Model. J. Multivariate Anal. 67, A.A. Johnson and G.L. Jones (2010): Gibbs sampling for a Bayesian hierarchical general linear model. Electronic J. Statist. 4,
Oszacowania błędów estymatorów stosowanych w markowowskich metodach Monte Carlo
Oszacowania błędów estymatorów stosowanych w markowowskich metodach Monte Carlo Błażej Miasojedow autoreferat pracy doktorskiej W wielu modelach statystyki bayesowskiej kluczowym problemem jest obliczanie
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 3 1 Łańcuchy Markowa Oznaczenia
Bardziej szczegółowoGeometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoOszacowania błędów estymatorów stosowanych w markowowskich metodach Monte Carlo
Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Błażej Miasojedow Oszacowania błędów estymatorów stosowanych w markowowskich metodach Monte Carlo rozprawa doktorska Promotor rozprawy
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 2 1 Podstawowe idee symulacji
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2
Bardziej szczegółowoAlgorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Bardziej szczegółowoEstymatory kwantylowe i estymacja kwantyli
Tomasz Rychlik Instytut Matematyczny PAN Chopina 12, 87 100 Toruń e-mail: trychlik@impan.gov.pl XXXVIII Konferencja Statystyka Matematyczna Sesja poświȩcona pamiȩci prof. Ryszarda Zielińskiego Wisła, 3
Bardziej szczegółowoModel Pasywnego Trasera w Lokalnie Ergodycznym Środowisku
w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWykład 9: Markov Chain Monte Carlo
RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoDyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej
Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem
Bardziej szczegółowoOśrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoWielowymiarowy próbnik Gibbsa
29.05.2006 Seminarium szkoleniowe 30 maja 2006 Plan prezentacji Slgorytm MH i PG przypomnienie wiadomości Wielowymiarowy PG Algorytm PG z dopełnieniem Odwracalny PG Modele hierarchiczne Modele hybrydowe
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIE STWA
Jerzy Ombach RACHUNEK PRAWDOPODOBIE STWA WSPOMAGANY KOMPUTEROWO DLA STUDENTÓW MATEMATYKI STOSOWANEJ Wydawnictwo Uniwersytetu Jagielloƒskiego Seria Matematyka Książka finansowana przez Wydział Matematyki
Bardziej szczegółowoOdporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne
Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne Jarosław Bartoszewicz Uniwersytet Wrocławski Zieliński (1977) wprowadził następującą definicję odporności statystycznej. M 0 =
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoEstymacja gęstości prawdopodobieństwa metodą selekcji modelu
Estymacja gęstości prawdopodobieństwa metodą selekcji modelu M. Wojtyś Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Wisła, 7 grudnia 2009 Wstęp Próba losowa z rozkładu prawdopodobieństwa
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Bardziej szczegółowoProcesy stochastyczne
Wykład IV: dla łańcuchów Markowa 14 marca 2017 Wykład IV: Klasyfikacja stanów Kiedy rozkład stacjonarny jest jedyny? Przykład Macierz jednostkowa I wymiaru #E jest macierzą stochastyczną. Dla tej macierzy
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoMetoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
Bardziej szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE
1 STATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE 1.1 Podejścia w statystyce małych obszarów Randomizacyjne Wektor wartości badanej cechy traktowany jest jako nielosowy. Szacowana charakterystyka jest nielosowa
Bardziej szczegółowoJak trudne jest numeryczne całkowanie (O złożoności zadań ciągłych)
Jak trudne jest numeryczne całkowanie (O złożoności zadań ciągłych) Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki leszekp@mimuw.edu.pl Horyzonty 2014 17-03-2014 Będlewo Zadania numeryczne
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoWłasności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoA i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
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 szczegółowoImputacja brakujacych danych binarnych w modelu autologistycznym 1
Imputacja brakujacych danych binarnych w modelu autologistycznym 1 Marta Zalewska Warszawski Uniwesytet Medyczny Statystyka Matematyczna Wisła, grudzień 2009 1 Współautorzy: Wojciech Niemiro, UMK Toruń
Bardziej szczegółowo1.1 Statystyka matematyczna Literatura Model statystyczny Preliminaria... 3
Spis treści Spis treści 1 Wstęp 1 1.1 Statystyka matematyczna...................... 1 1.2 Literatura.............................. 1 1.3 Model statystyczny......................... 2 1.4 Preliminaria.............................
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoRachunek prawdopodobieństwa 1B; zadania egzaminacyjne.
Rachunek prawdopodobieństwa B; zadania egzaminacyjne.. Niech µ będzie rozkładem probabilistycznym na (0, ) (0, ): µ(b) = l({x (0,) : (x, x) B}), dla B B((0, ) (0, ))), gdzie l jest miarą Lebesgue a na
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoJądrowe klasyfikatory liniowe
Jądrowe klasyfikatory liniowe Waldemar Wołyński Wydział Matematyki i Informatyki UAM Poznań Wisła, 9 grudnia 2009 Waldemar Wołyński () Jądrowe klasyfikatory liniowe Wisła, 9 grudnia 2009 1 / 19 Zagadnienie
Bardziej szczegółowoDetekcja rozkładów o ciężkich ogonach
Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja
Bardziej szczegółowoWykłady... b i a i. i=1. m(d k ) inf
Wykłady... CŁKOWNIE FUNKCJI WIELU ZMIENNYCH Zaczniemy od konstrukcji całki na przedziale domkniętym. Konstrukcja ta jest, w gruncie rzeczy, powtórzeniem definicji całki na odcinku domkniętym w R 1. Przedziałem
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowo3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II - Mówimy, że i) ciąg miar probabilistycznych µ n zbiega słabo do miary probabilistycznej µ (ozn. µ n µ), jeśli fdµ n fdµ dla dowolnej funkcji ciągłej ograniczonej
Bardziej szczegółowoNiepewność wartości parametrów przy wycenie nieproporcjonalnych kontraktów reasekuracyjnych.
Niepewność wartości parametrów przy wycenie nieproporcjonalnych kontraktów reasekuracyjnych. Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne Teoria i Praktyka, Warszawa 9-11 czerwca 2008 Jakub
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoAfiniczne rekursje stochastyczne z macierzami trójkatnymi
Afiniczne rekursje stochastyczne z macierzami trójkatnymi Ewa Damek (Uniwersytet Wrocławski ) (wyniki wspólne z Witoldem Światkowskim, Jackiem Zienkiewiczem - Uniwersytet Wrocławski, Muneya Matsui - Nanzan
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoTeoria ze Wstępu do analizy stochastycznej
eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoMetody numeryczne. Sformułowanie zagadnienia interpolacji
Ćwiczenia nr 4. Sformułowanie zagadnienia interpolacji Niech będą dane punkty x 0,..., x n i wartości y 0,..., y n, takie że i=0,...,n y i = f (x i )). Szukamy funkcji F (funkcji interpolującej), takiej
Bardziej szczegółowoEstymatory regresji rangowej oparte na metodzie LASSO
Estymatory regresji rangowej oparte na metodzie LASSO Wojciech Rejchel UMK Toruń Wisła 2013 Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie P X, X X R m, Y, Y R Z = (X, Y ),
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoMetoda reprezentacyjna
Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody
Bardziej szczegółowo