Prawdopodobieństwo straty dla wybranych rozkładów modelujących empiryczny rozkład stóp zwrotu spółek wchodzących w skład indeksu WIG20
|
|
- Fabian Brzozowski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Zeszyty Naukowe Uniwersytetu Szczecińskiego nr 862 Finanse, Rynki Finansowe, Ubezpieczenia nr 75 (205) DOI: /frfu s Prawdopodobieństwo straty dla wybranych rozkładów modelujących empiryczny rozkład stóp zwrotu spółek wchodzących w skład indeksu WIG20 Jan Purczyński * Kamila Bednarz-Okrzyńska ** Streszczenie: Cel W literaturze rozpatruje się prawdopodobieństwo straty dla rozkładu modelującego empiryczny rozkład stóp zwrotu będącego rozkładem normalnym. Celem pracy było wyznaczenie prawdopodobieństwa straty dla rozkładów Laplace a i GED modelujących empiryczny rozkład stóp zwrotu. Metodologia badania W pracy zastosowano metody matematyczne oraz metody statystyczne. W wyniku zastosowania metod matematycznych wyznaczono przybliżoną wartość całki opisującej prawdopodobieństwo straty. Badania statystyczne polegały na wyznaczeniu prawdopodobieństwa straty dla wybranych rozkładów modelujących empiryczny rozkład stóp zwrotu spółek wchodzących w skład indeksu WIG20. Wynik Jako wynik uzyskano przybliżone wzory umożliwiające wyznaczenie prawdopodobieństwa straty dla wymienionych rozkładów (normalny, Laplace a i GED) bez konieczności stosowania tablic statystycznych. Stwierdzono silną zależność wartości prawdopodobieństwa straty od interwału czasowego pomiaru stóp zwrotu. Oryginalność/Wartość Zaproponowano szacowanie wartości prawdopodobieństwa straty na podstawie rozkładów Laplace a i GED, które umożliwiają lepsze dopasowanie modelu teoretycznego do danych empirycznych. Słowa kluczowe: prawdopodobieństwo straty, wzory przybliżone Wprowadzenie Jedną z miar zagrożenia jest prawdopodobieństwo straty, które określa szanse uzyskania ujemnej wartości stopy zwrotu: () gdzie: X zmienna losowa opisująca stopę zwrotu akcji; f(x) gęstość rozkładu modelującego empiryczny rozkład stóp zwrotu. * prof. dr hab. Jan Purczyński, Uniwersytet Szczeciński, jan.purczynski@wzieu.pl ** mgr Kamila Bednarz-Okrzyńska, Uniwersytet Szczeciński, kamila.bednarz@wzieu.pl
2 438 Jan Purczyński, Kamila Bednarz-Okrzyńska W literaturze (Tarczyński, Mojsiewicz 200: 82 84; Mentel 202: 36) wzór () stosuje się dla przypadku, gdy rozkładem modelującym empiryczny rozkład stóp zwrotu jest rozkład Gaussa: W pracy wyznaczono prawdopodobieństwo straty dla rozkładu modelującego będącego rozkładem Laplace a: (2) (3) oraz rozkładem GED (Generalized Error Distribution): gdzie: G (z) funkcja gamma Eulera; µ parametr położenia; s parametr kształtu; λ parametr skali. Parametr skali λ spełnia zależność: λ s f ( x) = exp( λ s x µ s ) 2 Γ s (4) gdzie: σ odchylenie standardowe rozkładu. 2 3 Γ s λ = (5) σ Γ s Obliczenia wykonano dla wybranych spółek wchodzących w skład indeksu WIG20. Każdorazowo wykonano test chi-kwadrat w celu wyboru rozkładu teoretycznego zapewniającego największą zgodność z rozkładem empirycznym. Wyprowadzono przybliżone wzory umożliwiające wyznaczenie prawdopodobieństwa straty dla wymienionych rozkładów (normalny, Laplace a i GED) bez konieczności stosowania tablic statystycznych.
3 Prawdopodobieństwo straty dla wybranych rozkładów modelujących Estymacja parametrów wybranych rozkładów.. Estymacja parametrów rozkładu Gaussa i rozkładu Laplace a Najbardziej popularne są dwie metody estymacji parametrów rozkładu: metoda momentów i metoda największej wiarygodności (Sobczyk 2004: 43). W przypadku rozkładu normalnego, którego gęstość opisuje wzór (2), obydwie metody prowadzą do tych samych zależności: ˆµ = xˆ = (6) N N x i i= N ˆ σ = S = ( xi x) N (7) i= W wyniku zastosowania Metody Największej Wiarygodności (MNW) do wzoru (3) (Kotz i in. 200: 69) otrzymuje się, oznaczając jako Metodę : ˆ µ = mediana( x ) ; i ˆ N λ = N (8) xi ˆ µ i= Uwzględniając uwagi zawarte w podrozdziale.2, zaproponowano jeszcze jedną metodę szacowania parametru λ ( Metoda 2 ): µˆ = x ; 2 ˆλ zgodnie ze wzorem (8) (9) Metoda momentów prowadzi do oszacowań parametrów rozkładu Laplace a, wyrażających się poniższym wzorem (Metoda 3): gdzie: 2 S opisuje wzór (7). µˆ = x ; ˆ 2 λ 3 = (0) S 2.2. Estymacja parametrów rozkładu GED W celu uproszczenia rozważań, przyjmuje się, że na podstawie próby zostało wyznaczone oszacowanie parametru µ, a następnie, ciąg wartości x i został scentrowany poprzez odjęcie µ. W związku z tym, w miejsce wzoru (4), rozważa się gęstość o postaci: λ s f ( x) = exp( λ x s ) () 2 Γ s Jako oszacowanie parametru położenia µ występującego we wzorze (4) można przyjąć wartość przeciętną µˆ = x, względnie medianę ˆ µ = mediana( x ). i
4 440 Jan Purczyński, Kamila Bednarz-Okrzyńska W pracy (Sherman 997: 5 53) rozpatrzono efektywność estymatorów x oraz med ( x) w zależności od wartości parametru kształtu s dla rozkładu GED. Wykazano, że dla s = (rozkład Laplace a) zachodzi zależność: V x = 2 (2) Vmed gdzie: V x wariancja estymatora x ; V med wariancja estymatora med ( x). Natomiast dla s = 2 (rozkład Gaussa) zachodzi wzór: (3) gdzie: oznaczenia jak we wzorze (2). Oznacza to, że dla rozkładu Laplace a jako oszacowanie parametru położenia należy uwzględniać medianę (dwukrotnie mniejsza wariancja niż dla estymatora x ). W przypadku rozkładu normalnego oszacowaniem parametru położenia powinno być µˆ = x (wariancja estymatora x jest,57 razy mniejsza niż wariancja estymatora med ( x) ). Zatem efektywność obydwu estymatorów jest funkcją parametru kształtu s. Wartością graniczną jest s =,407, dla której wariancje obydwu estymatorów są sobie równe. Stąd wniosek, że dla s <,407 należy przyjąć µˆ = med( x), a dla s >,407 przyjmuje się µˆ = x. Niestety, postępowanie takie, jakkolwiek poprawne, jest niewykonalne. Mianowicie, centrowanie ciągu obserwacji powinno być wykonane w pierwszym kroku obliczeń, kiedy jeszcze nie znamy wartości oszacowania parametru kształtu ŝ. W związku z powyższym przyjęto inny sposób postępowania. Centrowanie wykonuje się zarówno dla wartości przeciętnej, jak i dla mediany. Metody estymacji rozkładu GED opisanego wzorem () zostały szczegółowo omówione w pracy (Purczyński, Bednarz w druku). W niniejszej pracy zastosowano następujące metody estymacji parametrów rozkładu GED: metoda MNW, aproksymacja metodą momentów (Krupiński, Purczyński 2006: 205 2) oraz przybliżona metoda momentów (Purczyński, Bednarz 204). Mając na uwadze dwa sposoby centrowania ciągu próbek, uzyskuje się sześć metod estymacji rozkładu GED. Podobny motyw wystąpił w podrozdziale., w którym estymację parametru położenia µ (rozkład Laplace a) wykonano na dwa sposoby: jako medianę (wzór (8), Metoda oraz wartość średnią (wzór (9), Metoda 2 oraz wzór (0), Metoda 3.
5 Prawdopodobieństwo straty dla wybranych rozkładów modelujących Przybliżone wzory określające prawdopodobieństwo straty Oszacowanie parametru położenia oznaczono jako E, µ = E. Całkę () wyznacza się następująco: (4) Dla rozkładu Gaussa, ze wzorów (2) i (4), uzyskuje się: Funkcję podcałkową rozwija się w szereg potęgowy: N e t = i= 0 t i i! (5) ( ) i (6) a następnie, zgodnie ze wzorem (5) wykonuje się całkowanie, uzyskując: Postać wzoru (7) sugeruje zastosowanie współczynnika zysku względnego W (Tarczyński, Mojsiewicz 200: 73): Ze wzorów (7) i (8), wynika: (7) E W = (8) σ Wzór (9) stanowi przybliżoną postać prawdopodobieństwa straty wyznaczonej dla rozkładu normalnego. Wewnątrz nawiasu (wzór (9)) występuje szereg naprzemienny. Zgodnie z kryterium Leibniza błąd spowodowany nieuwzględnieniem wyższych potęg jest W 8 mniejszy od wartości ostatniego wyrazu, tzn. B. Na przykład, dla W = uzyskuje się 3456 B 0, Ze wzorów () i (3) uzyskuje się prawdopodobieństwo straty dla rozkładu Laplace a: (9) (20) Parametr λ występujący we wzorze (3) wiąże się z odchyleniem standardowym σ zgodnie ze wzorem: 2 λ = (2) σ
6 442 Jan Purczyński, Kamila Bednarz-Okrzyńska Ze wzorów (8),(20) i (2), uzyskuje się: (22) Wzór (22) określa prawdopodobieństwo straty dla rozkładu Laplace a, którego parametry wyznaczono Metodą 3 (wzór (0)). Podstawiając do wzoru (4) gęstość określoną zależnością (4) oraz stosując rozwinięcie w szereg potęgowy (wzór (6)), uzyskuje się: (23) Uwzględniając zależność (5), otrzymuje się: E λ = W g(s) (24) 3 Γ s gdzie: g( s) = Γ s Ze wzorów (23) i (24) wynika: (25) W celu uproszczenia obliczeń, w miejsce funkcji g(s) (wzór (24)) wprowadza się funkcję przy czym popełnia się błąd b 0, 006 dla. Występującą we wzorze (25) funkcję zastępuje się przybliżeniem (26) s g( s) G( s) = (27) 2 Γ s (28) z błędem B 0, 004 dla.
7 Prawdopodobieństwo straty dla wybranych rozkładów modelujących Ostatecznie prawdopodobieństwo straty dla rozkładu GED wyraża się wzorem: (29) gdzie: ga(s) określa wzór (26) Ga(s) wyraża się wzorem (27). 3. Wyniki obliczeń prawdopodobieństwa straty Obliczenia wykonano dla stopy zwrotu wyznaczonej na podstawie danych: dziennych, tygodniowych i miesięcznych dla spółek wchodzących w skład indeksu WIG20. Rozpatrzono dane dla następujących lat: 200, 20 i 202. Największą wartość współczynnika zysku względnego W odnotowano dla danych miesięcznych w roku 200 dla spółki SYNTHOS: E 0, W = = =,046 σ 0,0837 Natomiast, najmniejsza wartość wystąpiła dla spółki GTC (dane miesięczne, 20): E 0,07436 W = = = 0,969. σ 0,07654 W związku z powyższym przyjęto, że współczynnik zysku względnego należy do przedziału W (, ). Na rysunku przedstawiono wartości prawdopodobieństwa straty w funkcji współczynnika zysku względnego. Linia ciągła PN(W) odpowiada rozkładowi normalnemu (wzór (9)), linia przerywana PL(W) została wyznaczona dla rozkładu Laplace a (wzór (22)). Linia kropkowana określa prawdopodobieństwo straty wyznaczone dla rozkładu GED (wzór (25)) ze współczynnikiem kształtu wynoszącym s =,5. Należy zauważyć, że wynik dla rozkładu GED ze współczynnikiem kształtu s = pokrywa się z wynikiem uzyskanym dla rozkładu Laplace a (linia PL(W)). Analogicznie wynik dla rozkładu GED ze współczynnikiem kształtu s = 2 pokrywa się z linią PN(W). Prawdopodobieństwo straty wyznaczone dla rozkładu Laplace a wykazuje silniejszą reakcję na zmiany wartości współczynnika zysku względnego aniżeli prawdopodobieństwo straty wynikające z rozkładu Gaussa.
8 444 Jan Purczyński, Kamila Bednarz-Okrzyńska PN( W i ) PL( W i ) PG( W i ) PN( W i ) = PL( W i ) = W i Rysunek. Wartości prawdopodobieństwa straty w funkcji współczynnika zysku względnego Linia ciągła PN(W) odpowiada rozkładowi normalnemu, linia przerywana PL(W) rozkładowi Laplace a oraz linia kropkowana PG(W) wyznaczona dla rozkładu GED. Źródło: opracowanie własne. Na rysunku 2 zamieszczono wartości prawdopodobieństwa straty w funkcji współczynnika zysku względnego dla rozkładu GED. Linia przerywana PGED(W,0.7) odpowiada współczynnikowi kształtu s = 0,7. Linia kropkowana PGED(W,.5) odnosi się do współczynnika s =,5, linia ciągła PGED(W,2.5) wykonana dla s = 2,5 oraz linia kropkowanoprzerywana PGED(W,4.5) odpowiadająca s = 4,5. Największą wrażliwość prawdopodobieństwa straty na zmianę współczynnika zysku względnego występuje dla współczynnika kształtu s = 0,7. Natomiast, najmniejszą wrażliwością wykazuje się krzywa PGED(W,4,5) uzyskana dla współczynnika kształtu s = 4,5. Obserwując wartości współczynnika kształtu uzyskane w procesie estymacji parametrów rozkładu GED, stwierdzono, że najmniejsze wartości uzyskuje się dla danych dziennych, a największe dla danych miesięcznych. W przypadku danych dziennych wartości współczynnika kształtu oscylowały wokół liczby jeden, co stanowi pośredni dowód, że rozkład empirycznych stóp zwrotu jest zgodny z rozkładem Laplace a. Najmniejszą wartość s ˆ = 0,66 odnotowano dla spółki BZ WBK dane dzienne dotyczące 202 roku. Największa wyestymowana wartość s ˆ = 4, 388 wystąpiła dla spółki HANDLOWY dane miesięczne dla 202 roku.
9 Prawdopodobieństwo straty dla wybranych rozkładów modelujących PGED( W i, 0.7) PGED( W i,.5) PGED( W i, 2.5) PGED( W i, 4.5) W i Rysunek 2. Wartości prawdopodobieństwa straty w funkcji współczynnika zysku względnego dla rozkładu GED dla różnych wartości współczynnika kształtu (s = 0,7;,5; 2,5; 4,5) Źródło: opracowanie własne. W tabeli zamieszczono wartości prawdopodobieństwa straty wyznaczone dla spółek: ASSECOPOL, GTC, PKO BP oraz indeksu WIG20 oraz WIG. Ze względu na ograniczoną objętość artykułu zrezygnowano z prezentacji wyników uzyskanych dla rozkładu GED odpowiednia tabela musiałaby zawierać sześć kolumn z wynikami obliczeń (sześć metod estymacji rozkładu GED). W kolumnie 4 zamieszczono wyniki obliczeń dla rozkładu normalnego. Kolumny 5, 6, 7 odnoszą się do rozkładu Laplace a, przy czym kolumna 5 (oznaczona jako PL) została wyznaczona dla rozkładu o parametrach obliczonych Metodą. Odpowiednio kolumna 6 (PL2) obliczona dla parametrów wyznaczonych Metodą 2 oraz kolumna 7 (PL3) wyznaczona dla parametrów rozkładu Laplace a określonych Metodą 3. W kolumnach 4 7, oprócz prawdopodobieństwa straty, podano (w nawiasach) wartości unormowanej statystyki h testu chi-kwadrat: H h = (30) Hkr gdzie: H wartość statystyki uzyskanej w teście Hkr wartość krytyczna statystyki testu 2 χ 2 χ Wartość statystyki h > oznacza negatywny wynik testu, tzn. należy odrzucić hipotezę, że rozkład Gaussa (Laplace a) jest zgodny z rozkładem empirycznym stóp zwrotu. W przypadku h < nie ma podstaw do odrzucenia hipotezy o zgodności rozkładów (pozytywny wynik testu chi-kwadrat).
10 446 Jan Purczyński, Kamila Bednarz-Okrzyńska Na 45 przypadków rozpatrzonych w tabeli liczba negatywnych wyników testu chi- -kwadrat wyniosła: dla rozkładu Gaussa 0, dla rozkładu Laplace a (Metoda ) 3, dla rozkładu Laplace a (Metoda 2) 5, dla rozkładu Laplace a (Metoda 3) 6. Dla wszystkich przypadków negatywnego wyniku testu dla rozkładu normalnego dysponujemy wynikami rozkładu Laplace a, dla którego wartość unormowanej statystyki h <. Prawdopodobieństwo zawarte w kolumnie 5 zostało wyznaczone na podstawie mediany; pozostałe kolumny (4, 6, 7) odnoszą się do wartości przeciętnej ( x ). Wartość prawdopodobieństwa straty wynosząca 0,5 oznacza, że mediana (wartość przeciętna) wyniosła zero. W przypadku gdy wszystkie rozkłady charakteryzują się h <, powstaje problem niejednoznaczności rozwiązania. Przykładowo, w drugim wierszu tabeli występują następujące wielkości: 0,534 (0,340), 0,58 (0,079), 0,554 (0,455), 0,557 (0,253). Oznacza to, że prawdopodobieństwo straty należy do przedziału [0,534, 0,58]. Na podstawie wyników tabeli można zaobserwować następującą prawidłowość. Jeżeli dla danych dziennych uzyskuje się wartość prawdopodobieństwa straty większą od 0,5, to dla danych tygodniowych (miesięcznych) wartości te rosną, np. pierwsze trzy liczby zamieszczone w kolumnie 7 wynoszą: 0,52 (D), 0,557 (T), 0,669 (M). Jeżeli prawdopodobieństwo straty wyznaczone dla danych dziennych jest mniejsze od 0,5, to wartości dla danych tygodniowych (miesięcznych) wykazują tendencję malejącą, np. w kolumnie 4 dla spółki PKO BP dla 200 roku występują liczby: 0,485 (D), 0,465 (T), 0,425 (M), a dla 202 roku jest: 0,482 (D), 0,457 (T), 0,402 (M). Przyczyną tego jest rosnąca (co do wartości bezwzględnej) wartość współczynnika zysku względnego. Tabela Prawdopodobieństwo straty: rozkład normalny i rozkład Laplace a Spółka Rok Stopa Rozkład normalny PN (h) Rozkład Laplace a PL (h) Rozkład Laplace a PL2 (h) Rozkład Laplace a PL3 (h) D 0,52 (,025) 0,500 (,263) 0,52 (0,632) 0,52 (0,567) 200 T 0,534 (0,340) 0,58 (0,079) 0,554 (0,455) 0,557 (0,253) M 0,64 (0,52) 0,459 (,280) 0,64 (,024) 0,669 (,52) D 0,503 (,640) 0,500 (0,797) 0,504 (0,557) 0,505 (0,472) 20 T 0,503(0,802) 0,525 (0,66) 0,505 (0,53) 0,505 (0,53) M 0,522 (0,256) 0,689 (0,256) 0,54 (0,640) 0,537 (0,384) D 0,503 (,362) 0,500 (0,868) 0,505 (0,408) 0,505 (0,350) 202 T 0,509 (0,662) 0,496 (0,632) 0,54 (0,573) 0,56 (0,603) M 0,58 (0,384) 0,603 (0,384) 0,527 (0,28) 0,53 (0,52) ASSECOPOL
11 Prawdopodobieństwo straty dla wybranych rozkładów modelujących D 0,500 (,044) 0,500 (0,940) 0,500 (0,940) 0,500 (,053) 200 T 0,498 (0,53) 0,504 (0,658) 0,497 (0,600) 0,497 (0,802) M 0,505 (0,256) 0,487 (0,52) 0,508 (0,768) 0,508 (,024) D 0,550 (,253) 0,597 (0,922) 0,579 (0,42) 0,58 (0,426) 20 T 0,62 (0,484) 0,620 (0,889) 0,67 (,033) 0,677 (,35) M 0,834 (0,640) 0,759 (0,896) 0,848 (,024) 0,873 (,024) 202 D 0,49 (,488) 0,500 (,086) 0,484 (0,523) 0,484 (0,649) T 0,482 (0,54) 0,483 (0,308) 0,47 (0,308) 0,469 (0,308) 202 M 0,456 (0,384) 0,307 (0,52) 0,439 (0,640) 0,428 (0,52) GTC GTC PKO BP WIG20 WIG D 0,485 (0,940) 0,500 (0,782) 0,476 (,5) 0,474 (0,986) T 0,465 (0,629) 0,460 (0,600) 0,447 (0,773) 0,442 (0,98) M 0,425 (0,28) 0,39 (0,28) 0,398 (0,28) 0,383 (0,256) D 0,59 (,287) 0,500 (0,500) 0,532 (0,437) 0,532 (0,375) T 0,549 (0,83) 0,522 (0,889) 0,57 (,265) 0,579 (,467) M 0,643 (0,256) 0,77 (0,52) 0,677 (0,256) 0,702 (0,256) D 0,482 (0,276) 0,488 (0,868) 0,473 (0,99) 0,470 (0,862) T 0,457 (0,72) 0,533 (0,839) 0,434 (0,396) 0,429 (0,485) M 0,402 (0,52) 0,486 (0,64) 0,375 (0,52) 0,352 (0,896) D 0,480 (0,748) 0,469 (0,765) 0,468 (0,742) 0,466 (0,776) T 0,450 (,033) 0,37 (0,53) 0,424 (0,53) 0,49 (0,455) M 0,404 (0,256) 0,442 (0,256) 0,376 (0,256) 0,355 (0,52) D 0,522 (,777) 0,504 (0,87) 0,538 (0,392) 0,538 (0,392) T 0,557 (0,629) 0,562 (0,658) 0,590 (0,629) 0,59 (0,629) M 0,638 (0,28) 0,695 (0,256) 0,680 (0,256) 0,697 (0,256) D 0,470 (0,47) 0,429 (0,488) 0,453 (0,764) 0,449 (0,804) T 0,426 (0,249) 0,46 (0,603) 0,399 (0,69) 0,384 (0,72) M 0,366 (0,256) 0,36 (0,896) 0,343 (0,640) 0,308 (0,896) D 0,472 (0,895) 0,442 (0,674) 0,454 (0,657) 0,452 (0,578) T 0,430 (0,57) 0,379 (0,57) 0,396 (0,3) 0,390 (0,57) M 0,37 (0,256) 0,382 (0,256) 0,340 (0,256) 0,34 (0,52) D 0,494 (2,36) 0,494 (0,574) 0,54 (0,63) 0,540 (0,859) T 0,558 (0,83) 0,573 (0,802) 0,592 (0,744) 0,594 (0,744) M 0,644 (0,28) 0,677 (0,28) 0,684 (0,28) 0,704 (0,28) D 0,457 (0,793) 0,448 (0,954) 0,434 (0,764) 0,429 (0,787) T 0,396 (0,90) 0,36 (0,54) 0,36 (0,72) 0,345 (0,54) M 0,320 (0,256) 0,257 (0,256) 0,29 (0,256) 0,258 (0,640) Źródło: opracowanie własne. Uwagi końcowe Modelowanie rozkładu empirycznych stóp zwrotu za pomocą rozkładu Gaussa oraz trzech wariantów rozkładu Laplace a umożliwia wybór rozkładu teoretycznego zapewniającego największą zgodność z danymi empirycznymi. W rezerwie pozostaje sześć metod estymacji
12 448 Jan Purczyński, Kamila Bednarz-Okrzyńska rozkładu GED. Wszystko to sprawia, że do wyznaczania prawdopodobieństwa straty można wykorzystać rozkład teoretyczny najlepiej aproksymujący empiryczną stopę zwrotu. Z rysunku wynika, że prawdopodobieństwo straty wyznaczone na podstawie rozkładu Laplace a reaguje silniej na zmiany względnego współczynnika zysku, niż ma to miejsce w przypadku prawdopodobieństwa straty wyznaczonego na bazie rozkładu Gaussa. Na rysunku 2 dokonano porównania zależności prawdopodobieństwa straty od wartości współczynnika zysku względnego dla różnych wartości współczynnika kształtu s rozkładu GED. Największa wrażliwość prawdopodobieństwa straty na zmianę współczynnika zysku względnego występuje się dla współczynnika kształtu s = 0,7. Najmniejszy zakres zmian wartości prawdopodobieństwa straty odnotowano dla współczynnika kształtu s = 4,5, przy czym zależność prawdopodobieństwa straty od współczynnika zysku względnego wyraża się funkcją liniową. Z tabeli wynika silna zależność wartości prawdopodobieństwa straty od interwału czasowego pomiaru stóp zwrotu. Literatura Kotz S., Kozubowski T., Podgórski K. (200), The Laplace Distribution and Generalizations. Birkhauser, Boston. Krupiński R., Purczyński J. (2006). Approximated fast estimator for the shape parameter of generalized Gaussian distribution, Signal Processing, vol. 86, nr 4, s Mentel G. (202) Ryzyko rynku akcji, CeDeWu, Warszawa. Purczyński J., Bednarz K.. (202), Metody estymacji parametrów uogólnionego rozkładu Gaussa, Technika Transportu Szynowego, nr 9. Purczyński J., Bednarz K. (w druku), Estimation of the shape parameter of GED distribution for a small sample size (w druku w czasopiśmie naukowym Folia Oeconomica Stetinensia 204). Sherman M. (997), Comparing the sample mean and sample median: an exploration in the Exponential Power Family, The American Statistician, vol. 5, nr, s Sobczyk M. (2004), Statystyka, Wydawnictwo Naukowe PWN, Warszawa. Tarczyński W., Mojsiewicz M. (200), Zarządzanie ryzykiem. Podstawowe zagadnienia, PWE, Warszawa. LOSS PROBABILITY FOR SELECTED DISTRIBUTIONS MODELING AN EMPIRICAL RETURN RATE DISTRIBUTION OF THE WIG20 COMPANIES Abstract: Purpose Literature often examines the loss probability for a distribution modeling an empirical return rate distribution being a normal distribution. The purpose of this paper was to determine the loss probability for the Laplace distribution and the GED modeling an empirical return rate distribution. Design/Methodology/Approach In the paper both mathematical and statistical methods were used. As a result of applying the mathematical methods, the approximate value of the integral describing the loss probability was determined. Statistical research consisted in determining the loss probability for selected distributions modeling empirical return rate distributions of selected WIG20 companies. Findings The result of the research are approximate formulas which help to determine the loss probability for the aforementioned distributions (normal, Laplace and GED) without the necessity of using statistical tables. Furthermore, a strong dependence of the value of the loss probability and the time interval of return rate measurements was noticed. Originality/Value The estimation of the loss probability value based on the Laplace and GED distributions was proposed. The application of these distributions assures better fit of the theoretical model to empirical data. Keywords: loss probability, approximate formulas
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Kamila Bednarz-Okrzyńska * Uniwersytet Szczeciński MODELOWANIE EMPIRYCZNYCH ROZKŁADÓW STÓP ZWROTU Z AKCJI NOTOWANYCH NA GIEŁDZIE PAPIERÓW
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 768 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 63 203 KAMILA BEDNARZ Uniwersytet Szczeciński MODELOWANIE ROZKŁADU TYGODNIOWYCH STÓP ZWROTU SPÓŁEK WCHODZĄCYCH
Aproksymacja rozkładu stóp zwrotu spółek sektora kopalnianego wchodzących w skład indeksu WIG20
BEDNARZ-OKRZYŃSKA Kamila 1 PURCZYŃSKI Jan Aproksymacja rozkładu stóp zwrotu spółek sektora kopalnianego wchodzących w skład indeksu WIG WSTĘP W pracy rozpatrzono ryzyko inwestycji w akcje spółek sektora
Kamila Bednarz-Okrzyńska* Uniwersytet Szczeciński
Studia i Prace WNEiZ US nr 45/1 2016 DOI: 10.18276/sip.2016.45/1-14 Kamila Bednarz-Okrzyńska* Uniwersytet Szczeciński Analiza zależności między wartością współczynnika asymetrii a wartością semiodchylenia
Spis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Statystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
WYKŁADY 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
Kolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Wykład 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)
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Prawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Statystyka 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
Estymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Analiza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Statystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Weryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Wnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Prawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Statystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Analiza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
WYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Testowanie 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
Estymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Rozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Wprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
ANALIZA WRAŻLIWOŚCI CENY OPCJI O UWARUNKOWANEJ PREMII
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu ANALIZA WRAŻLIWOŚCI CENY OPCJI O UWARUNKOWANEJ PREMII Streszczenie W artykule przedstawiono
Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3 Konrad Miziński, nr albumu 233703 26 maja 2015 Zadanie 1 Wartość krytyczna c, niezbędna wyliczenia mocy testu (1 β) wyznaczono za
Pobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
STATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Prawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Rozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 2 1 / 20 MIARY ROZPROSZENIA, Wariancja Wariancją z próby losowej X
2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Przykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33
Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Statystyka 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
Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Prognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Statystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Statystyka 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
dr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Czym jest ryzyko? Rodzaje ryzyka? Co oznacza zarządzanie? Dlaczego zarządzamy ryzykiem? 2 Przedmiot ryzyka Otoczenie bliższe/dalsze (czynniki ryzyka egzogeniczne vs endogeniczne)
Metody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Testowanie 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
Ekonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Metody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Stanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Własności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Wykład 7 Testowanie zgodności z rozkładem normalnym
Wykład 7 Testowanie zgodności z rozkładem normalnym Wrocław, 05 kwietnia 2017 Rozkład normalny Niech X = (X 1, X 2,..., X n ) będzie próbą z populacji o rozkładzie normalnym określonym przez dystrybuantę
WYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Niech 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,
parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
STATYSTYKA 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
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Zawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Matematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Matematyka 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
SIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Rozkład prędkości statków na torze wodnym Szczecin - Świnoujście
KASYK Lech 1 Rozkład prędkości statków na torze wodnym Szczecin - Świnoujście Tor wodny, strumień ruchu, Zmienna losowa, Rozkłady dwunormalne Streszczenie W niniejszym artykule przeanalizowano prędkości
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 5 212 EWA DZIAWGO ANALIZA WŁASNOŚCI OPCJI SUPERSHARE Wprowadzenie Proces globalizacji rynków finansowych stwarza
WYKŁADY 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
Wykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym
Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną