REKONSTRUKCJA PRZESTRZENI STANÓW NA PODSTAWIE JEDNOWYMIAROWEGO EKONOMICZNEGO SZEREGU CZASOWEGO

Wielkość: px
Rozpocząć pokaz od strony:

Download "REKONSTRUKCJA PRZESTRZENI STANÓW NA PODSTAWIE JEDNOWYMIAROWEGO EKONOMICZNEGO SZEREGU CZASOWEGO"

Transkrypt

1 Katarzya Zeug REKONSTRUKCJA PRZESTRZENI STANÓW NA PODSTAWIE JEDNOWYMIAROWEGO EKONOMICZNEGO SZEREGU CZASOWEGO Wprowazeie W ekoomii barzo często moża zaobserwować szeregi czasowe, które wykazują róże zachowaia: regulare i ieregulare, symetrycze i asymetrycze. Istieją wa róże poejścia wyjaśiające taki rozaj zachowań. Poejście traycyje utrzymuje, że rozwój szeregu czasowego może być przestawioy w postaci liiowego moelu yamiczego. W tym przypaku ieregulare zachowaie szeregu jest w pełi wyjaśioe przez wpływ zewętrzych zaburzeń losowych, które iekoieczie muszą mieć położe ekoomicze. W ostatich latach ostrzeżoo, że ieregulare zachowaie szeregu czasowego moża zapisać w postaci ieliiowego moelu yamiczego. Zauważoo bowiem, że ukłay złożoe mają własą yamikę. Ich uporząkowaie i rozwój ie jest przypakowy, lecz wyika z procesów, jakie w ich zachozą. Moele te stały się barzo waże la teorii ekoomii. Za ich pomocą moża próbować opisywać zjawiska i procesy ekoomicze, które przebiegają w sposób ieregulary, p. true o przewizeia fluktuacje kursów walutowych oraz kursów akcji a giełzie. O czasu gy zaczęto rozwijać hipotezę o ieliiowości moelu yamiczego, aaliza szeregów czasowych została skierowaa w stroę baań zajmujących się wykrywaiem ich ieliiowej atury. Poieważ barzo często truo było jeozaczie wskazać, który ukła jest ieliiowym systemem etermiistyczym, a który ieliiowym systemem stochastyczym, wykształciły się metoy pozwalające a ich oróżieie. Metoy te rozwięły się głów-

2 8 Katarzya Zeug ie w aukach ścisłych (fizyka, matematyka), ale zalazły rówież zastosowaie w ekoomii. Skupiają się oe wokół omkiętego i iezmieiczego pozbioru przestrzei staów zwaego atraktorem *. Więź pomięzy teoretyczą kocepcją atraktora a aalizą obserwowaego szeregu czasowego pokazuje twierzeie o zaurzeiu (Takes, 98), którego kosekwecją jest rekostrukcja systemu yamiczego a postawie jeowymiarowego szeregu czasowego. Celem opracowaia jest próba rekostrukcji przestrzei staów a postawie jeowymiarowego fiasowego szeregu czasowego złożoego z otowań astępujących walut: olara amerykańskiego (USD), jea japońskiego (JPY) oraz futa brytyjskiego (GBP). W baaiach tych wykorzystao metoę opóźień przestawioą przez Takesa w 98 r. Za pomocą całki korelacyjej oszacowao czas opóźień oraz wyzaczoo wymiar zaurzeia, posługując się metoą fałszywego sąsiaa. Dae wykorzystae w opracowaiu pochozą z WGPW z ostatich ziesięciu lat. Poieważ euro jest walutą obowiązującą o styczia 00 r., ie uwzglęioo jej w poiższych baaiach. Obliczeia przeprowazoo przy użyciu programów apisaych przez autorkę w języku programowaia Visual Basic oraz pakietu Microsoft Excel.. Rekostrukcja przestrzei fazowej W wielu przypakach obserwacja systemu yamiczego aje zalewie cząstkowe iformacje a temat jego atury, barzo często yspouje się jeyie jeowymiarowymi szeregami czasowymi. Dlatego postawowym krokiem w aalizie tych systemów jest ich rekostrukcja. Moża rekostruować przestrzeń staów systemu, która bęzie w pewym sesie rówoważa z orygialą przestrzeią, i zastosować ją p. w progozie ieliiowych szeregów czasowych. Po raz pierwszy metoa rekostrukcji przestrzei staów, zwaa metoą pochoych, została przestawioa przez Packara (980). Nieco późiej Takes (98) wprowaził metoę opóźień, która została uogólioa w pracy Sauera (99). Jeszcze ią metoę, zwaą aalizą czyikową, zapropoowali Broomhea i Kig (986). W astępych rozziałach przestawioo metoę opóźień oraz sposoby wyzaczaia parametrów tej metoy. * Defiicja atraktora zajuje się w oatku zamieszczoym a końcu iiejszego opracowaia.

3 REKONSTRUKCJA PRZESTRZENI STANÓW Metoa opóźień Załóżmy, że sta pewego ukłau yamiczego w chwili t jest przestawioy przez wektor y() t Y R. Przypuśćmy rówież, że związek po- m mięzy staami w kolejych mometach czasu opisuje rówaie różicowe pierwszego rzęu: ( t + ) = f ( y( ), t = 0,,, 3,... gzie y() t = ( y () t y () t,..., y ( ) oraz f Y Y y (), m : jest iezaą różiczkowalą fukcją ieliiową. Załóżmy poato, że zay jest tylko jeo- t x t = h y t i h : R m R jest wymiarowy ciąg obserwacji x ( ), gzie ( ) ( ( )) iezaym owzorowaiem. Mimo że mamy tak iewiele iformacji a temat baaego ukłau yamiczego (w każej chwili t zamy wyik pomiaru tylko jeej zmieej), możemy scharakteryzować jego sta w przestrzei wielowymiarowej, tj. zrekostruować atraktor baaego systemu, obliczyć jego wymia oszacować wykłaiki Lapuowa, czy też etropię Kołmogorowa. Twierzeie Takesa o zaurzaiu owozi, że taki atraktor może być zrekostruoway bez zajomości atury jego zmieych czy postaci rówaia różicowego. Twierzeie Niech M bęzie zwartą, m-wymiarową rozmaitością różiczkową. Dla par ( f, h), f Diff ( M, M ), h C ( M, R) jest własością geeryczą *, że m+ owzorowaie Φ : M R określoe wzorem: [ )] Φ () m ( f, h ) = h( y), h( f ( y) ),..., h( f ( y) jest zaurzeiem, tj. yfeomorfizmem klasy C, owzorowującym M a Φ M. ( f,h)( ) Stosując metoę opóźień moża skostruować zbiór zmieych za pomocą jeowymiarowego szeregu czasowego: x = ( x(, x( t ), x( t ),..., x( ) ) * Defiicja własości geeryczej, yfeomorfizmu oraz m-wymiarowej rozmaitości zajuje się w oatku.

4 30 Katarzya Zeug Zmiee te otrzymuje się przesuwając orygialy szereg czasowy o stałe opóźieie τ, τ N, w wyiku czego rekostrukcja przestrzei staów wygląa astępująco: x x () t = ( x() t, x( t τ ), x( t τ ),..., x( t ( ) τ )) ( t ) = ( x( t ), x( t τ ), x( t τ ),..., x( t ( ) τ ))... x ( j) = ( x( j), x( j τ ), x( j τ ),..., x( j ( ) τ ))... x (( ) τ + ) = ( x( ( ) τ + ), x( ( ) τ + τ ), x( ( ) τ + τ ),..., x( ) ) gzie x ( j), ( j ( ) +,..., t = τ ) są elemetami -wymiarowej zrekostruowaej przestrzei staów. Takes uowoił, że la m +, gzie m jest wymiarem atraktora, a jest wymiarem zaurzeia, przestrzeń staów rozpięta przez zbiór zmieych bęzie topologiczie rówoważa z orygialą przestrzeią. Niestety twierzeie to ie określa, jak wyzaczyć parametry i τ w rówaiu (3). W praktyce, wyboru zwykle okouje się metoą prób i błęów. Traycyjym poejściem jest obliczeie wymiaru korelacyjego la każej wartości zmieej. Wielu baaczy (Čeys, Pyragas, 988; Liebert i i., 989; Keel i i., 99) poało metoę testowaia wartości, obserwując zachowaie sąsieich puktów z przeziału [, +]. Drugą sprawą jest wybór czasu opóźień τ. Powyższe twierzeie otyczy jego iezaych wartości. W praktyce, aby uikąć iewłaściwych iterpretacji, czas opóźień wybiera się za pomocą fukcji autokorelacji lub fukcji wzajemej iformacji (mutual iformatio fuctio) (Farme Siorovich, 988), czy też za pomocą całki korelacyjej (metoa C-C) (Grassberge Procaccia, 983). Metoy wyboru parametrów i τ zostaą omówioe w alszej części opracowaia. Iym problemem jest rekostrukcja przestrzei staów w przypaku, gy mamy o czyieia z aymi rzeczywistymi (p. ryek fiasowy), wtey rówaie () ma postać: y ( t ) = f ( y( ) + ξ( (3) + (4) gzie ξ ( jest skłaikiem losowym (szumem). Zakłóceia losowe pojawiają się a ryku poczas ieliiowego współziałaia iwestorów, których reakcje mogą zwiększać efekt jakichś zewętrzych zaburzeń losowych. Iym po-

5 REKONSTRUKCJA PRZESTRZENI STANÓW... 3 woem, la którego powio się zapisywać rówaie () w postaci rówaia (4), jest to, że mały skłaik szumu może w rezultacie zmylić baacza i oprowazić o błęych wiosków a temat postaci atraktora. Problem te iestety ie został poruszoy w poiższych rozważaiach, omówioo go atomiast w pracy Gooharta (989)... Całka korelacyja Wymiar korelacyjy, po raz pierwszy wprowazoy przez Grassbergera i Procaccia, ostarcza wstępych iformacji a temat złożoości systemu yamiczego. Moża go obliczyć w przypaku, gy ie wiemy, jaki jest wymiar przestrzei staów i mamy tylko jeowymiarowy szereg iformacji. Zaim wyjaśimy, czym jest wymiar korelacyjy, określimy ajpierw całkę korelacyją (C (, ). C (, jest zefiiowaa jako prawopoobieństwo zalezieia pary wektorów, których oległość o siebie w zrekostruowaej -wymiarowej przestrzei ie jest większa o r: C (, = ( ) I j= i= j+ ( r r ), r > 0 gzie I(x) jest fukcją wskaźikową (fukcja Heavisie) w postaci: ( ) ij (5) 0 la a < 0 I ( a) = (6) la a 0 = N t jest liczbą wektorów w -wymiarowej przestrzei, N jest liczbą aych, t jest wskaźikiem opóźieia, a: Niech: r ij C = m k = 0 ( x x ) i k j k (, lim C(, N = (7) Wtey wymiar korelacyjy efiiujemy astępująco: Defiicja Graicę: D C (, l C = lim (8) r 0 l r

6 3 Katarzya Zeug azywamy wymiarem korelacyjym atraktora systemu yamiczego. Jeśli graica (8) istieje, to la małych wartości r zachozi przybliżoa rówość: (, D r l C Wprowazimy teraz pojęcie statystyki BDS (Brock i i., 99), która opiera się a pojęciu całki korelacyjej i testuje hipotezę zakłaającą, że zbiór aych jest ii (iepeet, ietically istribute). Jest oa użytecza la systemów chaotyczych, jak rówież la ieliiowych systemów stochastyczych. Niech F bęzie rozkłaem wielowymiarowej zmieej X w przestrzei staów oraz iech całka korelacyja ma postać: C l (, I ( r x y ) F( x) F( y), r > C = 0 (9) Jeśli zmiea X jest ii, wtey la: otrzymujemy: gzie: I ( r x y ) = I ( r x k y k ) C k = (, = C (, C(, = [ F( x + F( x ] F( x) C Deker i Keller (986) pokazali, że C (, jest estymatorem statystyki U. Natomiast Brock i i. (99), korzystając z teorii statystyki U la regularych procesów, uowoili, że jeśli N, to N [ C(, C (, ] ma rozkła ormaly ze śreią zero i wariacją: i i (, 4 K C + ( K C C ) = σ (0) i= gzie: K [ F( x + F( x ] F( x)

7 REKONSTRUKCJA PRZESTRZENI STANÓW (zakłaamy, że BDS K > C ). Zatem statystyka BDS bęzie zefiiowaa wzorem: ( N [ C(, C (, ] (,, = () σ z rozkłaem ormalym. Jeśli rozkła F jest iezay, to ie możemy wyza- σ, r. W takim przypaku czyć wartości C i K oraz wariacji ( ) C (, i σ (, muszą być oszacowae przez C (, σ = 4 + ( ) i= C ( ) ( ) K C + K C i : [ ( ) ( ) ( ) ( )] i i i i C K C C K C + gzie: oraz: K = 6 ( )( ) (, r C = C, I i j k ( r y y ) I( r y y ) i j i k Zatem statystyka BDS przyjmuje postać: BDS [ ] N = () σ (, C(, C (, Statystyka BDS jest barzo pomoca w rozróżiaiu chaotyczych szeregów czasowych o ieliiowych stochastyczych szeregów czasowych. Własości statystyki BDS moża zaleźć w publikacji Brocka i i. (99)..3. Metoa C-C wyboru czasu opóźień τ Niech S ( S, bęzie statystyką określoą wzorem: (, C(, C (, = (3)

8 34 Katarzya Zeug gzie C(, jest całką korelacyją. Statystyka ta azwaa jest metoą C-C wyboru czasu opóźień τ ( τ = tτ S, r s, s τ jest czasem próby). ( ) moża iterpretować jako szereg korelacji ieliiowego szeregu czasowego. Poato uważa się, że jest oa miarą ieliiowych zależości. Aby baać ieliiową zależość i elimiować iepożąae korelacje czasowe, musimy pozielić szereg czasowy x (, t =,,..., N tak, aby powstały rozłącze szeregi (wzglęem zmieej. Wtey statystyka S (, jest obliczaa la rozłączych szeregów: la t = mamy jeowymiarowy szereg czasowy { x,..., x N } oraz: S(, ) = C(, ) C (, ) la t = mamy wa rozłącze szeregi czasowe { x, x 3,..., x N } i { x, x4,..., x N } o ługości N/, a statystyka S (, N /, ) jest ich śreią arytmetyczą. Zatem ogóly wzór ma postać: S, (4) t t [ s ] s ( = C (, C (, s=, bęzie rówa zero, gy ae bęą ii i N. Dla aych rzeczywistych (ae te mogą być skorelowae) w wielu przypakach statystyka S (, bęzie róża o zera. Optimum lokale (ekstremum) S (, możemy otrzymywać w miejscach, gzie S (, wykazuje ajmiejszą wariację z r. Zatem wybierając róże wartości r j, efiiujemy miarę wariacji S (, z r: Dla stałych parametrów i t oraz la każego r statystyka S ( (, = max{ S(, r, } mi{ S(, r } Δ S (5) Stą optimum lokale jest miimum Δ S (, jest związay z pierwszym optimum lokalym. j j,. Ostateczie czas opóźień τ.4. Metoa wyboru wymiaru zaurzeia Przyjmijmy, że y r ( jest r-tym ajbliższym sąsiaem puktu () t = [ x() t, x( t + τ ),..., x( t + ( ) τ )] y w -wymiarowej przestrzei, a oległość pomięzy imi wyosi:

9 REKONSTRUKCJA PRZESTRZENI STANÓW gzie ( t + w ( +)-wymiarowej przestrzei: R k = 0 ( t, = [ x( t + k ) x ( t + kτ )] R, jest oległością eukliesową. Następie obliczmy oległość R ( t, r τ (6) R ( ) ( ) [ ( ) ( )] t, r = R t, r + x t + τ xr t + τ Jeśli R + ( t, zacząco przewyższa R ( t,, to pukty y r ( i () t + (7) y ie są ajbliższymi sąsiaami i są tzw. fałszywymi sąsiaami. Istieją wa kryteria wyzaczaia wymiaru zaurzeia. Pierwsze otrzymujemy przez wyzaczeie fałszywego sąsiaa pewego puktu, la którego zachozi ierówość: R ( t, R ( t, R ( t, = ( t + τ ) xr ( t + ) R ( t, x + τ > R T (8) gzie R T jest pewym ograiczeiem (zwykle przyjmuje się wartość R T = 5 (Abarbael, 996)). Powyższe kryterium ie jest wystarczające o jeozaczego wyzaczeia właściwego wymiaru zaurzeia. Drugi waruek, który musi być spełioy, jest astępujący: gzie: R A = = t [ x() t x], R + R ( A > A T x = t= x () t (9) atomiast A T jest pewym ograiczeiem (zwykle przyjmuje się wartość A T = (Abarbael, 996)). Jeśli zachozą kryteria (8) i (9), to pukty y r ( i y ( są fałszywymi sąsiaami.

10 36 Katarzya Zeug. Czas opóźień, wymiar zaurzeia obliczeia umerycze Przeprowazoe baaia empirycze pozwoliły, przy pomocy metoy opóźień, zrekostruować przestrzeń staów. Wykorzystao o tego celu szeregi fiasowe utworzoe z ce zamkięcia walut otowaych a WGPW w ostatich ziesięciu latach. Stosując metoę całki korelacyjej C-C oszacowao czas opóźień τ. Po uwagę brao róże wartości parametru r i wymiaru zaurzeia. Uzyskae rezultaty przestawioo a rys. -3 oraz w tab.. S(, 0,6 0,4 0, 0-0, -0, r=0,48,= r=0,4,= r=0,7,= r=0,4,=3 r=0,48,=3 r=0,7, =3 r=0,4,=4 r=0,48,=4 r=0,7, =4 r=0,4,=5 r=0,48,=5 r=0,7, =5-0,6 t Rys.. Wartość S(, la GBP

11 REKONSTRUKCJA PRZESTRZENI STANÓW S(,, 0,8 0,6 0,4 0, 0-0, -0,4-0,6-0, t r=7,4;=5 r=54,8;=5 r=8,;=5 r=7,4;= r=54,8;= r=8,;= r=7,4;=3 r=54,8;=3 r=8,;=3 r=7,4;=4 r=54,8;=4 r=8,;=4 Rys.. Wartość S(, la JPY S(, 0,8 0,6 0,4 0, r=0,, = r=0,4; = r=0,, =3 r=0,4; =3 0 r=0,, = , r=0,4; =4-0,4 r=0,, =5-0,6 t r=0,4; =5 Rys. 3. Wartość S(, la USD

12 38 Katarzya Zeug Następie za pomocą metoy fałszywego sąsiaa oszacowao wymiar zaurzeia. Wyiki przestawia tab.. Zestawieie wartości wymiaru zaurzeia i czasu opóźień szeregów ce wybraych walut Waluty Czas opóźień τ Wymiar zaurzeia GBP 0 6 JPY 5 5 USD 8 5 Tabela Niestety zbyt uże wymiary zaurzeń ie pozwalają a graficze przestawieie zrekostruowaej przestrzeń staów. Posumowaie W opracowaiu pojęto próbę zrekostruowaia przestrzei staów a postawie jeowymiarowych szeregów czasowych utworzoych z otowań walut: USD, GBP, JPY. Rozważae szeregi skłaały się z ce zamkięcia i pochoziły z okresu o 4 styczia 993 r. o 7 listopaa 003 r. Baaia przeprowazoo korzystając z programu apisaego przez autorkę w języku programowaia Visual Basic oraz z pakietu Excel. Korzystając z metoy C-C (całki korelacyjej) okoao wyboru czasu opóźień τ oraz a postawie metoy fałszywego sąsiaa oszacowao wymiar zaurzeia. Otrzymae wyiki pozwoliły a rekostrukcję przestrzei staów za pomocą tzw. metoy opóźień zapropoowaej w 98 r. przez Florisa Takesa. Niestety zbyt uże wymiary zaurzeia ie pozwoliły a jej graficze przestawieie. Rekostrukcja przestrzei staów to zalewie początek charakterystyki baaego szeregu. Za jej pomocą i wymiaru korelacyjego moża określić, czy baay szereg ma charakter chaotyczy czy stochastyczy. Iąc alej, moża oszacować wykłaiki Lapuowa, czy też etropię Kołmogorowa, a astępie wyzaczyć krótkookresową progozę.

13 REKONSTRUKCJA PRZESTRZENI STANÓW Doatek. Pozbiór A przestrzei staów X azywamy atraktorem ukłau yamiczego ( f, X ), gy: a) jest zwarty, b) jest oatio iezmieiczy, tz. la każego x A oraz la każej liczby całkowitej 0, f ( x) A, c) istieje otoczeie U = U ( A, ε ) A takie, że la każego x U i 0, f ( x) U oraz f ( x) A, przy, ) jest topologiczie trazytywy wzglęem systemu yamiczego, tz. la owolych otwartych zbiorów V, W A istieje 0 takie,, la któ- że f ( V ) W =.. Własość geerycza ozacza, że zbiór par owzorowań ( f, h) rych ( f, h) Φ jest zaurzeiem, tworzy (z opowieią topologią) zbiór m m m gęsty i otwarty w przestrzei fukcyjej Diff ( R, R ) C ( R, R) 3. Owzorowaie f ( r 0). m m : R R azywamy yfeomorfizmem klasy C r r m, jeżeli jest owracale oraz gy i f C R. 0 W szczególości yfeomorfizm klasy C azywamy homeomorfizmem. r Zbiór wszystkich yfeomorfizmów klasy C, owzorowujących m m r m m R w R, ozaczamy Diff ( R, R ). m 4. Zbiór M R azywamy k-wymiarową rozmaitością klasy r m C w R r, k m, jeżeli la każego x M istieje yfeomorfizm ( ) r Φ klasy C w pewie otwarty zbiór Literatura f ależą o ( ), owzorowujący pewe otoczeie U (otwarte w M) puktu x k V R. Abarbael H.D.: Aalysis of Observe Chaotic Data. Spriger-Verlag, Berli- -Heielberg-New York 996. Brock W.A., Hsieh D.A., LeBaro B.: Noliear Dyamics, Chaos a Istability: Statistical Theory a Ecoomic Eviece. MIT Press, Cambrige, MA 99. Broomhea D.S., Kig G.P.: Extractig Qualitative Dyamics from Experimetal Data. Physica D 986, 0.

14 40 Katarzya Zeug Čeys A., Pyragas K.: Estimatio of the Number of Degrees of Freeom from Chaotic Time Series. Physics Letters A 988, Vol. 9, No 4. Darbellay G., Fiari M.: Coul Noliear Dyamics cotribute to Itra Day Risk Maagmet? The Europea Joural of Fiace 997, 3. Deker M., Keller G. Joural Stat.Phys. 986, 44. Eubak S., Farmer J.D.: A Itrouctio to Chaos a Raomess. I: 989 Lectures i Complex Systems, SFI Stuies i the Sciees of Complexity, Lectures. Vol.. E. E.J. Aiso. Wesley Publishig Compay, Ic., Rewoo City, CA 990. Farmer J.D., Siorovich J.J.: Exploatig Chaos to Preict the Future a reuce Noise Fraser A.M., Swiey H.L.: Iepeet Cooriates for Strage Attractors from Mutual Iformatio. Physical Review A 986, Vol. 33, No. Goohart C.: News a the Foreig Exchage Market. Proceeigs of the Machester Statistical Society 989. Grassberger P., Procaccia I.: Characterizatio of Strage Attractors. Phys. Rev. Lett. 983, Vol. 50. Grassberger P., Procaccia I.: Measurig the Strageess of Strage Attractors. Physica D 983. Keel M.B., Brow R., Abarbael H.D.: Determiig Embeig Dimesio for Phase Space Recostructio usig a Geometrical Costructio. Physical Review A 99, Vol. 45, No 6. Kim H.S., Eykholt R., Salas J.D.: Noliear Dyamics, Delay Time a Embeig Wiows. Physica D 999, 7. Liebert W., Schuster H.G.: Proper Choice of the Time Delay for the Aalysis of Chaotic Time Series. Phys. Rev. Lett. A 989, 4. Packar N.H., Crutchfiel J.P, Farmer J.D., Shaw R.S.: Geometry from a Time Series. Phys. Rev. Lett. 980, 45. Sauer T., Yorke J., Casagli M.: Embeology. J. Statist. Phys. 99, 65 (3/4). Sprott J.C.: Chaos a Time-Series Aalysis. Oxfor Uiversity Press Ic., New York 003. Stark J.: Recursive Preictio of Chaotic Time Series. Vol. 3. Spriger-Verlag, New York 993. Takes F.: Detectigstrage Attractors i Turbulece. I: Lecture Notes i Mathematics. Es. D.A. Ra, L.S. Youg. Spriger-Verlag, Berli 98. Zawazki H.: Chaotycze systemy yamicze. AE, Katowice 996.

15 REKONSTRUKCJA PRZESTRZENI STANÓW... 4 RECONSTRUCTION OF THE STATE SPACE ON THE BASIS OF A SINGLE ECONOMIC TIME SERIES Summary I this paper we have use the time elay metho Takes (98) for the recostructio of state space o the basis of a sigle time series. I orer to compute the elay time τ we ha use the C-C metho a the we applie the false eighbours metho to compute the emboyig imesio. Our ata set is compose of a aily foregi exchage returs obtaie from WGPW for USD, GBP a JPY.

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług

Bardziej szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau

Bardziej szczegółowo

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

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

Bardziej szczegółowo

Przykłady 8.1 : zbieżności ciągów zmiennych losowych

Przykłady 8.1 : zbieżności ciągów zmiennych losowych Rachuek rawopoobieństwa MA8 Wyział Matematyki, Matematyka Stosowaa rzykłay 8. Róże rozaje zbieżości ciągów zmieych losowych. rawa wielkich liczb. Twierzeia graicze. rzykłay 8. : zbieżości ciągów zmieych

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

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

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Projekt ze statystyki

Projekt ze statystyki Projekt ze statystyki Opracowaie: - - Spis treści Treść zaia... Problem I. Obliczeia i wioski... 4 Samochó I... 4 Miary położeia... 4 Miary zmieości... 5 Miary asymetrii... 6 Samochó II... 8 Miary położeia:...

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 Twierdzenia o granicznym przejściu pod znakiem całki 1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae

Bardziej szczegółowo

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

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

Bardziej szczegółowo

REKONSTRUKCJA PRZESTRZENI STANÓW - ROZKŁAD WARTOŚCI OSOBLIWYCH

REKONSTRUKCJA PRZESTRZENI STANÓW - ROZKŁAD WARTOŚCI OSOBLIWYCH Katarzyna Zeug REKONSTRUKCJA PRZESTRZENI STANÓW - ROZKŁAD WARTOŚCI OSOBLIWYCH Wstęp Jednym z narządzi matematycznych potrzebnych do opisu szeregów czasowych jest metoda rekonstrukcji. Umożliwia ona rekonstrukcją

Bardziej szczegółowo

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wektory Fukcje rzeczywiste wielu zmieych rzeczywistych Matematyka Studium doktorackie KAE SGH Semestr leti 2008/2009 R. Łochowski Wektory pukty w przestrzei R Przestrzeń R to zbiór uporządkowaych -ek liczb

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

16 Przedziały ufności

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

Lista 6. Estymacja punktowa

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

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

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

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11 RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

Analiza matematyczna. Robert Rałowski

Analiza matematyczna. Robert Rałowski Aaliza matematycza Robert Rałowski 6 paździerika 205 2 Spis treści 0. Liczby aturale.................................... 3 0.2 Liczby rzeczywiste.................................... 5 0.2. Nierówości...................................

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

a 1, a 2, a 3,..., a n,...

a 1, a 2, a 3,..., a n,... III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń

Bardziej szczegółowo

Estymacja przedziałowa

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

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

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

Bardziej szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx θ 1, dla 0 < x < 1, 0, poza tym, Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.

Bardziej szczegółowo

Zestaw zadań do skryptu z Teorii miary i całki. Katarzyna Lubnauer Hanna Podsędkowska

Zestaw zadań do skryptu z Teorii miary i całki. Katarzyna Lubnauer Hanna Podsędkowska Zestaw zadań do skryptu z Teorii miary i całki Katarzya Lubauer Haa Podsędkowska Ciała σ - ciała. Zbadaj czy rodzia A jest ciałem w przestrzei X=[0] a) A = X 0 b) A = X 0 3 3 c) A = { X { }{}{ 0}{ 0 }

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA

ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA ZASTOSOWANIE METODY CBR DO SZACOWANIA KOSZTÓW WYTWARZANIA W FAZIE PROJEKTOWANIA prof. r hab. iż. Ryszar Kosala r.kosala@po.opole.pl mgr iż. Barbara Baruś b.barus@po.opole.pl Politechika Opolska Wyział

Bardziej szczegółowo

Analiza numeryczna. Stanisław Lewanowicz. Aproksymacja funkcji

Analiza numeryczna. Stanisław Lewanowicz. Aproksymacja funkcji http://www.ii.ui.wroc.pl/ sle/teachig/a-apr.pdf Aaliza umerycza Staisław Lewaowicz Grudzień 007 r. Aproksymacja fukcji Pojęcia wstępe Defiicja. Przestrzeń liiową X (ad ciałem liczb rzeczywistych R) azywamy

Bardziej szczegółowo

Poziom rozszerzony. 5. Ciągi. Uczeń:

Poziom rozszerzony. 5. Ciągi. Uczeń: PIOTR LUDWIKOWSKI Materiał z wykładu z aalizy dla uczestików koerecji Podstawa programowa z kometarzami Tom 6 Edukacja matematycza i techicza w szkole podstawowej, gimazjum i liceum matematyka, zajęcia

Bardziej szczegółowo

Wykład 11. a, b G a b = b a,

Wykład 11. a, b G a b = b a, Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

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

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

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

Bardziej szczegółowo

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce!

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce! Iformatyka Stosowaa-egzami z Aalizy Matematyczej Każde zadaie ależy rozwiązać a oddzielej, podpisaej kartce! y, Daa jest fukcja f (, + y, a) zbadać ciągłość tej fukcji f b) obliczyć (,) (, (, (,) c) zbadać,

Bardziej szczegółowo

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem: Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.

Bardziej szczegółowo

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

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

Bardziej szczegółowo

I. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n

I. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.

Bardziej szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Ciągi liczbowe wykład 3

Ciągi liczbowe wykład 3 Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. I Szeregi liczbowe

Zadania z analizy matematycznej - sem. I Szeregi liczbowe Zadaia z aalizy matematyczej - sem. I Szeregi liczbowe Defiicja szereg ciąg sum częściowyc. Szeregiem azywamy parę uporządkowaą a ) S ) ) ciągów gdzie: ciąg a ) ciąg S ) jest day jest ciągiem sum częściowych

Bardziej szczegółowo

I. Podzielność liczb całkowitych

I. Podzielność liczb całkowitych I Podzielość liczb całkowitych Liczba a = 57 przy dzieleiu przez pewą liczbę dodatią całkowitą b daje iloraz k = 3 i resztę r Zaleźć dzieik b oraz resztę r a = 57 = 3 b + r, 0 r b Stąd 5 r b 8, 3 więc

Bardziej szczegółowo

I kolokwium z Analizy Matematycznej

I kolokwium z Analizy Matematycznej I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

ANALIZA KORELACJI IREGRESJILINIOWEJ

ANALIZA KORELACJI IREGRESJILINIOWEJ ANALIZA KORELACJI IREGRESJILINIOWEJ 1. ZALEŻNOŚCI STOCHASTYCZNE Badajac zjawiska o charakterze masowym, w tym szczególie zjawiska spo leczo-ekoomicze, stwierdzamy, że każde z ich jest uwarukowae dzia laiem

Bardziej szczegółowo

Zeszyty naukowe nr 9

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

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2 Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety

Bardziej szczegółowo

UKŁADY RÓWNAŃ LINOWYCH

UKŁADY RÓWNAŃ LINOWYCH Ekoeergetyka Matematyka. Wykład 4. UKŁADY RÓWNAŃ LINOWYCH Defiicja (Układ rówań liiowych, rozwiązaie układu rówań) Układem m rówań liiowych z iewiadomymi,,,, gdzie m, azywamy układ rówań postaci: a a a

Bardziej szczegółowo

Fraktale - ciąg g dalszy

Fraktale - ciąg g dalszy Fraktale - ciąg g dalszy Koleja próba defiicji fraktala Jak Madelbrot zdefiiował fraktal? Co to jest wymiar fraktaly zbioru? Układy odwzorowań iterowaych (IFS Przykład kostrukcji pewego zbioru. Elemety

Bardziej szczegółowo

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

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

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

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

Bardziej szczegółowo

Elementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N

Elementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N OBWODY SYGNAŁY 1 5. OBWODY NELNOWE 5.1. WOWADZENE Defiicja 1. Obwodem elektryczym ieliiowym azywamy taki obwód, w którym występuje co ajmiej jede elemet ieliiowy bądź więcej elemetów ieliiowych wzajemie

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

Ekonomia matematyczna 2-2

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

Bardziej szczegółowo

Operatory zwarte Lemat. Jeśli T jest odwzorowaniem całkowym na przestrzeni Hilberta X = L 2 (Ω) z jądrem k L 2 (M M)

Operatory zwarte Lemat. Jeśli T jest odwzorowaniem całkowym na przestrzeni Hilberta X = L 2 (Ω) z jądrem k L 2 (M M) Operatory zwarte Niech X będzie przestrzeią Baacha. Odwzorowaie liiowe T azywa się zwarte, jeśli obraz kuli jedostkowej T (B) jest zbiorem warukowo zwartym. Przestrzeń wszystkich operatorów zwartych a

Bardziej szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja rozwiązań układu równań Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie

Bardziej szczegółowo

Badanie stabilności układu sterowania statkiem z nieliniowym autopilotem

Badanie stabilności układu sterowania statkiem z nieliniowym autopilotem Baaie stabilości ułau sterowaia statiem z ieliiowym autopilotem Zliearyzowae rówaie wiążące ochyleie ursu statu (zmiaę ąta ursu wzglęem ursu zaaego) ψ z ątem wychyleia steru δ jest astępujące (tzw. moel

Bardziej szczegółowo

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

Bardziej szczegółowo

Metody badania zbieżności/rozbieżności ciągów liczbowych

Metody badania zbieżności/rozbieżności ciągów liczbowych Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 2B, lato 2015/16

Jarosław Wróblewski Analiza Matematyczna 2B, lato 2015/16 Egzami,.6.6, godz. 9:-: Zadaie. puktów) Wyzaczyć wszystkie rozwiązaia rówaia z i w liczbach zespoloych. Zapisać wszystkie rozwiązaia w postaci kartezjańskiej bez używaia fukcji trygoometryczych) oraz zazaczyć

Bardziej szczegółowo

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

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

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

2 n < 2n + 2 n. 2 n = 2. 2 n 2 +3n+2 > 2 0 = 1 = 2. n+2 n 1 n+1 = 2. n+1

2 n < 2n + 2 n. 2 n = 2. 2 n 2 +3n+2 > 2 0 = 1 = 2. n+2 n 1 n+1 = 2. n+1 Tekst a iebiesko jest kometarzem lub treścią zadaia. Zadaie 1. Zbadaj mootoiczość i ograiczoość ciągów. a = + 3 + 1 Ciąg jest mootoiczie rosący i ieograiczoy poieważ różica kolejych wyrazów jest dodatia.

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

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

Bardziej szczegółowo

3. Funkcje elementarne

3. Funkcje elementarne 3. Fukcje elemetare Fukcjami elemetarymi będziemy azywać fukcję tożsamościową x x, fukcję wykładiczą, fukcje trygoometrycze oraz wszystkie fukcje, jakie moża otrzymać z wyżej wymieioych drogą astępujących

Bardziej szczegółowo

Twierdzenia graniczne:

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Analiza numeryczna Kurs INP002009W. Wykład 4 Rozwiązywanie równań nieliniowych. Karol Tarnowski A-1 p.

Analiza numeryczna Kurs INP002009W. Wykład 4 Rozwiązywanie równań nieliniowych. Karol Tarnowski A-1 p. Aaliza umerycza Kurs INP002009W Wykład 4 Rozwiązywaie rówań ieliiowych Karol Tarowski karol.tarowski@pwr.wroc.pl A-1 p.223 Pla wykładu Metoda bisekcji Algorytm Aaliza błędu Metoda Newtoa Algorytm Aaliza

Bardziej szczegółowo

Ekonomia matematyczna - 1.1

Ekonomia matematyczna - 1.1 Ekoomia matematycza - 1.1 Elemety teorii kosumeta 1. Pole preferecji Ozaczmy R x x 1,...,x : x j 0 x x, x j1 j. R rozpatrujemy z ormą x j 2. Dla x x 1,...,x,p p 1,...,p Ip x, p x j p j x 1 p 1 x 2 p 2...x

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

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

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi. Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe

Bardziej szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz

Bardziej szczegółowo

ANALIZA FUNKCJONAŁÓW NIEWYPUKŁYCH CHARAKTERYZUJĄCYCH MIKROMAGNETYKI

ANALIZA FUNKCJONAŁÓW NIEWYPUKŁYCH CHARAKTERYZUJĄCYCH MIKROMAGNETYKI INSTYTUT PODSTAWOWYCH PROBLEMÓW TECHNIKI PAN ZAKŁAD MECHANIKI MATERIAŁÓW I BIOMECHANIKI PRACOWNIA METOD WARIACYJNYCH I BIOMECHANIKI Eleoora Krugleko ANALIZA FUNKCJONAŁÓW NIEWYPUKŁYCH CHARAKTERYZUJĄCYCH

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i = Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka

Bardziej szczegółowo

Wykład 24 Optyka geometryczna Widmo i natura światła

Wykład 24 Optyka geometryczna Widmo i natura światła Wykła 4 Optyka geometrycza Wimo i atura światła Optyka to auka o falach elektromagetyczych, ich wytwarzaiu, rozchozeiu się w różych ośrokach, i oziaływaiu z tymi ośrokami. Różice mięzy falami elektromagetyczymi

Bardziej szczegółowo

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I) Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod

Bardziej szczegółowo

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem) D. Miszczyńska, M.Miszczyński KBO UŁ, Badaia operacyje (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assigmet Problem) Bliskim "krewiakiem" ZT (w sesie podobieństwa modelu decyzyjego) jest zagadieie

Bardziej szczegółowo

5 Twierdzenia graniczne

5 Twierdzenia graniczne A. Kasprzyk, STATYSTYKA A 22 5 Twierzeia graicze 5.1 Typy zbieżości zmieych losowych Defiicja 5.1 Rozważmy ciag ciag z.l. { }, z których każa ma ystrybuate F, oraz z.l. Z o ystrybuacie F. Mówimy że ciag

Bardziej szczegółowo