1. Wstęp DETEKCJA ZMIANY DRYFU W MODELOWANIU NATĘŻENIA ŚMIERTELNOŚCI 1. Michał Krawiec. Zbigniew Palmowski

Wielkość: px
Rozpocząć pokaz od strony:

Download "1. Wstęp DETEKCJA ZMIANY DRYFU W MODELOWANIU NATĘŻENIA ŚMIERTELNOŚCI 1. Michał Krawiec. Zbigniew Palmowski"

Transkrypt

1 DETEKCJA ZMIANY DRYFU W MODELOWANIU NATĘŻENIA ŚMIERTELNOŚCI 1 Mchał Krawec Uwersye Wrocławsk Zbgew Palmowsk Polechka Wrocławska e-mals: mchalkrzyszofkrawec@gmalcom; zbgewpalmowsk@gmalcom ISSN e-issn DOI: /sps JEL Classfcao: C1, C, C6, C8, G Sreszczee: Wydłużający sę czas rwaa życa sawa owe wyzwaa w różych obszarach ekoomczych ma kluczowy zwązek z obowązującym sysemem emeryalym W celu ograczea ryzyka zwązaego ze sarzejącym sę społeczeńswem porzebe jes określee, jak bardzo e czas sę wydłuża Celem arykułu jes badae zma zachodzących w redze procesu aężea śmerelośc poprzez zagadee opymalej deekcj Na podsawe kosrukcj zw uogóloej saysyk Shryaeva- -Robersa zbadao, jak zmeało sę aężee śmerelośc populacj Polsk w laach W arykule logarym z aężea śmerelośc modeloway jes ruchem Browa, kóremu w pewym losowym, eobserwowalym momece dochodz dryf Skosruowao opymaly mome zarzymaa opsao algorym deekcj zmay dryfu w wersj dyskreej Przedsawoo kalbrację modelu oraz przeaalzowao dae dosarczae przez GUS Narysowao eż wykresy sporządzoo wosk doyczące modelu deekcj oraz jego paramerów Słowa kluczowe: aężee śmerelośc, deekcja, saysyka Shryaeva-Robersa, ruch Browa, ablce rwaa życa 1 Wsęp Na śwece sale obserwuje sę wydłużae sę średego czasu życa ludzkośc Jes o ewąplwe zwązae z rozwojem cywlzacj, medycyy, z coraz wększą wedzą o człoweku Podoba syuacja ma mejsce w Polsce ludze w aszym kraju róweż żyją coraz dłużej Sawa o wele wyzwań przed dyamcze rozwjającym sę rykem ubezpeczeń sysemów emeryalych Produky ubezpeczeowe doyczą przyszłośc, kórej k e jes w sae przewdzeć, rzeba ją 1 Praca częścowo fasowaa z grau NCN r 15/17/B/ST1/11

2 148 Mchał Krawec, Zbgew Palmowsk jedak w pewe sposób modelować progozować Sosowae modele e mogą operać sę jedye a dzsejszej wedzy muszą być a beżąco dososowywae do zmeającego sę w rakce la śwaa Jedym z podsawowych powodów, dla kórych modele muszą być dososowywae, jes zmeające sę co pewą lczbę la empo wydłużaa średego czasu życa Na ym właśe empe skupoo sę w ejszym arykule Przyjrzao sę, jak zmeało sę aężee śmerelośc populacj Polsk w cągu osach 5 la, przedsawoo meodę pozwalającą wykrywać okresy coraz szybszego zmejszaa śmerelośc oraz okresy sablzacj Określee, jak bardzo wydłuża sę czas życa, a ym samym zmejsza aężee śmerelośc, jes kluczowym wyzwaem zarówo polskej, jak śwaowej gospodark Zrozumee ego procesu jes ezmere soe mędzy ym w celu poprawej kosrukcj srumeów fasowo-akuaralych, jak róweż jes ścśle zwązae z sysemam emeryalym Aby uzmysłowć sobe powagę problemu, wysarczy powołać sę a przypadek Fracj, kóra w 6 roku dokoała koreky krajowych ablc rwaa życa, sworzoych w roku 1998, co spowodowało porzebę wzrosu o 8% plaowaych wydaków w syseme emeryalym W arykule zaprezeowao algorym deekcj, opary a uogóloej wersj zw saysyk Shryaeva-Robersa, kóry będze użyy w celu wykryca zma edecj (dryfu) w modelowaym procese aężea śmerelośc Będze sę obserwować, jak dla usaloego weku x la zmeała sę jego esywość śmerelośc podczas la a podsawe ablc rwaa życa udosępaych przez Główy Urząd Saysyczy a podsawe ych daych pokazae zosae, jak dzała algorym deekcj Uwaga zosae róweż zwrócoa a soość pewych paramerów wchodzących w skład omawaego modelu Samo zagadee deekcj sęga la 5 wówczas o Kołmogorow wraz z ym rosyjskm aukowcam rozważał jego zasosowae w problemach żyeryjych, m do oddzelaa adchodzącego sygału od szumu Sformułowao wedy wersję ego zagadea oparą a ruchu Browa, kóremu w pewej losowej chwl dochodz dryf Arykuł e oparo a podobym sformułowau problemu od sroy maemayczej, jedak ym akuaralym zasosowau Opymale rozwązae problemu (wraz z pełym, maemayczym sformułowaem wyprowadzeem) w swoch pracach podaje Shryaev [1978; 6]

3 Deekcja zmay dryfu w modelowau aężea śmerelośc 149 W dzsejszych czasach zagadee opymalej deekcj jes coraz szerzej uogólae od sroy maemayczej Badae są jego róże sformułowaa; częso zamas ruchu Browa sosoway jes proces Possoa, róweż złożoy Aalzowae są akże róże kryera opymalośc rozwązaa (oprócz podejśca Bayesowskego, jak w ym arykule, czasam rozważa sę eż podejśce mmaksowe) Przykładowe prace a e ema o [Peskr, Shryaev ; Gapeev 5; El Karou, Losel 15] Sformułowae problemu Przedmoem badań jes aężee śmerelośc µ, o kórym zakłada sę, że jes pewym obserwowaym przez as procesem losowym W prakyce model aężea µ może w cągu la ulegać zmaom Mome wysąpea soej zmay,,charakeru ego procesu będze ozaczay przez θ Chwla a zazwyczaj będze losowa W skróce będze oa azywaa momeem zmay procesu Moża węc zapsać aężee śmerelośc w asępującej posac: (1) µ < θ, µ = () µ θ, gdze Przyjęe zosae, że aężee o składa sę z elosowej, (1) deermsyczej częśc µ ezmeej, z ej samej dla µ µ, oraz losowej perurbacj, kórej,,charaker ulega zmae w () momece zmay θ Aby móc uzyskać warośc ujeme w modelowaym przez as procese perurbacj, a aężee śmerelośc ałożoy zosae logarym Zapsując symbolcze: (1) (1) log µ = log µ + X, (1) log µ () = log µ + X (), (1) () gdze X X są losowym perurbacjam, będze sę zakładać, że przed momeem zmay średa warość perurbacj wyos, a po zmae będze oa rówa r W języku warośc oczekwaych moża zapsać: EX (1) = oraz EX () = r Podkreślć ależy, że przez proces X =( X ) jes rozumay łączy (ulegający zmae w chwl θ ) proces perurbacj, j:

4 15 Mchał Krawec, Zbgew Palmowsk X X = X (1) () < θ, θ O przedsawoym probleme ależy myśleć w e sposób: obserwuje sę aężee śmerelośc dla usaloego weku x la (p dla pęćdzesęcolaków) zmeające sę poprzez laa (czyl w roku 199, 1991, 199, ) chce sę sworzyć meodę saysyczą, kóra pozwol w opymaly sposób wybrać mome, w kórym,,zachowae ego obserwowaego procesu ulega zmae Powsaje zaem pyae: jak w ym koekśce rozumeć,,opymaly sposób? Jedo z podsawowych kryerów zapropoowaych przez Shryaeva uwzględa zarówo średe opóźee wykryca zmay, jak prawdopodobeńswo,,fałszywego alarmu Będze węc rozważe kryerum asępującej posac: () B( c)= f{ P( τ < θ) + ce( τ θ ) + } (3) τ poszukwae ake τ, kóre będze czasem zarzymaa realzującym powyższe fmum Te mome będze azyway opymalym czasem zarzymaa (ym słowy τ opsuje sraegę, a podsawe kórej podczas obserwacj procesu X moża zadecydować o zgłoszeu alarmu, a zaem o ym, że charaker obserwowaego procesu uległ zmae) (1) () W ej pracy procesy X oraz X są procesam Lévy ego, j procesam o sacjoarych ezależych przyrosach Klasyczym przykładem akego procesu jes ruch Browa e przykład zosae użyy do aalzy umeryczej w dalszej częśc arykułu, z: X σw < θ, = σw + r ( θ) θ, gdze W jes sadardowym ruchem Browa, σ jes paramerem zmeośc (odchylea sadardowego), a r sałą odpowadającą za dryf Rozważay będze czas Od ego momeu auorzy będą sę skupać a ym właśe przykładze problemu deekcj, ozaczoym umerem (4) Wprowadzoe zosaą podsawowe założea doyczące momeu wysąpea zmay procesu θ Zasosowae zosae podejśce Bayesowske, w kórym jes o zmea losowa o zadaym rozkładze a pror Po perwsze, zosae dopuszczoa możlwość wysąpea momeu zmay już od począku z pewym prawdopodobeńswem: (4)

5 Deekcja zmay dryfu w modelowau aężea śmerelośc 151 P ( θ = ) = π, π [,1] Po druge, jeżel mome zmay e wysąp w chwl, auorzy chcą, aby mał o rozkład wykładczy z paramerem λ, z: P( θ > θ > ) = e Kluczową rolę w rozważaach odegra prawdopodobeńswo a poseror (względem obserwacj procesu X ), kóre ozaczoo jako: gdze przez chwl X π = P( θ F ), λ X F rozumaa jes hsora procesu X od chwl do Moża pokazać, że używając powyższego prawdopodobeńswa a poseror π, kryerum opymalośc sformułowae w (3) da sę przeformułować Przyjmuje wedy asępującą formę: ( ) = f (1 ), + τ Bπ c Eπ πτ c π sds (5) τ gdze π w dekse dolym ozacza, że π = P ( θ = ) = π Tej formy będzemy używać w dalszej częśc eksu Wprowadzoe zosae jeszcze klka dodakowych ozaczeń Oprócz mary probablsyczej P, używaej powyżej, a ej samej przesrze (ozaczoo ją sadardowo ( Ω, F )) będze sę rozróżać eż ake mary (probablsycze), w kórych mome wysąpea zmay θ jes usaloy elosowy Mary e ozaczoe będą przez P s, gdze s może być dowolą eujemą lczbą rzeczywsą lub awe eskończooścą wedy P s ( θ = s) = 1 Przede wszyskm wyróża sę dwe z ych mar: P P Perwsza z ch ozacza, że zaburzee wysąpło już w chwl, a węc już od począku obserwacj procesu X () wdać ak aprawdę proces X Aalogcze zgode z marą P zaburzee gdy e asępuje (z asąp dopero,,w eskończoośc ), a węc przez cały czas obserwacj mamy do (1) czyea z procesem X W probleme deekcj ezwykle soą rolę odgrywa loraz warogodośc ych dwóch szczególych mar Będze o ozaczay przez L :

6 15 Mchał Krawec, Zbgew Palmowsk L dp =, dp F X X gdze F jes auralą flracją procesu X Na ym loraze warogodośc opary jes jeszcze jede bardzo soy proces, kóry jes powązay z zw saysyką Shryaeva-Robersa, o kórej mowa w dalszej częśc eksu Proces e będze ozaczoy przez φ defoway jako: π φ = 1 π Moża pokazać, że powyższy proces moża zapsać w asępującej posac: λs λ e π φ = φ + λ, φ = e L ds (7) Ls 1 π W ym mejscu waro apsać, le wyoszą modelu (4) Mamy maowce: H r r L = e, H = X σ σ λ+ H ( λs+ H ) s φ = φ e + λ e ds (6) L φ w rozważaym Zauważyć ależy jeszcze w ym mejscu, że dla wszyskch mamy π [,1], a wedy (wyłączając przypadek π = 1) wzór (6) moża odwrócć, orzymując: φ π = (8) 1+ φ Obserwacja a będze przydaa w dalszych rozważaach 3 Uogóloa Saysyka Shryaeva-Robersa Główym celem ej pracy jes kosrukcja zasosowae uogóloej saysyk Shryaeva-Robersa (w skróce będzemy ją ozaczać przez USR) Zacząć ależy od ego, czym jes klasycza saysyka SR W leraurze saysyczej jes oa zapsywaa jako:,

7 Deekcja zmay dryfu w modelowau aężea śmerelośc 153 L ψ = ds L Zauważyć rzeba, że moża ją orzymać z wprowadzoej w (7) formy φ Maowce przy założeu, że π π =, orzymuje sę eż φ =, a wedy: φ lm = λ λ L L s s ds = ψ = W ej pracy auorzy chcą przyjąć ogólejszą posać ej saysyk kosrukcję USR oparl właśe a φ Należy przyjrzeć sę blżej lorazow L Trzeba usalć chwlę podzelć odcek [,] a rówych częśc pukam zapsać: = < < < < = 1 Moża wedy L r r r X X 1 = X 1 σ σ σ e e =1 ( ) Dla prosoy zapsu przyjęo, że dla wszyskch {1,, } 1 = 1, z =, = 1, =,, = 1 Przyjęo eż ozaczee dla przyrosów x = X X 1 dla wszyskch {1,, } oraz że X = Wedy moża zapsać krócej: L = e =1 r r x σ σ Dla = przyjęo, że L = 1 Moża zauważyć, że L w akej posac fakycze jes lorazem warogodośc ławo da sę sprawdzć, że ozaczając przez f (x) g (x) gęsośc rozkładów ormalych odpowedo N ( r, σ ) N (, σ ), orzyma sę dokłade: L = f ( x ) g( x ) = 1 Rozkłady e odpowadają rozkładom przyrosów procesu X w marach odpowedo P P (w jedosce czasu) Orzymao zaem

8 154 Mchał Krawec, Zbgew Palmowsk L dla N, kóre jes dyskreą wersją L dla Podobe moża wyprowadzć dyskreą wersję dla φ : φ 1 λk λ e = e L φ + λ = k = L k 1 λ f ( x ) = φ e + λ e g( x ) =1 k = λ ( k ) = k + 1 f ( x ) g( x ) Powyższą saysykę moża zapsać róweż w posac rekurecyjej dla 1 (przy zadaym φ ): φ (9) f ( x ) ( λ + φ ) e λ (1) g( x ) = 1 Ta właśe dyskrea wersja saysyk φ, N, będze azywaa uogóloą saysyką Shryaeva-Robersa (USR) będze używaa do aalzy umeryczej w dalszej częśc arykułu Powracając do szukaa opymalego czasu zarzymaa dla problemu (3) (rówoważe (5)) w modelu (4), ależy swerdzć, że zgode ze sadardową eorą zajdywaa rozwązań zagadeń opymalzacyjych (przedsawoą szeroko w moograf [Peskr, Shryaev 6]) rozwązae ego zagadea sprowadza sę do zalezea fukcj V (π ) puku A (,1) spełających układ: AV ( π ) = c π, π [, A ), V ( π ) = 1 π, π ( A,1], gdze A ozacza geeraor procesu (11) π Do podaa rozwązaa porzebe jes zadae pewego dodakowego waruku bez wkaa w szczegóły (róweż są oe częścą sadardowej eor) dla problemu sformułowaego w (4) jes o zw smooh f: V ( A ) = 1 (1) Twerdzee 1 Opymalym czasem zarzymaa dla problemu (3) w modelu (4) jes: τ = f{ : π A }, gdze puk A (,1) oraz opymalą fukcję warośc V ( π ) ależy wyzaczyć z układu (11) przy dodakowym waruku (1)

9 Deekcja zmay dryfu w modelowau aężea śmerelośc 155 Uwaga 1 Twerdzee o pozosaje prawdzwe róweż dla dużo ogólejszych model posac (), gdze A jes zw pełym geeraorem, a waruek (1) może zosać zasąpoy zw couous f Twerdzee o przyblża już zacze do przeprowadzea całej procedury deekcj obserwowaego procesu Mając bowem wyprowadzoą saysykę USR (1) dla kolejych chwl =, 1,, korzysając z (8), moża wylczyć warośc π Zgode z werdzeem opymala deekcja (,,zgłoszee alarmu ) asępuje, gdy π A, rzeba zaem jeszcze ylko zać próg A Okazuje sę, że wyzaczee ego progu (rozwązae układu (11)) saow w ogólośc rude zagadee Jedakże dla przyjęego w ym arykule modelu (4) zosało oo rozwązae podae przez Shryaeva [1978; 6] Zgode z m opymala barera A jes wyzaczaa jako rozwązae rówaa: gdze: u 1 G u) = l, 1 u u A Λ( G( A ) G( u)) du C e u(1 u) Λ = r λ, /(σ ) = 1, C = r c /(σ ) ( Poado opymalą fukcją warośc jes: V ( π ) = (1 A 1 π, ) A π y( x) dx, π [, A ], π [ A,1], gdze: x Λ( G( x) G( u)) du y( x) = C e u(1 u) Orzymao już całą procedurę, kórą moża sosować dla kolejych chwl =,1,,3, wedząc, że zajduje oa opymaly czas zarzymaa w sese rozważaego kryerum (j rówoważe (3) (5)) Jedye, co pozosało do zrobea, aby móc sosować ę procedurę do aalzy fakyczych daych, o kalbracja modelu

10 156 Mchał Krawec, Zbgew Palmowsk 4 Kalbracja modelu Kalbracja modelu zależy przede wszyskm od charakeru procesu, kóry chce sę aalzować Polega a dopasowau paramerów eoreyczego procesu do aalzowaych daych Iaczej będze wyglądała kalbracja procesu cągłego, skokowego oraz meszak obu Dlaego eż zamas opsywać ogóle zasady kalbracj, skupoo sę a rozparywaym w ym arykule modelu (4), czyl kalbracj ruchu Browa Na począek króko o ym, jak w ogóle lczyć aężee śmerelośc Jak wadomo, jes o welkość określająca,,empo wymeraa określoej populacj w kokreym weku Będze oo lczoe a podsawe ablc rwaa życa (z kórych kokree o ym w kolejym rozdzale) Dla usaloego weku x la, mając dae prawdopodobeńswo przeżyca roku p x, aężee śmerelośc będze lczoe, zakładając hpoezę przedzałam sałego aężea zgoów (HCFM) jako µ = log px, gdze odpowada rokow, dla kórego sporządzoo daą ablcę rwaa życa Należy zwrócć u uwagę a eco esadardowe ozaczee: dla modelowaego aężea śmerelośc µ usaloy jes wek x, a zmeą jes rok obserwacj, aomas prawdopodobeńswo p x ozaczae jes sadardowo ależy rozumeć przez o prawdopodobeńswo, że w daym usaloym -ym roku x-laek przeżyje rok; lczoe jes jako l x+ 1 / lx Nech będą dae obserwacje procesu µ do kalbracj ozaczoo je ˆ µ ˆ ˆ, µ 1,, µ k Należy przez o rozumeć,,dae hsorycze a koleje laa, warośc procesu przed rozpoczęcem obserwacj w celu deekcj puku zmay (eformale: przed chwlą = ) Odwołując sę do posac (1), rzeba przypomeć dwe rzeczy Po perwsze, ak aprawdę modeloway ma być logarym z aężea śmerelośc, czyl używae będą warośc log ˆ µ ˆ,,log µ k Po druge, we wzorze wysępuje elosowa składowa log µ W ej chcao zawrzeć warość począkową log µ (czyl warość logarymu aężea śmerelośc a począku obserwacj w celu deekcj, czyl w chwl = ak, aby spełoe było założee X = ), oraz dryf celem bowem było, aby EX (1) =,, a węc żeby,,a począku obserwoway proces X mał zerowy współczyk dryfu Żeby skalbrować dryf, polczoo przyrosy powyższych logarymów,,hsoryczego procesu:

11 Deekcja zmay dryfu w modelowau aężea śmerelośc 157 m = log ˆ µ log ˆ µ 1, = 1,, k, a asępe wycągęo z ch średą: 1 m = k k =1 m Tym samym orzymuje sę skalbroway proces log µ = log µ + m, kóry możemy odjąć od daych hsoryczych, orzymując przerasformowae dae posac: log ~ µ = log ˆ µ log µ m, kórych możemy już bezpośredo użyć w celu kalbracj samego procesu perurbacj X Mówąc o kalbracj ruchu Browa, ależy podkreślć, że podsawowym paramerem do wyzaczea jes jego odchylee sadardowe σ Należy zauważyć, że w przyjęym modelu przyrosy procesu: X1 X, X X1, mają rozkład ormaly z waracją rówą σ Zaem esymaor parameru σ zosae wyzaczoy a podsawe przyrosów obserwacj,,hsoryczych log µ, kóre ozaczoe zosaą przez y = log µ log µ 1, = 1,, k Przyjęo sadardowy eobcążoy esymaor odchylea sadardowego posac: 1 ˆ = k ( y y), k 1 =1 σ gdze y ozacza średą arymeyczą przyrosów y, 1 y W modelu wymagae jes róweż podae parameru dryfu r dochodzącego po momece zmay procesu Jes o paramer o yle problemayczy, że cężko go skalbrować a podsawe daych hsoryczych, skoro doyczy dryfu, kóry wysąp dopero,,w przyszłośc Trzeba go zaem w pewym sese zgadąć Do jego wyzaczea moża jedak podejść w bardzej prakyczy sposób Maowce, mając day pewe srume fasowy czy akuaraly, kórego warość zależy od aężea śmerelośc, moża przeprowadzć dla ego aalzę wrażlwośc a e właśe paramer W e sposób moża określć, przy jakm dryfe r aężee śmerelośc zmełoby sę a yle soe, że w soym dla as sopu zmełaby sę eż cea rozważaego srumeu, e dryf przyjąć do modelu, k

12 158 Mchał Krawec, Zbgew Palmowsk W ym arykule e rozważa sę żadego kokreego srumeu, dlaego eż rzeba przyjąć pewe przykładowe warośc parameru r Odesoo węc e warośc do pozomu odchylea σ badao dwa waray: bardzej,,rygorysyczy z r = σ, oraz,,łagodejszy z r = σ Isoa jes eż kwesa zaku ego dryfu: dla aalzowaych w kolejym rozdzale daych przyjęo doda, gdyż obserwowae aężee śmerelośc, mmo że wcąż maleje, o wraz z upływem la wydaje sę maleć coraz wolej Osam parameram, kóre rzeba wyzaczyć, zam przejdze sę do oblczeń, są: esywość λ w rozkładze momeu zmay θ oraz dwa paramery, od kórych zależy rozparywae przez as kryerum (3) lub (5), czyl c π Jeśl chodz o λ, o podobe jak z r będą badae dwe jego warośc zadae,,z góry Odpowada o za śred czas oczekwaa do wysąpea momeu zmay dryfu w modelu (kóry jes jego odwrooścą), arbrale zaem zbadae zosaą warośc λ =,5 λ =,1 Co do warośc π, czyl prawdopodobeńswa wysąpea zmay już w chwl rozpoczęca obserwacj, o róweż arbrale przyjęo π =,1 ak aby procedura e zarzymywała sę od razu zby częso, ale eż aby model był peły, przyjęo warość ezerową Na koec usaloa zosae welkość c Zwrócć ależy uwagę, że odpowada oa za sosuek wag,,fałszywego alarmu do wag średego opóźea wykryca momeu zmay w rozważaym kryerum Wększe c spowoduje, że średe opóźee będze soejsze częścej będzemy dosawal,,fałszywe alarmy, aomas mejsze poskukuje dłuższym średm opóźeem wykryca momeu zmay Należy przypomeć, że wybrae kryerum uwzględa prawdopodobeńswo wysąpea,,fałszywego alarmu, a węc warość ylko z przedzału [,1], oraz opóźee, kóre może przyjmować dowole duże eujeme warośc Zaem rozsąde (oraz popare dośwadczeam empryczym) jes według auorów przyjęce warośc c =,5 Mówąc w uproszczeu, moża o rozumeć ak, że dwulee opóźee będze mało e sam,,kosz co wysąpee,,fałszywego alarmu 5 Deekcja zmay dryfu aężea śmerelośc populacj Polsk w laach Mając przedsawoą całą eorę, moża przejść do aalzy fakyczych daych Wykorzysae zosaą polske ablce rwaa życa dosępych w Ierece a sroe Główego Urzędu Saysyczego

13 Deekcja zmay dryfu w modelowau aężea śmerelośc 159 [GUS 15], doyczących la Jak już wspomao wcześej, uwaga zosae skupoa a usaloym weku x la zbadau, jak zmeało sę dla ego aężee śmerelośc w cągu ych la Na począku dokładej zosae opsay jede przypadek (zesaw paramerów), by dalej porówać go z ym Najperw auorzy przyjrzą sę aężeu śmerelośc kobe w weku 65 la obrazuje ją poższy rys 1 Rys 1 Naężee śmerelośc kobe w weku 65 la, okres Źródło: opracowae włase Zgode z przypuszczeam aężee o ma edecję malejącą kobey w Polsce w weku 65 la umerają sosukowo coraz rzadzej moża jedak zauważyć, że w perwszej dekadze XXI weku pozom aężea śmerelośc wydaje sę sablzować, podczas gdy w laach 9 XX weku wyraźe sę obżał Zam uruchomoy zosae algorym a e dae, rzeba określć, kóre obserwacje posłużą do kalbracj modelu, a a kórych będze już przeprowadzaa procedura deekcj zmay dryfu Aby daych do kalbracj e było zby mało, a zarazem żeby było ch wysarczająco w drugej grupe do deekcj, usaloo puk podzału w roku Iaczej, zgode z ozaczeam z poprzedch rozdzałów, za chwlę = przyjmuje sę rok Dae z la 9 posłużą do kalbracj modelu Za jedoskę czasu (jede krok algorymu) przyjmuje sę jede rok Zgode z opsem w rozdzale doyczącym kalbracj dae e ajperw zosaą zlogarymowae, po czym odjęy zosae od ch wyzaczoy dryf wyzaczoe odchylee sadardowe przyrosów Zlogarymowae dae z la 9 po odjęcu dryfu obrazuje rys

14 16 Mchał Krawec, Zbgew Palmowsk Rys Logarym z aężea śmerelośc kobe w weku 65 la, po odjęcu dryfu okres 199- Żródło: opracowae włase Odchylee sadardowe przyrosów powyższych daych wyosło σ =, Mając skalbroway model, moża przejść do deekcj Zbadae zosaą jedocześe przypadk r =1 σ oraz r = σ Dla pozosałych paramerów usaloo asępujące warośc: λ =,5, c =,5, π =,1 Na rysuku 3 czarą jedolą lą ozaczoo, ak jak poprzedo, hsorycze aężee śmerelośc w laach Poowa Rys 3 Deekcja zmay dryfu aężea śmerelośc kobe w weku 65 la okres Źródło: opracowae włase

15 Deekcja zmay dryfu w modelowau aężea śmerelośc 161 la a pozome roku (składająca sę a zmaę z kresek kropek) pokazuje chwlę =, czyl mome rozpoczęca algorymu Kropkowaa ukośa la pokazuje sam dryf, skalbroway zgode z daym z la 9 Wreszce dwe grubsze poowe, przerywae le pokazują wykrye przez aszą procedurę deekcj momey zmay dryfu (dla wększej warośc parameru r deekcja asępuje późej) Jak wdać, dla parameru r =1 σ zmaa zosała wykrya w roku 4, a dla r = σ w roku 7 W obu przypadkach algorym wykrył zmaę, choć w różych chwlach Zam dokładej opsae zosaą uzyskwae wyk oraz ch zależość od usaloych paramerów, ależy sę przyjrzeć wększej lczbe wykresów Na rysukach 4 5 ozaczea są ake same jak powyżej róweż baday jes dryf r =1 σ r = σ, gdze zawsze dla wększej warośc r deekcja wysępuje późej bądź w ej samej chwl co dla mejszej Jeżel wysąpła w ej samej chwl, o jes ylko jeda la przerywaa Jeżel dla kórejś (bądź obu) warośc r deekcja w ogóle e asąpła, o przerywaa la arysowaa jes a samym końcu wykresu (z prawej sroy) Perwsza koluma odpowada warośc parameru λ =,5, a druga λ =,1 Na rysuku 5 przedsawoo podobe wykresy dla mężczyz dla weku x = 55, 6 65 la Na podsawe rys 4 5 moża wycągąć pewe wosk Perwszą obserwacją jes fak, że dla wększej warośc parameru dryfu r deekcja asępuje późej ż dla mejszej (bądź w ej samej chwl) Ne może asąpć wcześej, poeważ saysyka opara jes a loraze warogodośc dwóch rozkładów ormalych o ej samej waracj, zaem m bardzej przesuęy jes dryf, ym bardzej badae dae muszą odbegać od rozkładu o średej Podobą zależość obserwujemy dla parameru λ : gdy jes mejszy, o deekcja asępuje późej (lub e wcześej) To eż e dzw λ odpowada za warość średą (jes jej odwrooścą) rozkładu a pror momeu zmay θ, a asza saysyka jes rozkładem a poseror Zmejszając węc λ, opóźa sę śred mome wysąpea zmay, a węc zmejsza prawdopodobeńswo, że zmaa już wysąpła dla usaloej chwl obserwacj Zauważyć eż ależy, że róże warośc paramerów r λ mogą dawać bardzo róże wyk, ale mogą eż dawać ake same W przypadku kobe w weku 6 la deekcja asąpła we wszyskch 4 przypadkach w ym samym 3 roku Z drugej sroy, dla kobe w weku 65 la dla wszyskch 4 par ych paramerów deekcja wysąpła

16 16 Mchał Krawec, Zbgew Palmowsk

17 Deekcja zmay dryfu w modelowau aężea śmerelośc 163

18 164 Mchał Krawec, Zbgew Palmowsk

19 Deekcja zmay dryfu w modelowau aężea śmerelośc 165

20 166 Mchał Krawec, Zbgew Palmowsk w różych laach (ale zawsze wysąpła) Wybór ych dwóch paramerów okazuje sę jeszcze soejszy, gdy spojrzeć a wykresy dla mężczyz Dla weku 55 oraz 6 la a perwszy rzu oka moża powedzeć, że około roku 5 wdać wyraźą zmaę dryfu, jedak algorym ją wskazał jedye w przypadku r = 1 σ Dla r = σ algorym e wykrył zmay dryfu a żadym z 6 wykresów Ne ozacza o jedak, że ależy zawsze wyberać jak ajmejszą warość parameru r parząc a wykres mężczyz dla weku 65 la, raczej e jes pożądae wskazae zmay dryfu, a dla r = 1 σ procedura wykryła mome zmay w roku 6 Moża węc wycągąć wosek, że paramery do algorymu deekcj ależy dososować do porzeb Chcąc meć procedurę, kóra wykryje choćby ewelką zmaę dryfu, ale za o akcepując częssze,,fałszywe alarmy, przyjąć ależy mejsze warośc r wększe λ Chcąc reagować dopero a wyraźe zmay usrzec sę przed,,fałszywym alarmam, ależy posąpć odwroe 6 Podsumowae Aalza przeprowadzoa w arykule wskazuje, że algorym opyalej deekcj skosruoway a podsawe uogóloej wersj saysyk Shryaeva-Robersa jes w sae wskazać mome zmay dryfu procesu Zbadae dae pochodzące z polskch ablc rwaa życa z la pokazują, że aka zmaa dryfu w procese aężea śmerelośc w ekórych przypadkach usaloego weku x la wyraźe wysępuje opsywaa procedura ją wykrywa z różym opóźeem zależym od kalbracj paramerów Jak pokazao, z doborem paramerów ależy być osrożym róweż ze względu a możlwość wysąpea fałszywego alarmu W ramach dalszych badań w ym obszarze auorzy plaują przyjrzeć sę eż ym daym doyczącym aężea śmerelośc, czy o sęgającym węcej roczków wsecz, czy eż doyczącym ych krajów Take dae częso są dużo bardzej eregulare ż e zbadae w ym arykule, z wdoczym skokam, co powoduje, że e adają sę do modelowaa ruchem Browa Dlaego eż kolejym krokem w rozwoju procedury opymalej deekcj jes zacze uogólee samego modelu, ak aby uwzględał skok Sawa o owe wyzwaa aury zarówo czyso maemayczej, jak aalyczej

21 Deekcja zmay dryfu w modelowau aężea śmerelośc 167 Leraura El Karou N, Losel S, Salh Y, 15, Mmax Opmaly Robus Deeco of a Dsorder Tme Posso Rae, <hal >, hps://halarchves-ouveres fr/hal Gapeev PV, 5, The dsorder problem for compoud Posso processes wh expoeal jumps, The Aals Of Appled Probably, vol 15, s GUS, 15, Trwae życa ablce, hp://wwwsagovpl (4616) Peskr G, Shryaev AN,, Solvg he Posso Dsorder Problem, Advaces Face ad Sochascs Essays Hoour of Deer Soderma, Sprger-Verlag Berl Hedelberg, New York, s Peskr G, Shryaev AN, 6, Opmal Soppg ad Free-Boudary Problems Lecures Mahemacs, Brkhäuser, ETH Zürch Shryaev AN, 1978, Opmal Soppg Rules, Sprger-Verlag Berl Hedelberg, New York Shryaev AN, 6, From Dsorder o Nolear Flerg ad Margale Theory, Mahemacal Eves of Tweeh Ceury, Sprger-Verlag Berl Hedelberg PHASIS Moscow, Nemcy, s DRIFT CHANGE DETECTION IN MORTALITY RATE MODELS Summary: Nowadays he surace dusry s facg huge challeges relaed o logevy rsk, e he rsk ha he red of logevy growh sgfcaly chages he fuure Oe of he crucal seps dealg wh s defyg he chage of he moraly rae drf observed prospecve lfe ables The purpose of hs arcle s o defy hs chage by casg he problem of quckes deeco he framework of opmal soppg heory We cosruc geeralzed dscree-me Shryaev s-robers sascs ad we use he aalyss of Polsh lfe ables from years We model he logarhm of he moral esy by he Browa moo ha chages he zero drf o ozero oe a some radom me For hs case we cosruc opmal soppg rule deecg subsaal chage of hs drf We also prese calbrao of above model usg Ceral Sascal Offce daa ad we carry ou exesve sascal aalyss showg huge poeal of descrbed sascs Keywords: moraly rae, deeco, Shryaev-Robers sascs, Browa moo, lfe ables

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej Rachek prawdopodobeńswa saysyka maemaycza Esymacja przedzałowa paramerów srkralych zborowośc geeralej Częso zachodz syacja, że koecze jes zbadae ogół poplacj pod pewym kąem p. średa oce z pewego przedmo.

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja Szereg czasowe, modele DL ADL, rzyczyowość, egracja Szereg czasowy, o cąg realzacj zmeej losowej, owedzmy y, w kolejych okresach czasu: { y } T, co rówoważe możemy zasać: = 1 y = { y1, y,..., y T }. Najogólej

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

Bardziej szczegółowo

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych dr Ewa Wycka Wyższa Szkoła Bakowa w Gdańsku Wtold Komorowsk, Rafał Gatowsk TZ SKOK S.A. Statystycza aalza mesęczych zma współczyka szkodowośc kredytów hpoteczych Wskaźk szkodowośc jest marą obcążea kwoty/lczby

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń Zasosowae meody ajmejszych kwadraów do pomaru częsolwośc średej sygałów o małej sromośc zboczy w obecośc zakłóceń Elgusz PAWŁOWSKI, Darusz ŚWISULSKI Podsawowe meody pomaru częsolwośc Zlczae okresów w zadaym

Bardziej szczegółowo

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe

Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe Nezawoość sysemów eaprawalych. Aalza sysemów w eaprawalych. Sysemy eaprawale - przykłaowe srukury ezawooścowe 3. Sysemy eaprawale - przykłay aalzy. Aalza sysemów w eaprawalych Sysem eaprawaly jes o sysem

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym

Bardziej szczegółowo

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym? Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

Zmiana bazy i macierz przejścia Auomaya Roboya Algebra -Wyład - dr Adam Ćmel cmel@agh.edu.pl Zmaa bazy macerz prześca Nech V będze wymarową przesrzeą lową ad całem K. Nech Be e będze bazą przesrze V. Rozważmy ową bazę B e... e. Oczywśce

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

Bardziej szczegółowo

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i= ESTYMATOR WARIANCJI I DYSPERSJI Ozaczmy: µ wartość oczekwaa rozkładu gauowkego wyków pomarów (wartość prawdzwa merzoej welkośc σ dyperja rozkładu wyków pomarów wyk er pomarów (,..., Stoując metodę ajwękzej

Bardziej szczegółowo

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego

Bardziej szczegółowo

5. OPTYMALIZACJA NIELINIOWA

5. OPTYMALIZACJA NIELINIOWA 5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona: Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t

Bardziej szczegółowo

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,

Bardziej szczegółowo

ROZKŁADY ZMIENNYCH LOSOWYCH

ROZKŁADY ZMIENNYCH LOSOWYCH ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X

Bardziej szczegółowo

3. OPTYMALIZACJA NIELINIOWA

3. OPTYMALIZACJA NIELINIOWA Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8 Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację. Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi o tym samym 2 x Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka

Bardziej szczegółowo

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

Bardziej szczegółowo

Funkcja wiarogodności

Funkcja wiarogodności Fukca warogodośc Defca: Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x; θ. Fukcą warogodośc dla próby x azywamy welkość: ( x; θ f ( x ; θ L Uwaga: Fukca warogodośc to e to samo co łącza

Bardziej szczegółowo

AKADEMIA MORSKA W SZCZECINIE

AKADEMIA MORSKA W SZCZECINIE AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych

Bardziej szczegółowo

Miary statystyczne. Katowice 2014

Miary statystyczne. Katowice 2014 Mary statystycze Katowce 04 Podstawowe pojęca Statystyka Populacja próba Cechy zmee Szereg statystycze Wykresy Statystyka Statystyka to auka zajmująca sę loścowym metodam aalzy zjawsk masowych (występujących

Bardziej szczegółowo

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10) Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

Bardziej szczegółowo

ANALIZA ASYMPTOTYCZNA WYKŁADNICZEJ SIECI ZAWODNYCH SYSTEMÓW KOLEJKOWYCH

ANALIZA ASYMPTOTYCZNA WYKŁADNICZEJ SIECI ZAWODNYCH SYSTEMÓW KOLEJKOWYCH STUDIA INFORMATICA 1 Volume 33 Number 3A (17) Mchał MATAŁYCKI Polechka Częsochowska, Isyu Maemayk Swaosław STATKIEWICZ Grodzeńsk Uwersye Pańswowy ANALIZA ASYMPTOTYCZNA WYKŁADNICZEJ SIECI ZAWODNYCH SYSTEMÓW

Bardziej szczegółowo

SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM

SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM Arur MACIĄG Sreszczee: W pracy przedsawoo echk aalzy szeregów czasowych w zasosowau do plaowaa progozowaa produkcj w przewórswe spożywczym.

Bardziej szczegółowo

Pomiary parametrów napięć i prądów przemiennych

Pomiary parametrów napięć i prądów przemiennych Ćwczee r 3 Pomary parametrów apęć prądów przemeych Cel ćwczea: zapozae z pomaram wartośc uteczej, średej, współczyków kształtu, szczytu, zekształceń oraz mocy czyej, berej, pozorej współczyka cosϕ w obwodach

Bardziej szczegółowo

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5 L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk

Bardziej szczegółowo

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej

Bardziej szczegółowo

Materiały do wykładu 7 ze Statystyki

Materiały do wykładu 7 ze Statystyki Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5 Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja

Bardziej szczegółowo

Wybór najlepszych prognostycznych modeli zmienności finansowych szeregów czasowych za pomocą testów statystycznych

Wybór najlepszych prognostycznych modeli zmienności finansowych szeregów czasowych za pomocą testów statystycznych UNIWERSYTET EKONOMICZNY W POZNANIU WYDZIAŁ INFORMATYKI I GOSPODARKI ELEKTRONICZNEJ Wybór ajlepszych progosyczych model zmeośc fasowych szeregów czasowych za pomocą esów saysyczych Elza Buszkowska Promoor:

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 3,4

STATYSTYKA OPISOWA WYKŁAD 3,4 STATYSTYKA OPISOWA WYKŁAD 3,4 5 Szereg rozdzelczy przedzałowy (dae pogrupowae) (stosujemy w przypadku dużej lczby epowtarzających sę daych) Przedzał (w ; w + ) Środek x& Lczebość Lczebość skumulowaa s

Bardziej szczegółowo

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

Bardziej szczegółowo

IV. ZMIENNE LOSOWE DWUWYMIAROWE

IV. ZMIENNE LOSOWE DWUWYMIAROWE IV. ZMIENNE LOSOWE DWUWYMIAROWE 4.. Rozkład zmeej losowej dwuwymarowej Defcja 4.. Uporządkowaą parę (X, Y) azywamy zmeą losową dwuwymarową, jeśl każda ze zmeych X Y jest zmeą losową. Defcja 4.. Fukcję

Bardziej szczegółowo

Wyrażanie niepewności pomiaru

Wyrażanie niepewności pomiaru Wyrażae epewośc pomaru Adrzej Kubaczyk Wydzał Fzyk, Poltechka Warszawska Warszawa, 05 Iformacje wstępe Każdy pomar welkośc fzyczej dokoyway jest ze skończoą dokładoścą, co ozacza, że wyk tego pomaru dokoyway

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc

Bardziej szczegółowo

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

Bardziej szczegółowo

Statystyka Opisowa Wzory

Statystyka Opisowa Wzory tatystyka Opsowa Wzory zereg rozdzelczy: x - wartośc cechy - lczebośc wartośc cechy - lczebość całej zborowośc Wskaźk atężea przy rysowau wykresu szeregu rozdzelczego przedzałowego o erówych przedzałach:

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 3.05.016 PORÓWNANIE WIĘCEJ NIŻ DWÓCH POPULACJI TESTY NIEPARAMETRYCZNE Pla a dzsaj 1. Porówywae węcej ż dwóch populacj test jedoczykowej aalzy waracj (ANOVA).

Bardziej szczegółowo

Podstawy opracowania wyników pomiarowych, analiza błędów

Podstawy opracowania wyników pomiarowych, analiza błędów Podstawy opracowaa wyków pomarowych, aalza błędów I Pracowa Fzycza IF UJ Grzegorz Zuzel Lteratura I Pracowa fzycza Pod redakcją Adrzeja Magery Istytut Fzyk UJ Kraków 2006 Wstęp do aalzy błędu pomarowego

Bardziej szczegółowo

Indukcja matematyczna

Indukcja matematyczna Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH dr Mchał larsk I Pracowa Fzycza IF UJ, 9.0.06 Pomar Pomar zacowae wartośc prawdzwej Bezpośred (welkość fzycza merzoa jest

Bardziej szczegółowo

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA Ćwczee 8 TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA 8.. Cel ćwczea Celem ćwczea jest wyzaczee statyczego współczyka tarca pomędzy walcową powerzchą cała a opasującą je lą. Poadto a drodze eksperymetalej

Bardziej szczegółowo

Regresja REGRESJA

Regresja REGRESJA Regresja 39. REGRESJA.. Regresja perwszego rodzaju Nech (, będze dwuwyarową zeą losową, dla które steje kowaracja. Nech E( y ozacza warukową wartość oczekwaą zdefowaą dla przypadku zeych losowych typu

Bardziej szczegółowo

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym Pomary bezpośrede pośrede obarczoe błędem przypadkowym I. Szacowae wartośc przyblŝoej graczego błędu przypadkowego a przykładze bezpośredego pomaru apęca elem ćwczea jest oszacowae wartośc przyblŝoej graczego

Bardziej szczegółowo

CZYNNIKOWY MODEL ZARZĄDZANIA PORTFELEM OBLIGACJI

CZYNNIKOWY MODEL ZARZĄDZANIA PORTFELEM OBLIGACJI Zeszyy Naukowe Wydzału Iorayczych echk Zarządzaa Wyższej Szkoły Iorayk Sosowaej Zarządzaa Współczese robley Zarządzaa Nr /0 CZYNNIKOWY MOE ZARZĄZANIA OREEM OBIGACJI Adrzej Jakubowsk Isyu Badań Syseowych

Bardziej szczegółowo

Metody oceny efektywności projektów inwestycyjnych

Metody oceny efektywności projektów inwestycyjnych Opracował: Leszek Jug Wydział Ekoomiczy, ALMAMER Szkoła Wyższa Meody ocey efekywości projeków iwesycyjych Niezbędym warukiem urzymywaia się firmy a ryku jes zarówo skuecze bieżące zarządzaie jak i podejmowaie

Bardziej szczegółowo

Matematyczny opis ryzyka

Matematyczny opis ryzyka Aalza ryzyka kosztowego robót remotowo-budowlaych w warukach epełe formac Mgr ż Mchał Bętkowsk dr ż Adrze Powuk Wydzał Budowctwa Poltechka Śląska w Glwcach MchalBetkowsk@polslpl AdrzePowuk@polslpl Streszczee

Bardziej szczegółowo

Reprezentacja krzywych...

Reprezentacja krzywych... Reprezeacja rzywych... Reprezeacja przy pomocy fcj dwóch zmeych rzywe płase płase - jedej: albo z z f x y x [ x x2] y [ y y2] f x y g x x [ x x2] Wady: rzywe óre dla pewych x y mogą przyjmować wele warośc

Bardziej szczegółowo

Zbigniew Palmowski. Analiza Przeżycia

Zbigniew Palmowski. Analiza Przeżycia Zbgnew Palmowsk Analza Przeżyca Wrocław 9 Zbgnew Palmowsk Docendo dscmus (Ucząc nnych, sam sę uczymy) Seneka Mos of he me I fnd myself workng n heorecal problems, because I am neresed n applcaons. I also

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław

Bardziej szczegółowo

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =? Mary położea rozkładu Wykład 9 Statystyk opsowe Średa z próby, mea(y) : symbol y ozacza lczbę; arytmetyczą średą z obserwacj Symbol Y ozacza pojęce średej z próby Średa jest środkem cężkośc zboru daych

Bardziej szczegółowo

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA Adra Kapczyńsk Macej Woly Wprowadzee Rozwój całego spektrum coraz doskoalszych środków formatyczych

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau

Bardziej szczegółowo

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe. INSTRUKCJA LABORATORIUM Metrologa techcza sstem pomarowe. MTSP pomar MTSP 00 Autor: dr ż. Potr Wcślok Stroa / 5 Cel Celem ćwczea jest wkorzstae w praktce pojęć: mezurad, estmata, błąd pomaru, wk pomaru,

Bardziej szczegółowo

Wpływ redukcji poziomu szumu losowego metodą najbliższych sąsiadów 161

Wpływ redukcji poziomu szumu losowego metodą najbliższych sąsiadów 161 Kaarzya Zeug-Żebro WPŁYW REDUKCJI POZIOMU SZUMU LOSOWEGO MEODĄ NAJBLIŻSZYCH SĄSIADÓW NA WAROŚĆ NAJWIĘKSZEGO WYKŁADNIKA LAPUNOWA Wprowazee W aalze szeregów czasowych zakłaa sę, że w aych moża wyorębć skłak

Bardziej szczegółowo

VI. TWIERDZENIA GRANICZNE

VI. TWIERDZENIA GRANICZNE VI. TWIERDZENIA GRANICZNE 6.. Wprowadzee Twerdzea gracze dotyczą własośc graczych cągów zmeych losowych dzelą sę a:! twerdzea lokale opsują zbeżośc cągu fukcj prawdopodobeństwa w przypadku cągu {X } zmeych

Bardziej szczegółowo

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

Bardziej szczegółowo

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

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

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu

Bardziej szczegółowo

Portfel złożony z wielu papierów wartościowych

Portfel złożony z wielu papierów wartościowych Portfel westycyy ćwczea Na odst. Wtold Jurek: Kostrukca aalza, rozdzał 4 dr Mchał Kooczyńsk Portfel złożoy z welu aerów wartoścowych. Zwrot ryzyko Ozaczea: w kwota ulokowaa rzez westora w aery wartoścowe

Bardziej szczegółowo

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2

Bardziej szczegółowo

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM ACTA UNIVERSITATIS WRATISLAVIENSIS No 37 PRZEGLĄD PRAWA I ADMINISTRACJI LXXX WROCŁAW 009 ANNA ĆWIĄKAŁA-MAŁYS WIOLETTA NOWAK Uwersytet Wrocławsk SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

Bardziej szczegółowo

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej PŁAKA GEOMETRIA MA Środek cężkośc fgury płaskej Mometam statyczym M x M y fgury płaskej względem os x lub y (rys. 7.1) azywamy gracę algebraczej sumy loczyów elemetarych pól d przez ch odległośc od os,

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie B A D A N I A O P E R A C Y J N E I D E C Y J E Nr 2 2007 Aa ĆWIĄKAŁA-MAŁYS*, Woletta NOWAK* UOGÓLNIONA ANALIA WRAŻLIWOŚCI YSKU W PREDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW Przedstawoo ajważejsze elemety

Bardziej szczegółowo

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu.

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu. W 1 Rachu maroeoomcze 1. Produ rajowy bruo Sprzedaż fala - sprzedaż dóbr usług osumeow lub frme, órzy osaecze je zużyują, e poddając dalszemu przeworzeu. Sprzedaż pośreda - sprzedaż dóbr usług zaupoych

Bardziej szczegółowo

Dane modelu - parametry

Dane modelu - parametry Dae modelu - paramer ˆ Ozaczea zmech a0 ax ax - osz w s. zł Budowa modelu: x - welość producj w seach o x - welość zarudea w osobach Meoda MNK Dae: x x 34 9 0 60 34 9 0 60 35 3 7 35 3 7 X T 0 9 3 4 5 3

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

Analiza danych pomiarowych

Analiza danych pomiarowych Materały pomoccze dla studetów Wydzału Chem UW Opracowała Ageszka Korgul. Aalza daych pomarowych wersja trzeca, uzupełoa Lteratura, Wstęp 3 R OZDZIAŁ SPRAWOZDANIE Z DOŚWIADCZENIA FIZYCZNEGO 4 Stałe elemety

Bardziej szczegółowo

TRANZYSTORY POLOWE JFET I MOSFET

TRANZYSTORY POLOWE JFET I MOSFET POLTECHNKA RZEZOWKA Kaedra Podsaw Elekroiki srukcja Nr5 F 00/003 sem. lei TRANZYTORY POLOWE JFET MOFET Cel ćwiczeia: Pomiar podsawowych charakerysyk i wyzaczeie paramerów określających właściwości razysora

Bardziej szczegółowo

i i i = (ii) TAK sprawdzamy (i) (i) NIE

i i i = (ii) TAK sprawdzamy (i) (i) NIE Egzam uaruszy z aźdzera 009 r. Maemaya Fasowa Zadae ( ) a a& a ( Da) a&& ( Ia) a a&& D I a a&& a a ( ) && ( ) 0 a a a 0 ( ) a 4 0 ( ) a () K srawdzamy () ( ) a& a ( ) a ( ) a&& a&& ( ) a&& ( ) a&& () NIE

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 26 listopada 2015

Lista 6. Kamil Matuszewski 26 listopada 2015 Lsta 6 Kaml Matuszews 6 lstopada 5 4 5 6 7 8 9 4 5 X X X X X X X X X X X D X X N Gdze X-spsae, D-Delarowae, N-edelarowae. Zadae Zadae jest westą odpowedego pomalowaa. Weźmy sobe szachowcę x, poumerujmy

Bardziej szczegółowo

KRYTERIUM OCENY EFEKTYWNOŚCI INWESTYCYJNEJ OFE, SYSTEM MOTYWACYJNY PTE ORAZ MINIMALNY WYMÓG KAPITAŁOWY DLA PTE PROPOZYCJE ROZWIĄZAŃ

KRYTERIUM OCENY EFEKTYWNOŚCI INWESTYCYJNEJ OFE, SYSTEM MOTYWACYJNY PTE ORAZ MINIMALNY WYMÓG KAPITAŁOWY DLA PTE PROPOZYCJE ROZWIĄZAŃ KRYTERIU OCENY EFEKTYWNOŚCI INWESTYCYJNEJ OFE, SYSTE OTYWACYJNY PTE ORAZ INIALNY WYÓG KAPITAŁOWY DLA PTE PROPOZYCJE ROZWIĄZAŃ Urząd Komsj Nadzoru Fasowego Warszawa 0 DEPARTAENT NADZORU INWESTYCJI EERYTALNYCH

Bardziej szczegółowo