METODY MONTE CARLO V EKONOMETRII.
|
|
- Blanka Navrátilová
- před 5 lety
- Počet zobrazení:
Transkript
1 Mone Carlo Oázka C METOD MONTE CARLO V EKONOMETRII. MAKROEKONOMICKÁ ÚLOHA VLÁD V ekonomerii se někdy objeví problémy, keré nelze řeši analyickými posupy, nebo je o přinejmenším velmi obížné. V om případě je vhodné použí simulační posupy. simulační posupy analyické posupy indukivní specifikace = odvozují obecná pravidla na základě konkréních případů dedukivní specifikace = vyvozují závěry pro konkréní případ na základě obecných pravidel výběrová informace apriorní informace Simulací se rozumí numerická echnika, pomocí keré experimenujeme s odhadnuým modelem, abychom prozkoumali jeho vlasnosi. Přijímáme přiom určié předpoklady o hodnoách paramerů a proměnných či o rozdělení náhodných složek. Závěry mají pouze pravděpodobnosní charaker, jejich přesnos ale rose s počem pokusů. ex pos hisorická ex ane projekce Experimenujeme s různými specifikacemi modelu a pracujeme přiom s již známými pozorováními použiými k odhadu ohoo modelu. Porovnáním skuečných a nasimulovaných hodno můžeme posoudi vhodnos zvolené specifikace modelu. Generujeme budoucí hodnoy či obecně hodnoy mimo inerval pozorování. Lze ak děla např. pseudopředpovědi ex pos, a posoudi ak predikční schopnos modelu. Lze použí i při resrospekivě pro experimeny v inervalu před počákem období pozorování za účelem ověření dynamické sabiliy modelu. deerminisická Negenerujeme náhodné veličiny sochasická Generujeme náhodné veličiny, např. náhodné složky modelu, z určiého pravděpodobnosního rozdělení. Pracujeme edy s umělými day míso skuečných údajů. Sochasická simulace se nazývá aké simulace Mone Carlo. Její speciální formou je boosrap. Lenka Fiřová 04
2 Mone Carlo Oázka C MONTE CARLO Mone Carlo má původ ve 40. leech 0. soleí a její název je odvozen od kasina v Monaku. Jde o saisický experimen, v rámci kerého vygenerujeme velké množsví náhodných čísel a pak z nich vyvozujeme určié závěry, zn. mnohonásobně opakujeme enýž proces. Mone Carlo je vlasně řešením určié úlohy pomocí saisického experimenu. Simulace se vyvinula právě z meody Mone Carlo a věnuje se sudiu rozsáhlých dynamických sysémů Mone Carlo neobsahuje dynamiku. V ekonomerii věšinou generujeme adiivní náhodné složky modelu, hodnoy paramerů či proměnných, a o z určiého pravděpodobnosního rozdělení. u náhodných složek věšinou předpokládáme, že mají normální rozdělení s nulovou sřední hodnoou a směrodanou odchylkou rovnou odhadnué sandardní chybě dané rovnice u paramerů věšinou předpokládáme simulánní normální rozdělení. Pro zanedbaelnou kovarianci můžeme předpokláda, že pochází z normálního rozdělení s průměrem rovným odhadu parameru a směrodanou odchylkou rovnou odhadnué sandardní chybě parameru = odmocnině z odhadnuého rozpylu parameru. Kovarianci zjisíme z kovarianční maice odhadnuých paramerů. Vhodnos odhadové funkce posuzujeme podle různých kriérií. Označme β skuečnou hodnou parameru a b průměrný odhad ohoo parameru. Udělali jsme N výběrů a z každého získali odhad parameru b p. vychýlení odhadové funkce: b β rozpyl odhadové funkce: b N p= p b N N sřední kvadraická chyba: b N p= p β = b N p= p b + b β Sřední kvadraická chyba se rovná souču rozpylu a čverce vychýlení, akže pro nevychýlenou odhadovou funkci se rovná pouze rozpylu. Sřední kvadraická chyba má smysl pro případ, kdy jsou odhady normálně rozděleny jinak je lepší použí např. medián. N Lenka Fiřová 04
3 Mone Carlo Oázka C Využií simulace: prozkoumání asympoických vlasnosí různých meod odhadů esování a zpřesňování specifikace modelu ověření predikční schopnosi modelu. Lze pracova s předpovědí ex ane i ex pos. V případě předpovědi ex ane na základě odhadnuých paramerů a rozpylu či kovarianční maice náhodných složek v případě MSR opakovaně spočíáme ex ane předpověď a porovnáme ji s deerminisickou podmíněnou předpovědí. V případě předpovědi ex pos porovnáváme simulační předpověď endogenní proměnné se skuečně realizovanou hodnoou. Věšinou pracujeme se sřední kvadraickou chybou nebo její odmocninou RMSE. Neparamerickou mírou vhodnosi modelu k predikci je Theilův modifikovaný koeficien nesouladu viz oázka 3C Prognózování. hospodářská poliika: zjišění vlivu nasavení řídících proměnných na hodnoy cílových proměnných scénářová analýza. Věšinou pracujeme s dynamickými MSR. Podsaou je řešení daného varu MSR pro různé hodnoy řídících či cílových proměnných, náhodných složek, funkční vary modelu apod. Varianní analýza slouží k posouzení vlivů různých varian sraegie řízení na úroveň sledovaných cílů. Cílová analýza vyhodnocuje různé možné způsoby, jak dosáhnou zvolených hodno cílových proměnných. Příklady použií Mone Carlo simulace. Odhad Ludolfova čísla úvod do simulace Mone Carlo. Odhad inegrálu 3. Simulace s MSR 4. Zkoumání vlasnosí odhadových funkcí 5. Síla a validia esů hypoéz 6. Odhad směrodané chyby průměru pomocí boosrapu 7. Boosrap v regresi Lenka Fiřová 04
4 Mone Carlo Oázka C PŘÍKLAD : ODHAD LUDOLFOVA ČÍSLA Jedním z nejjednodušších příkladů použií Mone Carlo simulace je odhad čísla π. Vygenerujeme velké množsví bodů ve čverci o rozměru r x r, kde r =. Uvažujme kruh o poloměru vepsaný omuo čverci. Podíl obsahu kruhu a obsahu čverce je roven πr /4r = π/ 4. Vygenerujeme bodů ležících v omo čverci. Čyřnásobek podílu poču pouze ěch bodů, keré leží v kruhu, na všech vygenerovaných bodech je odhadem čísla π. r = k = 0 plo0~0, xlab = "X", ylab = "",pch=6, cex = 0., ylim = c-,, xlim = c-, for i in :0000 { x = runif,-, #vygenerujeme nahodne cislo z inerval -, = souradnice x y = runif,-, #vygenerujeme nahodne cislo z inerval -, = souradnice y poinsy~x, pch = 6, cex = 0., col = ifelsesqrx*x + y*y <= r, "black", "lighblue" #spociame Pyhagorovou veou jeho vzdalenos od sredu #pokud oo cislo lezi v kruhu, pak navysime k o : if sqrx*x + y*y <= r k = k+ } 4*k/0000 #odhad cisla pi Výsledek mi při jednom konkréním experimenu vyšel 3,34. Skuečná hodnoa je 3,4 Lenka Fiřová 04
5 Mone Carlo Oázka C PŘÍKLAD : ODHAD INTEGRÁLU 4 Odhadneme hodnou inegrálu e x dx. Budeme posupova podobně jako v předchozím případě. Vygenerujeme náhodnou souřadnici x z rovnoměrného rozdělení na inervalu,4. Pak vygenerujeme náhodnou souřadnici y z rovnoměrného rozdělení na inervalu 0,e -. Celkem ěcho souřadnic vygenerujeme Všechny yo body leží edy v obdélníku o obsahu krá e -. Zjisíme, pro jaký podíl bodů plaí, že e -x je menší než y. Teno podíl vynásobený obsahem obdélníka je odhadem inegrálu. Skrip napsal M.Basa z KTSP: hh = exp- # y-ova souradnice horni hranice obdelnika S = 4 - * hh # plocha obdelnika # vykreslime si pomocny obrazek xseq = seq, 4, by = 0.05 ploxseq, exp-xseq, ype = "l", col = "red", ylim = c0, hh rec, 0, 4, hh # nahodne vygenerujeme n bodu uvnir obdelniku n = 0000 x = runifn, min =, max = 4 y = runifn, min = 0, max = hh # vygenerovane body zakreslime poinsx, y, pch = ".", col = ifelsey < exp-x, "blue", "black" odhp = sumy < exp-x/n # relaivni cenos zasahu odhin = S * odhp # odhad inegralu # skuecna hodnoa inegralu exp- - exp-4 Výsledek mi při jednom konkréním experimenu vyšel 0,5. Skuečná hodnoa je 0,7. Lenka Fiřová 04
6 Mone Carlo Oázka C Lenka Fiřová 04 PŘÍKLAD 3: SIMULACE S MSR Uvažujme následující sousavu rovnic model muliplikáor akceleráor: G I C u I u C kde C je konečná spořeba, I jsou hrubé invesice, je HDP, G jsou veřejné výdaje a u jsou náhodné složky. Veřejné výdaje jsou exogenní proměnnou, zbylé ři jsou endogenními proměnnými. Zajímá-li nás řešení pro proměnnou, dosadíme první dvě rovnice bez náhodných složek do poslední rovnice a dosaneme zv. fundamenální dynamickou rovnici, kde a, a, b, b jsou známé odhady srukurních paramerů: G b a b b a Pokud děláme sochasickou Mone Carlo simulaci, musíme do modelu přida vliv náhody. Budeme edy pořebova: - e, e rezidua, o kerých předpokládáme, že mají normální rozdělení s nulovou sřední hodnoou a rozpyl rovný čverci odhadnué sandardní chyby příslušné rovnice - ε, ε, ε, ε náhodné chyby odhadnuých srukurních paramerů. Jde o simulánně normálně rozdělené náhodné veličiny. Pokud je jejich kovariance zanedbaelná, můžeme je aproximova normálním rozdělením s nulovou sřední hodnoou a rozpylem rovným čverci odhadnué sandardní chyby příslušeného parameru. Po zahrnuí ěcho náhodných veličin lze model přepsa jako: G I C e b b I e a a C Fundamenální dynamická rovnice pro pak je: G b a e e b b a ] [ Následně můžeme generova rajekorie hodno pro různé hodnoy ε, ε, ε, ε, přičemž yo hodnoy považujeme za dané a hodnoy reziduí generujeme náhodně z daného pravděpodobnosního rozdělení.
7 Mone Carlo Oázka C PŘÍKLAD 4: ZKOUMÁNÍ VLASTNOSTÍ ODHADOVÝCH FUNKCÍ Vygenerujeme náhodných 00 hodno nezávislých proměnných X z rovnoměrného rozdělení, 0. Budeme uvažova dva případy. V obou případech bude vysvělovaná proměnná generována vzahem = α + βx + u, konkréně = 50 + X + u. Rozdíl bude v náhodné složce. V prvním případě bude náhodná složka homoskedasická a bude pocháze z normálního rozdělení s průměrem 0 a směrodanou odchylkou rovnou průměrné hodnoě X. Ve druhém případě bude náhodná složka heeroskedasická. Její průměr bude roven nule, avšak její rozpyl bude funkcí druhé mocniny X, zn. σ i = X X i. Pro každý z případů vygenerujeme 00 hodno náhodných složek a spočíáme 00 hodno vysvělovaných proměnných výše uvedeným vzahem. Pak eno vzah jakoby zapomeneme a zkusíme z ěcho hodno paramery zpěně odhadnou. Odhad parameru β by se měl blíži dvěma. Zaznamenáme jeho hodnou a aké odhad jeho směrodané chyby, kerý je rovněž výsupem modelu. Toéž provedeme isíckrá. Tak získáme 000 odhadnuých hodno pro případ homoskedasiciy a dalších 000 pro případ heeroskedasiciy. Vygenerujeme graf husoy odhadové funkce parameru β pro oba případy. V obou případech aké porovnáme směrodanou chybu spočíanou z éo isícovky hodno, kerá udává variabiliu odhadové funkce, s průměrným odhadem směrodané chyby z modelu. Tyo hodnoy by se měly rovna, víme ale, že pro případ heeroskedasiciy jsou odhady směrodané chyby vychýlené, proo se asi rovna nebudou. X = runif00,,0 #vygenerujeme vysvelovanou promennou sd = meanx #homoskedasicia b =repna,000 SE = NULL for i in :000 #pro kazde z 000 opakovani { = 50 + *X + rnorm00,0,sd*sd #vygenerujeme nahodnou slozku a spociame regrese.puvodni=lm~x #jakoby zapomeneme skuecne paramery a odhadneme je MNC b[i] = regrese.puvodni$coef[] #ulozime si odhad parameru bea SE = cse, coefsummaryregrese.puvodni[, "Sd. Error"][]} #a odhad jeho smerodane chyby sdb - meanse # rozdil smerodane odchylky 000 odhadnuzch parameru a prumerne sm.chyby #konkreni vysledek, když jsem o zkousela: #heeroskedasicia enyz posup s im rozdilem, ze rozpyl nahodne slozky je funkci X h =repna,000 SE = NULL for i in :000 { u = repna,00 forj in :00 #rozpyl je funkci cvercu vysv.promennych v R se pri generovani udava sm.odchylka { u[j] = rnorm,0,sd*x[j]} = 50 + *X + u regrese=lm~x h[i] = regrese$coef[] SE = cse, coefsummaryregrese[, "Sd. Error"][] } sdh - meanse #konkreni vysledek, když jsem o zkousela: 0.5, zda se, ze odhad sm.chyby je vychyleny #grafy: parmfrow = c, plodensiyb,xlim = c-4,8,ylim = c0,0.5,main = "Homoskedasicia",ype = "h", col = "blue" ablinev= plodensiyh,xlim = c-4,8,ylim = c0,0.5,main = "Heeroskedasicia", ype = "h", col = "grey" ablinev= Lenka Fiřová 04
8 Mone Carlo Oázka C Simulací jsme zjisili, že MNČ poskyuje nevychýlené odhady i v případě heeroskedasiciy, avšak odhad směrodané chyby je pro případ heeroskedasiciy vychýlený. Následně bychom pro případ heeroskedasiciy mohli porovna odhady při aplikaci MNČ získané výše a MZNČ. Zjisili bychom pravděpodobně, že variabilia odhadů při použií MZNČ je menší, edy že MZNČ je vydanější ve srovnání s MNČ. Toéž je možné provés i pro případ auokorelace viz Hušek 007, sr Pro fixní hodnoy vysvělujících proměnných a různé koeficieny auokorelace bychom opakovaně generovali náhodné složky a dopočíali hodnou vysvělované proměnné podle předem specifikovaného vzahu: = 5 + X + X + u. Ten bychom pak zapomněli a paramery zpěně odhadovali pomocí MNČ a MZNČ. Zjisili bychom, že pro vyšší hodnoy koeficienu auokorelace je variabilia odhadů nižší při použií MZNČ ve srovnání s MNČ, což znamená, že odhadová funkce MNČ není vydaná. Také bychom zjisili, že odhad směrodané chyby paramerů je při použií MNČ vychýlený podhodnocený. Lenka Fiřová 04
9 Mone Carlo Oázka C PŘÍKLAD 5: SÍLA A VALIDITA TESTŮ HPOTÉZ Když chceme zjisi sílu esu, zkoumáme, jaká je pravděpodobnos, že skuečně zamíneme nulovou hypoézu, pokud neplaí. Síla esu klesá s klesající hladinou významnosi. Když chceme zjisi validiu esu, zkoumáme, jaká je pravděpodobnos, že zamíneme nulovou hypoézu, kerá přiom plaí zn. že se dopusíme chyby prvního druhu. Tao pravděpodobnos by se měla rovna hladině významnosi α. Tedy například při α = 0,05 bychom mohli esova, zda se průměr výšky v populaci rovná 70 cm. Uděláme 000 výběrů a provedeme es hypoézy. Přibližně v 50 výběrech bychom měli hypoézu, že je průměrná výška rovna 70 cm, na dané hladině významnosi zamínou. Sane se o ehdy, když náhodou vybereme hodně vysokých či naopak hodně nízkých lidí, a o se občas sane. Pomocí simulace Mone Carlo je možné esova sílu a validiu esu, což je v ekonomerii velmi důležié. Uvažujme Shapiro-Wilk es normaliy. Budeme opakovaně generova výběry různého rozsahu: nejprve z -rozdělení s 0 supni volnosi, pak z uniformního rozdělení a nakonec z normálního rozdělení. Zjisíme pro každý výběr p-hodnou. Pokud bude nižší než 0,05, znamená o, že na 5 % hladině významnosi bychom zamíli nulovou hypoézu o normaliě výběru. Pro výběry z -rozdělení a uniformního rozdělení ímo ověříme sílu esu. Pokud je es dosaečně silný, měl by nulovou hypoézu o normaliě zamínou, jelikož neplaí. Pro výběry z normálního rozdělení ímo ověříme validiu esu. Validní es by měl zamínou nulovou hypoézu v 5 % případů. Skrip M.Basa upraveno phodnoa = funcionvyb { reurnshapiro.esvyb$p.value} # funkce phodnoa budee vrace p-hodnou esu N = 500 # poce opakovani rozsahy = c5,0,50,00,50,500,750,000 # ruzne rozsahy vyberu alpha = 0.05 # nominalni hladina vyznamnosi esu vys = repna,lenghrozsahy # vekory pro ukladani vysledku vys = repna,lenghrozsahy vys3 = repna,lenghrozsahy # sila esu vyber z rozdeleni for i in :lenghrozsahy { # silu esu sudujeme pro ruzne rozsahy vyberu ma = marixrrozsahy[i] * N, df = 0, ncol = N vys[i] = meanapplyma,, phodnoa <= alpha } # vygenerujeme N vyberu, kazdy o rozsahu posupne 0, 00 a 000, s 0 supni volnosi # odhadneme silu esu, uvazujeme nominalni hladinu vyznamnosi alpha # spociame, v kolika vyberech je p-hodnoa nizsi nez 0.05, a vydelime o pocem vyberu # sila esu vyber z uniformniho rozdeleni for i in :lenghrozsahy { ma = marixrunifrozsahy[i] * N, -4,4, ncol = N vys[i] = meanapplyma,, phodnoa <= alpha } # validia esu vyber z normalniho rozdeleni for i in :lenghrozsahy { ma = marixrnormrozsahy[i] * N, ncol = N vys3[i] = meanapplyma,, phodnoa <= alpha } Lenka Fiřová 04
10 Mone Carlo Oázka C # grafy parmfrow = c,3 plovys~rozsahy, ype = "l", main = "Sila esu - vyber z -rozdeleni" plovys~rozsahy, ype = "l", main = "Sila esu - vyber z uniformniho rozdeleni" plovys3~rozsahy, ype = "l", main = "Validia esu - vyber z normalniho rozdeleni", ylim = c0, Lenka Fiřová 04
11 Mone Carlo Oázka C BOOTSTRAP Boosrap je speciální posup, jehož přednosí je, že nemusíme zná konkréní proces generování da. Simulací generujeme velký poče zv. boosrapových výběrů. Z každého z nich pak spočeme esovací saisiky, jejichž empirická rozdělení porovnáme se skuečnými esovacími saisikami. Tao meoda edy umožňuje na základě hodno jednoho náhodného výběru odhadova vlasnosi odhadu parameru směrodanou chybu odhadu, vychýlení, inervaly spolehlivosi. Předsavme si například, že chceme získa odhad směrodané chyby mediánu nebo řeba odhad směrodané chyby podílu dvou sředních hodno. To už není ak jednoduché jako spočía odhad směrodané chyby průměru a navíc o vyžaduje splnění určiých předpokladů. Máme k dispozici jeden výběr z populace. Empirická disribuční funkce je neparamerickým odhadem disribuční funkce v éo populaci. Boosrap považuje eno jeden výběr jako náhražku za celou populaci. Z ohoo výběru o rozhsahu n provádíme opakované výběry s vracením rozsahu n resampling, a o celkem B-krá. Tak spočíáme celkem B boosrapových replikací odhadu θ B například B odhadů mediánu. Z nich můžeme odhadnou směrodanou chybu ak, že spočíáme směrodanou odchylku ěcho hodno. PŘÍKLAD 6: ODHAD SMĚRODATNÉ CHB PRŮMĚRU POMOCÍ BOOTSTRAPU Skrip M.Basa upraveno n = 0 # rozsah vyberu vyb = runifn # vybereme 0 hodno z uniformniho rozdeleni na inervalu 0, B = 50 # udelame 50 boosrapovych vyberu ma = marixsamplevyb, size = n * B, replace = TRUE, ncol = B # v maici ma bude 50 sloupcu a v kazdem sloupci bude 0 hodno daneho vyberu brep = applyma,, mean #brep je vekor vyberovych prumeru prumer hodno v kazdem sloupci bse = sdbrep # boosrapovy odhad sm.chyby vyberoveho prumeru, edy sm.odchylka vyberovych prumeru sdvyb/sqrn #pro srovnani - klasicky vypoce pomoci bezneho vzorecku se = sqr//sqrn # skuecna hodnoa smerodane chyby vyberoveho prumeru hisbrep, col = "blue" # hisogram es = meanvyb # vyberovy prumer puvodniho vyberu jakozo odhad sredni hodnoy bisnormd = es - qnorm0.975 * bse # zv. boosrapovy normalni inerval spolehlivosi dolni hranice bisnormh = es + qnorm0.975 * bse # zv. boosrapovy normalni inerval spolehlivosi horni hranice # pro inervaly spolehlivosi je vhodne B navysi. Normalni inerval nemusi by uplne nejvhodnejsi volbou. Výsledek mi při jednom konkréním experimenu vyšel 0,056 pomocí boosrapu a 0,055 klasickým výpočem. Skuečná hodnoa je 0,065. Hisogram výběrového průměru: Lenka Fiřová 04
12 Mone Carlo Oázka C PŘÍKLAD 7: BOOTSTRAP V REGRESI Chěli bychom nyní odhadnou směrodanou chybu regresních paramerů. Disribuční funkci náhodné složky můžeme odhadnou pomocí empirické disribuční funkce reziduí. Posup spočívá v om, že z původního vekoru reziduí děláme opakované výběry s vracením. Pro každý boosrapový výběr spočíáme na základě odhadnuých paramerů, známých hodno vysvělující proměnné a ěcho resamplovaných reziduí hodnoy vysvělované proměnné. Pomocí ako spočíaných hodno vysvělované proměnné znovu odhadneme paramery regrese. Toéž opakujeme mnohokrá a odhady paramerů si ukládáme. Spočíaná směrodaná odchylka z ěcho odhadnuých paramerů je pak odhadem směrodané chyby parameru. Skrip M.Basa upraveno libraryboo X = runif40,0,0 ## vyvorime nejaka daa = + 5*X + rnorm40,0,5 fi = lm ~ X ## odhad parameru meodou nejmensich cvercu MNC sse = coefsummaryfi[, ] # odhady smerodanych chyb odhadu, jak je vysupem z regrese odhadres = funcionrezidua, ind, xprim, odhadypar { y = odhadypar[] + odhadypar[] * xprim + rezidua[ind] fi = lmy ~ xprim reurncoeffi} # ao funkce vyvori boosrapovy vyber # na zaklade resamplovani rezidui a nasledne ziska boosrapovou replikaci odhadu # rezidua... rezidua z primarniho odhadu # ind... indexy pro resamplovani # xprim... hodnoy vysvelujici promenne pouzie v primarnim odhadu # odhadypar... odhady regresnich parameru MNC z primarniho odhadu # boosrapping, pro napovedu k argumenum funkce viz helpboo bo = booresidfi, odhadres, R = 000, xprim = X, odhadypar = coeffi bser = applybo$,, sd # boosrapove odhady sm. chyb na zaklade resamplovani rezidui Lenka Fiřová 04
13 Mone Carlo Oázka C MAKROEKONOMICKÁ POLITIKA HLAVNÍ CÍLE. Vysoká a rosoucí úroveň reálného produku.. Nízká nezaměsnanos, vyváření pracovních příležiosí 3. Sabilní nebo mírně se zvyšující cenová hladina s cenami a mzdami sanovenými na volných rzích. 4. Zahraniční ekonomické vzahy, keré se vyznačují sabilním měnovým kurzem a vyrovnaným saldem. MĚŘÍTKA EKONOMICKÉ ÚSPĚŠNOSTI ZEMĚ. Hrubý domácí produk = ržní hodnoa saků a služeb vyvořená za dané období na určiém území. Rozlišujeme nominální HDP v ržních cenách a reálný HDP ve sálých cenách výchozího období. Poenciální HDP je nejvyšší udržielný výkon ekonomiky.. Míra nezaměsnanosi. Nezaměsnaný je člověk v produkivním věku, kerý si akivně hledá práci a je schopen do 4 dnů nasoupi do zaměsnání. 3. Míra inflace = index růsu či poklesu cenové hladiny. Sanovuje se na základě CPI, edy indexu spořebielských cen, kerý se počíá z výdajů na pevně sanovený koš saků a služeb. 4. Saldo obchodní bilance. ČR HDP nezaměsnanos inflace saldo OB 03-0,9 % Q 04: + % 7 %,4 % 350 mld Kč NÁSTROJE MAKROEKONOMICKÉ POLITIK. Fiskální poliika a vládní výdaje - podílí se na vorbě HNP, sanovuje rozsah veřejného a soukromého sekoru b daně - daně omezují důchody obyvaelsva, napomáhají sanovova ceny.. Moneární poliika. Zahrnuje regulaci peněz, úvěrů a bankovní sousavy země její cenrální bankou. Zrychluje či zpomaluje růs nabídky peněz, snižuje nebo zvyšuje úrokové sazby a povzbuzuje nebo omezuje invesice a působí na cenovou hladinu inflaci. 3. Zahraniční hospodářská poliika. a ovlivňování obchodu prosřednicvím opaření obchodní poliiky cla, kvóy. b Regulace měnového rhu např. nedávné oslabení koruny inervencí ČNB 4. Důchodová poliika. Mzdová a cenová poliika, souhrn opaření vlády, kerá usilují o zmírnění inflace pomocí přímých kroků, ať již slovním přesvědčováním, nebo zákonnými regulačními opařeními, zahrnujícími mzdy a ceny. V posledních leech se již opouší. HLAVNÍ PROUD Ekonomie hlavního proudu - neokeynesiánská ekonomie Za hlavní zlo považují nezaměsnanos. Kladou důraz na fiskální poliiku. Sala se převažujícím směrem po druhé svěové válce. Po krizi v 70. leech bylo neokeynesiánsví nahrazeno neokonzervaivní eorií. V současné době neokeynesiánská ekonomie opě posiluje své posavení. Monearismus neoklasická makroekonomie Za hlavní zlo považuje inflaci. Kladou důraz na moneární poliiku. Hlavním násrojem jsou operace na volném rhu. Vychází z předsavy, že rhy disponují dosaečnými samoregulačními silami, keré jsou schopny navrace ržní ekonomiku bez výraznějších negaivních dopadů do savu rovnováhy. Sání zásahy mají povahu desabilizujících šoků. Za zakladaele se považuje Milon Friedman. Lenka Fiřová 04
14 Mone Carlo Oázka C ZDROJE Hušek, R.: Ekonomerická analýza. Nakladaelsví Oeconomica, Praha 007. Český saisický úřad. hp:// Zpracované oázky ke sánicím dosupné z hps://drive.google.com/folderview?id=0b5agwzpg7fj_mwvdljbmlm0vek&usp#grid Mgr. Milan Baša, Ph.D.: Cvičení z 4ST47 Výpočení saisika v R. Lenka Fiřová 04
STÁTNICE. Ekonometrie a operační výzkum
STÁTNICE Ekonometrie a operační výzkum Na úvod Zdravím všechny ekonometrické nadšence. V tomto dokumentu najdete vypracované otázky ke státnicím z oboru Ekonometrie a operační výzkum. Může je použít kdokoli,
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
Více( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1
Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely
VíceVolba vhodného modelu trendu
8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku
VíceEKONOMETRIE 6. přednáška Modely národního důchodu
EKONOMETRIE 6. přednáška Modely národního důchodu Makroekonomické modely se zabývají modelováním a analýzou vzahů mezi agregáními ekonomickými veličinami jako je důchod, spořeba, invesice, vládní výdaje,
VíceVýkonnost a spolehlivost číslicových systémů
Výkonnos a spolehlivos číslicových sysémů Úloha Generování a zpracování náhodných čísel Zadání 9 Trojúhelníkové rozdělení Jan Kupka A65 kupka@sudens.zcu.cz . Zadání vyvoře generáor rozdělení jako funkci
VíceZhodnocení historie predikcí MF ČR
E Zhodnocení hisorie predikcí MF ČR První experimenální publikaci, kerá shrnovala minulý i očekávaný budoucí vývoj základních ekonomických indikáorů, vydalo MF ČR v lisopadu 1995. Tímo byl položen základ
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Modely simulánních rovnic Problém idenifikace srukurních simulánních rovnic Cvičení Zuzana Dlouhá Modely simulánních rovnic (MSR) eisence vzájemných vazeb mezi proměnnými v modelu,
VíceDemografické projekce počtu žáků mateřských a základních škol pro malé územní celky
Demografické projekce poču žáků maeřských a základních škol pro malé územní celky Tomáš Fiala, Jika Langhamrová Kaedra demografie Fakula informaiky a saisiky Vysoká škola ekonomická v Praze Pořebná daa
VíceT t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka
Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické
VíceSchéma modelu důchodového systému
Schéma modelu důchodového sysému Cílem následujícího exu je názorně popsa srukuru modelu, kerý slouží pro kvanifikaci příjmové i výdajové srany důchodového sysému v ČR, a o jak ve varianách paramerických,
VíceTeorie obnovy. Obnova
Teorie obnovy Meoda operačního výzkumu, kerá za pomocí maemaických modelů zkoumá problémy hospodárnosi, výměny a provozuschopnosi echnických zařízení. Obnova Uskuečňuje se až po uplynuí určiého času činnosi
VíceVybrané metody statistické regulace procesu pro autokorelovaná data
XXVIII. ASR '2003 Seminar, Insrumens and Conrol, Osrava, May 6, 2003 239 Vybrané meody saisické regulace procesu pro auokorelovaná daa NOSKIEVIČOVÁ, Darja Doc., Ing., CSc. Kaedra konroly a řízení jakosi,
VíceČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE VYTVÁŘENÍ TRŽNÍ ROVNOVÁHY VYBRANÝCH ZEMĚDĚLSKO-POTRAVINÁŘSKÝCH PRODUKTŮ Ing. Michal Malý Školiel: Prof. Ing. Jiří
VíceVyužijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.
Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy
VíceAnalýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací
VíceMĚNOVÁ POLITIKA, OČEKÁVÁNÍ NA FINANČNÍCH TRZÍCH, VÝNOSOVÁ KŘIVKA
Přednáška 7 MĚNOVÁ POLITIKA, OČEKÁVÁNÍ NA FINANČNÍCH TRZÍCH, VÝNOSOVÁ KŘIVKA A INTERAKCE S MĚNOVÝM KURZEM (navazující přednáška na přednášku na éma inflace, měnová eorie a měnová poliika) Měnová poliika
VícePŘÍLOHA SDĚLENÍ KOMISE. nahrazující sdělení Komise
EVROPSKÁ KOMISE V Bruselu dne 28.10.2014 COM(2014) 675 final ANNEX 1 PŘÍLOHA SDĚLENÍ KOMISE nahrazující sdělení Komise o harmonizovaném rámci návrhů rozpočových plánů a zpráv o emisích dluhových násrojů
VíceÚloha V.E... Vypař se!
Úloha V.E... Vypař se! 8 bodů; průměr 4,86; řešilo 28 sudenů Určee, jak závisí rychlos vypařování vody na povrchu, kerý ao kapalina zaujímá. Experimen proveďe alespoň pro pě různých vhodných nádob. Zamyslee
VíceSkupinová obnova. Postup při skupinové obnově
Skupinová obnova Při skupinové obnově se obnovují všechny prvky základního souboru nebo určiá skupina akových prvků najednou. Posup při skupinové obnově prvky, jež selžou v určiém období, je nuno obnovi
Vícelistopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.
6. cvičení z PSI 7. -. lisopadu 6 6. kvanil, sřední hodnoa, rozpyl - pokračování příkladu z minula) Náhodná veličina X má disribuční funkci e, < F X ),, ) + 3,,), a je směsí diskréní náhodné veličiny U
VíceIMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA,
IMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA, STABILITA. Jednokový impuls (Diracův impuls, Diracova funkce, funkce dela) někdy éž disribuce dela z maemaického hlediska nejde o pravou funkci (přesný popis eorie
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA II V PŘÍKLADECH CVIČENÍ Č. Ing. Pera Schreiberová, Ph.D. Osrava 0 Ing. Pera Schreiberová, Ph.D. Vysoká škola báňská Technická
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
Více2. ZÁKLADY TEORIE SPOLEHLIVOSTI
2. ZÁKLADY TEORIE SPOLEHLIVOSTI Po úspěšném a akivním absolvování éo KAPITOLY Budee umě: orienova se v základním maemaickém aparáu pro eorii spolehlivosi, j. v poču pravděpodobnosi a maemaické saisice,
VíceFINANČNÍ MATEMATIKA- ÚVĚRY
Projek ŠABLONY NA GVM Gymnázium Velké Meziříčí regisrační číslo projeku: CZ.1.07/1.5.00/4.0948 IV- Inovace a zkvalinění výuky směřující k rozvoji maemaické gramonosi žáků sředních škol FINANČNÍ MATEMATIKA-
VíceSeznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.
4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci
VíceModelování volatility akciového indexu FTSE 100
ISSN 805-06X 805-0638 (online) ETTN 07--0000-09-4 Modelování volailiy akciového indexu FTSE 00 Adam Borovička Vysoká škola ekonomická v Praze Fakula informaiky a saisiky Kaedra ekonomerie; nám. W. Churchilla
VíceNávrh rozložení výroby jednotlivých výrobků do směn sloužící ke snížení zmetkovitosti
MENDELOVA UNIVERZITA V BRNĚ Provozně ekonomická fakula Úsav saisiky a operačního výzkumu Návrh rozložení výroby jednolivých výrobků do směn sloužící ke snížení zmekoviosi Diplomová práce Vedoucí práce:
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
Více10 Lineární elasticita
1 Lineární elasicia Polymerní láky se deformují lineárně elasicky pouze v oblasi malých deformací a velmi pomalých deformací. Hranice mezi lineárním a nelineárním průběhem deformace (mez lineariy) závisí
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
VícePasivní tvarovací obvody RC
Sřední průmyslová škola elekroechnická Pardubice CVIČENÍ Z ELEKTRONIKY Pasivní varovací obvody RC Příjmení : Česák Číslo úlohy : 3 Jméno : Per Daum zadání : 7.0.97 Školní rok : 997/98 Daum odevzdání :
VíceVěstník ČNB částka 25/2007 ze dne 16. listopadu 2007
Třídící znak 1 0 7 0 7 6 1 0 ŘEDITEL SEKCE BANKOVNÍCH OBCHODŮ ČESKÉ NÁRODNÍ BANKY VYHLAŠUJE ÚPLNÉ ZNĚNÍ OPATŘENÍ ČESKÉ NÁRODNÍ BANKY Č. 2/2003 VĚST. ČNB, KTERÝM SE STANOVÍ PODMÍNKY TVORBY POVINNÝCH MINIMÁLNÍCH
VíceLineární rovnice prvního řádu. Máme řešit nehomogenní lineární diferenciální rovnici prvního řádu. Funkce h(t) = 2
Cvičení 1 Lineární rovnice prvního řádu 1. Najděe řešení Cauchyovy úlohy x + x g = cos, keré vyhovuje podmínce x(π) =. Máme nehomogenní lineární diferenciální ( rovnici prvního řádu. Funkce h() = g a q()
VíceV EKONOMETRICKÉM MODELU
J. Arl, Š. Radkovský ANALÝZA ZPOŽDĚNÍ V EKONOMETRICKÉM MODELU VP č. Praha Auoři: doc. Ing. Josef Arl, CSc. Ing. Šěpán Radkovský Názor a sanoviska v éo sudii jsou názor auorů a nemusí nuně odpovída názorům
VícePráce a výkon při rekuperaci
Karel Hlava 1, Ladislav Mlynařík 2 Práce a výkon při rekuperaci Klíčová slova: jednofázová sousava 25 kv, 5 Hz, rekuperační brzdění, rekuperační výkon, rekuperační energie Úvod Trakční napájecí sousava
VíceZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK
ZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK Vzhledem ke skuečnosi, že způsob modelování elasomerových ložisek přímo ovlivňuje průběh vniřních sil v oblasi uložení, rozebereme v éo kapiole jednolivé možné
Více5 GRAFIKON VLAKOVÉ DOPRAVY
5 GRAFIKON LAKOÉ DOPRAY Jak známo, konsrukce grafikonu vlakové dopravy i kapaciní výpočy jsou nemyslielné bez znalosi hodno provozních inervalů a následných mezidobí. éo kapiole bude věnována pozornos
VíceDerivace funkce více proměnných
Derivace funkce více proměnných Pro sudeny FP TUL Marina Šimůnková 21. prosince 2017 1. Parciální derivace. Ve výrazu f(x, y) považujeme za proměnnou jen x a proměnnou y považujeme za konsanu. Zderivujeme
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VíceFAKULTA APLIKOVANÝCH VĚD
FAKULTA APLIKOVANÝCH VĚD ZÁPADOČESKÁ UNIVERZITA V PLZNI Semesrální práce z předměu KMA/MAB Téma: Schopnos úrokového rhu předvída sazby v době krize Daum: 7..009 Bc. Jan Hegeď, A08N095P Úvod Jako éma pro
VíceÚVOD DO DYNAMIKY HMOTNÉHO BODU
ÚVOD DO DYNAMIKY HMOTNÉHO BODU Obsah Co je o dnamika? 1 Základní veličin dnamik 1 Hmonos 1 Hbnos 1 Síla Newonov pohbové zákon První Newonův zákon - zákon servačnosi Druhý Newonův zákon - zákon síl Třeí
VíceAnalýza rizikových faktorů při hodnocení investičních projektů dle kritéria NPV na bázi EVA
4 mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-U Osrava, Ekonomická fakula, kaedra Financí 11-12 září 2008 Analýza rizikových fakorů při hodnocení invesičních projeků dle kriéria
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvaniaivní meod I Přednáška 3 Zuzana Dlouhá Předmě a srukura kurzu. Úvod: srukura empirických výzkumů. vorba ekonomických modelů: eorie 3. Daa: zdroje a p da, význam popisných charakerisik
VíceMetodika zpracování finanční analýzy a Finanční udržitelnost projektů
OPERAČNÍ PROGRAM ŽIVOTNÍ PROSTŘEDÍ EVROPSKÁ UNIE Fond soudržnosi Evropský fond pro regionální rozvoj Pro vodu, vzduch a přírodu Meodika zpracování finanční analýzy a Finanční udržielnos projeků PŘÍLOHA
VíceVliv struktury ekonomiky na vztah nezaměstnanosti a inflace
Mendelova univerzia v Brně Provozně ekonomická fakula Úsav ekonomie Vliv srukury ekonomiky na vzah nezaměsnanosi a inflace Diplomová práce Vedoucí práce: Ing. Milan Palá, Ph.D. Vypracoval: Bc. Jiří Morávek
VíceParciální funkce a parciální derivace
Parciální funkce a parciální derivace Pro sudeny FP TUL Marina Šimůnková 19. září 2018 1. Parciální funkce. Příklad: zvolíme-li ve funkci f : (x, y) sin(xy) pevnou hodnou y, například y = 2, dosaneme funkci
VíceMatematika v automatizaci - pro řešení regulačních obvodů:
. Komplexní čísla Inegrovaná sřední škola, Kumburská 846, Nová Paka Auomaizace maemaika v auomaizaci Maemaika v auomaizaci - pro řešení regulačních obvodů: Komplexní číslo je bod v rovině komplexních čísel.
Více6.3.6 Zákon radioaktivních přeměn
.3. Zákon radioakivních přeměn Předpoklady: 35 ěkeré nuklidy se rozpadají. Jak můžeme vysvěli, že se čás jádra (například čásice 4 α v jádře uranu 38 U ) oddělí a vyleí ven? lasická fyzika Pokud má čásice
VíceMetodika odhadu kapitálových služeb
Vysoká škola ekonomcká v Praze Fakula nformaky a sasky aedra ekonomcké sasky Meodka odhadu kapálových služeb Prof. Ing. Sanslava Hronová, CSc., dr. h. c. Ing. Jaroslav Sxa, Ph.D. Prof. Ing. Rchard Hndls,
VíceBiologické modely. Robert Mařík. 9. listopadu Diferenciální rovnice 3. 2 Autonomní diferenciální rovnice 8
Biologické modely Rober Mařík 9. lisopadu 2008 Obsah 1 Diferenciální rovnice 3 2 Auonomní diferenciální rovnice 8 3 onkréní maemaické modely 11 Dynamická rovnováha poču druhů...................... 12 Logisická
VíceStochastické modelování úrokových sazeb
Sochasické modelování úrokových sazeb Michal Papež odbor řízení rizik 1 Sochasické modelování úrokových sazeb OBSAH PŘEDNÁŠKY Úvod do problemaiky sochasických procesů Brownův pohyb, Wienerův proces Ioovo
VíceDERIVACE A MONOTÓNNOST FUNKCE DERIVACE A MONOTÓNNOST FUNKCE. y y
Předmě: Ročník: Vvořil: Daum: MATEMATIKA ČTVRTÝ Mgr Tomáš MAŇÁK 5 srpna Název zpracovaného celku: DERIVACE A MONOTÓNNOST FUNKCE DERIVACE A MONOTÓNNOST FUNKCE je monoónní na celém svém deiničním oboru D
VíceKatedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 4. TROJFÁZOVÉ OBVODY
Kaedra obecné elekroechniky Fakula elekroechniky a inormaiky, VŠB - T Osrava. TOJFÁZOVÉ OBVODY.1 Úvod. Trojázová sousava. Spojení ází do hvězdy. Spojení ází do rojúhelníka.5 Výkon v rojázových souměrných
Více5. Využití elektroanalogie při analýze a modelování dynamických vlastností mechanických soustav
5. Využií elekroanalogie při analýze a modelování dynamických vlasnosí mechanických sousav Analogie mezi mechanickými, elekrickými či hydraulickými sysémy je známá a lze ji účelně využíva při analýze dynamických
VíceAPLIKACE INDEXU DAŇOVÉ PROGRESIVITY V PODMÍNKÁCH ČESKÉ REPUBLIKY
APLIKACE INDEXU DAŇOVÉ PROGRESIVIT V PODMÍNKÁCH ČESKÉ REPUBLIK Ramanová Ivea ABSTRAKT Příspěvek je věnován problemaice měření míry progresiviy zdanění pomocí indexu daňové progresiviy, kerý vychází z makroekonomických
VíceVývoj dynamického modelu pro odhad radonové
Univerzia Karlova v Praze Maemaicko-fyzikální fakula DIPLOMOVÁ PRÁCE Barbora Lebdušková Vývoj dynamického modelu pro odhad radonové záěže budov Kaedra pravděpodobnosi a maemaické saisiky Vedoucí diplomové
VíceRole fundamentálních faktorů při analýze chování Pražské burzy #
Role fundamenálních fakorů při analýze chování Pražské burzy # Ví Poša Výzkum chování akciových a obecně finančních rhů má dlouhou hisorii, jehož výsupy nalézají uplanění v ekonomické eorii, pro kerou
VíceAnalýza citlivosti NPV projektu na bázi ukazatele EVA
3. mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-U Osrava, Ekonomická fakula, kaedra Financí 6.-7. září 2006 Analýza cilivosi NPV projeku na bázi ukazaele EVA Dagmar Richarová
VíceRozbor složek spotřeby a komparace různých spotřebních funkcí v České republice
Mendelova univerzia v Brně Provozně ekonomická fakula Rozbor složek spořeby a komparace různých spořebních funkcí v České republice Bakalářská práce Vedoucí práce: Ing. Zdeněk Rosenberg Radek Pavelka,
Více4. Střední radiační teplota; poměr osálání,
Sálavé a průmyslové vyápění (60). Sřední radiační eploa; poměr osálání, operaivní a výsledná eploa.. 08 a.. 08 Ing. Jindřich Boháč TEPLOTY Sřední radiační eploa - r Sálavé vyápění = PŘEVÁŽNĚ sálavé vyápění
VíceODHADY VARIABILITY POSLOUPNOSTÍ
ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU ODHADY VARIABILITY POSLOUPNOSTÍ NEURONOVÝCH IMPULSŮ Kamil Rajdl Úsav maemaiky a saisiky Přírodovědecká fakula
Více2.2.9 Jiné pohyby, jiné rychlosti II
2.2.9 Jiné pohyby, jiné rychlosi II Předpoklady: 020208 Pomůcky: papíry s grafy Př. 1: V abulce je naměřeno prvních řice sekund pohybu konkurenčního šneka. Vypoči: a) jeho průměrnou rychlos, b) okamžié
VíceMetodika transformace ukazatelů Bilancí národního hospodářství do Systému národního účetnictví
Vysoká škola ekonomická v Praze Fakula informaiky a saisiky Kaedra ekonomické saisiky Meodika ransformace ukazaelů Bilancí národního hospodářsví do Sysému národního účenicví Ing. Jaroslav Sixa, Ph.D. Doc.
VíceModeling and in-sample forecasting of volatility using linear and nonlinear models of conditional heteroscedasticity
6 h Inernaional Scienific Conference Managing and Modelling of Financial Risks Osrava VŠB-U Osrava, Faculy of Economics,Finance Deparmen 0 h h Sepember 0 Modeling and in-sample forecasing of volailiy using
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceNumerická integrace. b a. sin 100 t dt
Numerická inegrace Mirko Navara Cenrum srojového vnímání kaedra kyberneiky FEL ČVUT Karlovo náměsí, budova G, mísnos 14a hp://cmpfelkcvucz/~navara/nm 1 lisopadu 18 Úloha: Odhadnou b a f() d na základě
VícePŘÍČINY PODSTŘELOVÁNÍ CÍLE: ROLE INFLAČNÍCH OČEKÁVÁNÍ
VYHODNOCENÍ PLNĚNÍ INFLAČNÍCH CÍLŮ ČNB V LETECH 998 2007 KAPITOLA 0. KAPITOLA 0 PŘÍČINY PODSTŘELOVÁNÍ CÍLE: ROLE INFLAČNÍCH OČEKÁVÁNÍ ROMAN HORVÁTH 24 25 VYHODNOCENÍ PLNĚNÍ INFLAČNÍCH CÍLŮ ČNB V LETECH
VíceFyzikální korespondenční seminář MFF UK
Úloha V.E... sladíme 8 bodů; průměr 4,65; řešilo 23 sudenů Změře závislos eploy uhnuí vodného rozoku sacharózy na koncenraci za amosférického laku. Pikoš v zimě sladil chodník. eorie Pro vyjádření koncenrace
VícePříjmově typizovaný jedinec (PTJ)
Příjmově ypizovaný jeinec (PTJ) V éo čási jsou popsány charakerisiky zv. příjmově ypizovaného jeince (PTJ), j. jeince, kerý je určiým konkréním způsobem efinován. Slouží jako násroj k posouzení opaů ůchoových
VíceVěstník ČNB částka 16/2004 ze dne 25. srpna 2004
Třídící znak 1 0 6 0 4 6 1 0 ŘEDITEL SEKCE BANKOVNÍCH OBCHODŮ VYHLAŠUJE Ú P L N É Z N Ě N Í OPATŘENÍ ČESKÉ NÁRODNÍ BANKY Č. 2/2003 VĚST. ČNB, KTERÝM SE STANOVÍ MINIMÁLNÍ VÝŠE LIKVIDNÍCH PROSTŘEDKŮ A PODMÍNKY
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE. Martina Čechvalová. Speciální problémy regrese v ekonomii a financích
Univerzia Karlova v Praze Maemaicko-fyzikální fakula BAKALÁŘSKÁ PRÁCE Marina Čechvalová Speciální problémy regrese v ekonomii a financích Kaedra pravděpodobnosi a maemaické saisiky Vedoucí bakalářské práce:
Více1.3.4 Rovnoměrně zrychlený pohyb po kružnici
34 Rovnoměrně zrychlený pohyb po kružnici Předpoklady: 33 Opakování: K veličinám popisujícím posuvný pohyb exisují analogické veličiny popisující pohyb po kružnici: rovnoměrný pohyb pojíko rovnoměrný pohyb
VíceINDIKÁTORY HODNOCENÍ EFEKTIVNOSTI VÝDAJŮ MÍSTNÍCH ROZPOČTŮ DO OBLASTI NAKLÁDÁNÍ S ODPADY
INDIKÁTORY HODNOCENÍ EFEKTIVNOSTI VÝDAJŮ MÍSTNÍCH ROZPOČTŮ DO OBLASTI NAKLÁDÁNÍ S ODPADY Jana Soukopová Anoace Příspěvek obsahuje dílčí výsledky provedené analýzy výdajů na ochranu živoního prosředí z
VíceNUMP403 (Pravděpodobnost a Matematická statistika II) 1. Na autě jsou prováděny dvě nezávislé opravy a obě opravy budou hotovy do jedné hodiny.
Spojiá rozdělení I.. Na auě jou prováděny dvě nezávilé opravy a obě opravy budou hoovy do jedné hodiny. Předpokládejme, že obě opravy jou v akové fázi, že rozdělení čau do ukončení konkréní opravy je rovnoměrné.
Vícetransformace Idea afinního prostoru Definice afinního prostoru velké a stejně orientované.
finní ransformace je posunuí plus lineární ransformace má svou maici vzhledem k homogenním souřadnicím využií například v počíačové grafice [] Idea afinního prosoru BI-LIN, afinia, 3, P. Olšák [2] Lineární
Více7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU
Indexy základní, řeězové a empo přírůsku Aleš Drobník srana 1 7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU V kapiole Indexy při časovém srovnání jsme si řekli: Časové srovnání vzniká, srovnáme-li jednu
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika přednášky LS 2006/07
Měřicí a řídicí echnika přednášky LS 26/7 SIMULACE numerické řešení diferenciálních rovnic simulační program idenifikace modelu Numerické řešení obyčejných diferenciálních rovnic krokové meody pro řešení
VíceStatika 1. Miroslav Vokáč ČVUT v Praze, Fakulta architektury. Statika 1. M. Vokáč. Plocha.
Saika 1 Saika 1 2. přednáška ové veličin Saický momen Těžišě Momen servačnosi Hlavní ěžiš ové os a hlavní cenrální momen servačnosi Elipsa servačnosi Miroslav Vokáč miroslav.vokac@klok.cvu.cz Konrolní
VíceMÍRA RIZIKA CHUDOBY V ČESKÉ REPUBLICE Z HLEDISKA POHLAVÍ LEVEL OF POVERTY RISK FROM THE GENDER SEEK IN THE CZECH REPUBLIC
MÍRA RIZIKA CHUDOBY V ČESKÉ REPUBLICE Z HLEDISKA POHLAVÍ LEVEL OF POVERTY RISK FROM THE GENDER SEEK IN THE CZECH REPUBLIC Dagmar Blaná Absrac Differen crieria are used o assess he povery rae, mos ofen
VíceInformační efektivnost burzovních trhů ve střední Evropě
Informační efekivnos burzovních rhů ve sřední Evropě Auoři článku: PhDr. Karel Diviš IES FSV UK.ročník PGS e-mail: divis@mbox.fsv.cuni.cz PhDr. Per Teplý IES FSV UK.ročník PGS e-mail: eply@mbox.fsv.cuni.cz
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Více9 Viskoelastické modely
9 Viskoelasické modely Polymerní maeriály se chovají viskoelasicky, j. pod vlivem mechanického namáhání reagují současně jako pevné hookovské láky i jako viskózní newonské kapaliny. Viskoelasické maeriály
VíceNA POMOC FO. Pád vodivého rámečku v magnetickém poli
NA POMOC FO Pád vodivého rámečku v maneickém poli Karel auner *, Pedaoická akula ZČU v Plzni Příklad: Odélníkový rámeček z vodivého dráu má rozměry a,, hmonos m a odpor. Je zavěšen ve výšce h nad horním
VíceMaxwellovy a vlnová rovnice v obecném prostředí
Maxwellovy a vlnová rovnie v obeném prosředí Ing. B. Mihal Malík, Ing. B. Jiří rimas TCHNICKÁ UNIVRZITA V LIBRCI Fakula meharoniky, informaiky a mezioborovýh sudií Teno maeriál vznikl v rámi proeku SF
VíceMETODY ODHADU REDUKOVANÉHO A STRUKTURNÍHO TVARU MODELŮ SIMULTÁNNÍCH ROVNIC.
METODY ODHADU REDUKOVANÉHO A STRUKTURNÍHO TVARU MODELŮ SIMULTÁNNÍCH ROVNIC. ZÁKLADNÍ HARRODŮV-DOMARŮV MODEL RŮSTU A JEHO VERZE VE FORMĚ MULTIPLIKÁTOR AKCELERÁTOR. Parametry modelu simultánních rovnic ve
VícePOLITICKÝ CYKLUS V ČESKÉ REPUBLICE
POLITICKÝ CYKLUS V ČESKÉ REPUBLICE Jan Černohorský, Liběna Černohorská Univerzia Pardubice, Fakula ekonomicko-správní, Úsav ekonomie Absrac: The paper deals wih possible relaion beween poliical cycle and
VíceSDĚLENÍ KOMISE. Harmonizovaný rámec návrhů rozpočtových plánů a zpráv o emisích dluhových nástrojů v eurozóně
EVROPSKÁ KOMISE V Bruselu dne 27.6.2013 COM(2013) 490 final SDĚLENÍ KOMISE Harmonizovaný rámec návrhů rozpočových plánů a zpráv o emisích dluhových násrojů v eurozóně CS CS 1. ÚVOD Nařízení Evropského
VíceMetodický list č. 2. Metodický list pro 2. soustředění kombinovaného Mgr. studia předmětu. Makroekonomie II (Mgr.) LS
Metodický list č. 2 Metodický list pro 2. soustředění kombinovaného Mgr. studia předmětu Makroekonomie II (Mgr.) LS 2008-09 Název tématického celku: Makroekonomie II 2. blok. Tento tématický blok je rozdělen
VíceAnalogový komparátor
Analogový komparáor 1. Zadání: A. Na předloženém inverujícím komparáoru s hyserezí změře: a) převodní saickou charakerisiku = f ( ) s diodovým omezovačem při zvyšování i snižování vsupního napěí b) zaěžovací
VíceScenario analysis application in investment post audit
6 h Inernaional Scienific Conference Managing and Modelling of Financial Risks Osrava VŠB-U Osrava, Faculy of Economics,Finance Deparmen 0 h h Sepember 202 Scenario analysis applicaion in invesmen pos
VíceSimulace důchodových dávek z navrhovaného příspěvkově definovaného penzijního systému v ČR
3. mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-TU Osrava, Ekonomická fakula, kaedra Financí 6.-7. září 006 Simulace důchodových dávek z navrhovaného příspěvkově definovaného
VíceModelování rizika úmrtnosti
5. mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-TU Osrava, Ekonomická fakula, kaedra Financí 8. - 9. září 200 Modelování rizika úmrnosi Ingrid Perová Absrak V příspěvku je řešena
VíceStudie proveditelnosti (Osnova)
Sudie provedielnosi (Osnova) 1 Idenifikační údaje žadaele o podporu 1.1 Obchodní jméno Sídlo IČ/DIČ 1.2 Konakní osoba 1.3 Definice a popis projeku (max. 100 slov) 1.4 Sručná charakerisika předkladaele
VíceKlasifikace, identifikace a statistická analýza nestacionárních náhodných procesů
Proceedings of Inernaional Scienific Conference of FME Session 4: Auomaion Conrol and Applied Informaics Paper 26 Klasifikace, idenifikace a saisická analýza nesacionárních náhodných procesů MORÁVKA, Jan
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V RNĚ RNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV FACULTY OF MECHANICAL ENGINEERING ENERGY INSTITUTE PRUŽNÉ SPOJKY NA PRINCIPU TEKUTIN FLEXILE COUPLINGS
VíceZadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
VíceKATEDRA FINANCÍ. Estimate of the selected model types of financial assets
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA EKONOMICKÁ FAKULTA KATEDRA FINANCÍ Odhad vybraných ypů modelů finančních akiv Esimae of he seleced model ypes of financial asses Suden: Vedoucí diplomové
Více