Money - Models of "Time" and Distance Between Risk Events

Podobné dokumenty
Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Spolehlivost a diagnostika

Generování dvojrozměrných rozdělení pomocí copulí

Testování statistických hypotéz

VaR analýza citlivosti, korekce

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

12. N á h o d n ý v ý b ě r

PRAVDĚPODOBNOST A STATISTIKA

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Metody zkoumání závislosti numerických proměnných

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Mendelova univerzita v Brně Statistika projekt

, jsou naměřené a vypočtené hodnoty závisle

Náhodný výběr 1. Náhodný výběr

12. Neparametrické hypotézy

VY_52_INOVACE_J 05 01

[ jednotky ] Chyby měření

Doc. Ing. Dagmar Blatná, CSc.

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

PRAVDĚPODOBNOST A STATISTIKA

a další charakteristikou je četnost výběrového souboru n.

Úvod do korelační a regresní analýzy

PRAVDĚPODOBNOST A STATISTIKA

Pravděpodobnostní model doby setrvání ministra školství ve funkci

11. Časové řady Pojem a klasifikace časových řad

P2: Statistické zpracování dat

Deskriptivní statistika 1

4.2 Elementární statistické zpracování Rozdělení četností

Optimalizace portfolia

Odhady parametrů 1. Odhady parametrů

Téma 6: Indexy a diference

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

PRAVDĚPODOBNOST A STATISTIKA

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

8 NELINEÁRNÍ REGRESNÍ MODELY

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

Intervalové odhady parametrů některých rozdělení.

3. Lineární diferenciální rovnice úvod do teorie

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

Přednáška č. 2 náhodné veličiny

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Pravděpodobnost a aplikovaná statistika

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

U. Jestliže lineární zobrazení Df x n n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Lineární regrese ( ) 2

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

8. Zákony velkých čísel

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv

P1: Úvod do experimentálních metod

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a a N. n=1

Chyby přímých měření. Úvod

Náhodné jevy, jevové pole, pravděpodobnost

13 Popisná statistika

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU

Testy statistických hypotéz

4. B o d o v é o d h a d y p a r a m e t r ů

7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl:

1.1 Definice a základní pojmy

9. Měření závislostí ve statistice Pevná a volná závislost

V. Normální rozdělení

Úvod do teorie měření

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

SP2 Korelační analýza. Korelační analýza. Libor Žák

MATICOVÉ HRY MATICOVÝCH HER

Strojové učení. Things learn when they change their behavior in a way that makes them perform better in a future. (Witten, Frank, 1999) typy učení:

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

KVALITA REGRESNÍHO MODELU Radek Fajfr

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

Pravděpodobnostní modely

ÚVOD DO PRAKTICKÉ FYZIKY I

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

NEPARAMETRICKÉ METODY

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

Úloha II.S... odhadnutelná

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Úloha III.S... limitní

O Jensenově nerovnosti

Lineární a adaptivní zpracování dat. 8. Modely časových řad I.

1 Základy Z-transformace. pro aplikace v oblasti

14. B o d o v é o d h a d y p a r a m e t r ů

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

Sekvenční logické obvody(lso)

Transkript:

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 Moey - Models of "Tme" ad Dstace Betwee Rsk Evets Fratšek Vávra, Patrce Marek Abstract Whe dog rsk maagemet t s ecessary to use some effectve method that determes tmes or otherwse measured dstaces betwee rsk evets. Curret probablty models usually work wth a expoetal dstrbuto of tmes betwee rsk evets. Ths s coected wth Posso dstrbuto of a umber of evets utl a gve tme. I some cases, ths approach offers results that are ot acceptable. Ths paper deals wth models that use coecto betwee a dstrbuto of umber of evets utl a gve tme (or otherwse measured dstace) ad a dstrbuto of a tme (dstace) betwee cosecutve evets. The ma goal of ths paper s a demostrato of a fact that tme gve models ca be substtuted by aother quatty that have smlar cumulatve propertes. The procedure based o oparametrc models of dstrbuto fuctos s preseted. Key words Tme to falure, reewal processes, tme turover aalogy, balace of paymets JEL classfcato: C0, G32. Úvod V klasckých modelech časových ásledostí rzkových událostí (Ave a Jese, 999) je základí velčou stadardí fyzkálí čas vyjádřeý tím č oím zavedeým kaledářem. Samo odvozeí základích vtahů a pojmů epotřebuje všechy atrbuty fyzkálího času. Pro modelováí jsou důležté obecější pojetí času ásledujících vlastostí: jedá se o kladou velču a jedá se o v čase eklesající velču 2, vz (Ave a Jese, 999). To splňují ěkteré ečasové ekoomcké velčy. Jako příklad lze uvést hodoty a účtech 3 Pohledávky z obchodích vztahů, straa MD a 32 Závazky z obchodích vztahů, straa D v době od otevřeí do uzavřeí účtů 3. Jým příkladem mohou být stray dílčích ukazatelů platebí blace státu (Česká árodí baka, 204). Dalším možým využtím je modelováí poruchových stavů v závslost a produkc. Např. u automoblu je vzdáleost poruch v relac k ujetému počtu klometrů. Podobých příkladů lze alézt celou řadu. Doc. Ig. Fratšek Vávra, CSc., vavra@kma.zcu.cz, Katedra matematky, Fakulta aplkovaých věd, Západočeská uverzta v Plz, Uverztí 22, 306 4 Plzeň. Ig. Patrce Marek, PhD., patrke@kma.zcu.cz, NTIS Nové techologe pro formačí společost, Fakulta aplkovaých věd, Západočeská uverzta v Plz, Uverztí 22, 306 4 Plzeň. 2 Pro fyzkálí ebo kaledářový čas se v defčím zobrazeí jedá o dettu. 3 Za předpokladu, že v účetctví ejsou chyby opravovaé odečteím. 850

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 2. Model 2. Klascký časový model Mějme ezáporé áhodé velčy T, T2,..., e utě ezávslé, e utě stejě rozděleé. Tyto velčy, v klasckém pojetí, modelují časy mez (rzkovým) událostm. Někdy vzká problém s terpretací T. Budeme předpokládat, že se jedá o čas od ěkteré referečí (ulové) událost do událost, kterou budeme považovat za prví. Dále ozačíme S T, čas, který uplye od referečí událost do té událost. Využjeme také (čítací) velču Nt max : S t, která reprezetuje počet událostí, které astaly po ulté (referečí) událost až do času t. V dalším textu budeme užívat ásledující modelové symbolky : FT x PT x F x PS x je dstrbučí fukce áhodé velčy T a je dstrbučí fukce áhodé velčy Př tomto ozačeí a za uvedeých předpokladů pak platí P N t F t F t S. a () N t 0 F t F t P 0 kde F t t 0 a F t 0 t 0, t F t 0 0, (2) F T a dále N t F t E. (3) Důkazy lze alézt apř. v (Ave a Jese, 999). Odtud trválě plye: Důkaz: P P N t F t, (4) N t 0 t 0 P a (5) N t 0 0 t 0 P. (6) N t PN t F ( t) F ( t) F ( t) Za výše uvedeých předpokladů, je problémem zjstt F x PS x T, T2,... ezávslé, pak F t F t zf z dz; 0,,..., kde z 0., pokud budou f je hustota áhodé proměé T. Odvozeí této kovoluce lze alézt apř. v (Réy, 972). Kovoluce je des jž poměrě dobře umercky zvládutelá. Statstcké postupy ám dávají jý prostředek pro odhady t. Zde musíme ale předpokládat, že máme k dspozc dostatečě velké F áhodé výběry z velč T, T2,... Ozačíme t, j; j,...,, kde t, j je jtý prvek áhodého výběru z áhodé velčy T a je rozsah tohoto výběru, tj. počet pozorováí áhodé proměé T. Pak poměrě kvaltím odhadem (oz. ˆ t ) dstrbučí fukce t F k F k bude 85

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 k F ˆ ˆ k t Fk t tk,. (7) k Odvozeí tohoto vztahu, založeé a eparametrckých jádrových odhadech hustot s Parzeovým (obdélíkovým) jádrem (vz Devroye a Györf, 985), včetě vlastostí a kvalty lze alézt v (Ťoupal, 204). Elegatější tvar vzorce (7) dostaeme pro T, T2,..., které jsou ezávslé a zároveň stejě rozděleé. Pak pro takový áhodý výběrt j ; j,..., m m platí Fˆ k t Fˆ k t t. Oba dva vztahy mají své vlastost odvozeé od operace, kterou m jsou tvořey, tj. od průměru. Praktcké využtí vztahu (7) omezuje potřeba mít áhodé výběry z každé časové proměé T. To lze v ěkterých úlohách ahradt postupy stacoarzace pozorovaých dat. Jeda z možostí bude uvedea dále. 2.2 Obecější model Náhrada času jou velčou má dvě základí skupy. Prví, událost jsou jak v klasckém čase, tak v daé velčě od sebe áhodě vzdáley. Příkladem může být počet ujetých klometrů u automoblu mez porucham daého typu. Náhodost je zde jak v čase mez porucham, tak v počtu ujetých klometrů mez porucham. Druhá skupa je tvořea takovým modely, u kterých jsou událost v čase determováy, ale jejch vzdáleost měřeé jou velčou jsou, v této měřeé velčě, áhodé. Jako příklad můžeme uvést ěkteré, dílčí, údaje platebí blace. Takovou kokrétí úlohou se budeme zabývat detalěj dále. Za událost budeme považovat koce sledovacích období (měsíc, čtvrtletí, rok, ). Evdetě jejch vzdáleost měřeé časem jsou determováy. Jejch vzdáleost měřeé měsíčím obratem daého údaje mají pak áhodý charakter. Problém je zázorě ásledujícím obrázkem. Obrázek : Obchodí blace vývozu roku 202. Jedotlvé událost jsou koce měsíců. Vzdáleost mez m jsou měsíčí hodoty vývozu v mld. CZK. Referečí událost je koec prosce předchozího roku. Problematka daých zámě eí a tak v základí statstcké a pravděpodobostí teor, ale ve správých terpretacích a formulacích pro aplkačí oblast. 2.3 Příklad využtí Předchozí teor budeme demostrovat a položce Obchodí blace vývoz v mld. CZK a její časové řadě (2003/0 204/05, měsíčí údaje). Průběh této položky je zobraze a ásledujícím obrázku. 852

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 Obrázek 2: Obchodí blace vývozu v mld. CZK, měsíčí hodoty, a ose X je čas měřeý v měsících Evdetě se jedá o estacoárí velču a proto je amístě využtí ěkteré trasformace, která takovou estacoartu v přjatelé míře kompezuje. Jedou z možostí je model středího objemového a měového růstu (flace, kurzy, ) ve tvaru Y t Y m t 0, kde t je klascký čas v měsících, m je středí mezměsíčí růst (dex), Y 0 je středí hodota velčy a počátku sledováí (zde 2003/0). Logartmováím byla úloha převedea a úlohu leárí regrese. Výsledé parametry byly m=0,49 %, tomu odpovídá mezročí (p. a.) růst 5,99 % a Y 0 =23. Průběh vlastí velčy a jemu odpovídající růstová čára jsou a ásledujícím obrázku 3. Obrázek 3: Obchodí blace vývozu a odpovídající růstová čára, v mld. CZK, měsíčí hodoty, a ose X je čas měřeý v měsících Tomuto pojetí odpovídá zpětá trasformace a hladu počátku (zde a 2003/0). Ta bude ' X t X t. Údaj po trasformac je a obrázku 4. m t 853

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 Obrázek 4: Obchodí blace vývozu, trasformováo k 2003/0, v mld. CZK, měsíčí hodoty, a ose X je čas měřeý v měsících Teto průběh je jž vhodější pro statstckou ferec. Uvedeý stacoarzačí postup je patrě ejjedodušším z ěkolka možých postupů. Dokoalejší lze alézt apř. v (Ťoupal, 203). Trasformovaá data umožňují poměrě sado alézt parametrcký ebo ' ' x P X x ; X X (užto ozačeí X pro hodotu údaje F X eparametrcký model ' v prvím období a X v tém období, jedá se o aaloge T a T v v modelech s fyzkálím časem). Taková emprcká dstrbučí fukce (EDF) a modelová ormálí (gaussovská) dstrbučí fukce (MDF) jsou a obrázku 5. Obrázek 5: Emprcká a modelová dstrbučí fukce obchodí blace vývoz, v mld. Kč po korekc k počátku roku 2003 Trasformací k počátku (pro možost statstcké ferece), došlo ke zkresleí hodot a pravděpodobostích modelů v dalších obdobích. Proto ásleduje zpětá trasformace: x FX x FX ; FX x F ' x. Odtud lze bez problémů odvodt trasformace X m 854

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 ostatích modelových popsů (hustota, ) a parametrů (středí hodota, rozptyl, ). To je demostrováo a obrázku 6. Obrázek 6: Modelové dstrbučí fukce zpětá trasformace dstrbučích fukcí, ukázka F F F pro obchodí blac vývozu korgovaou a počátek roku 2003 X,, X 6 X2 Ze základích pozorováí x korgovaých k počátku roku 2003 lze vytvořt odhady ' ' ', x2,..., xn pravděpodobostích modelů kumulací S X takto F Jejch příklady jsou a obrázku 7. N N j x PS x P X x F x m x '. (8) Obrázek 7: Modelové dstrbučí fukce příklady dstrbučích fukcí pro kumulace od počátku, ukázka F, F2, F6, F pro obchodí blac vývozu korgovaou a počátek roku 2003 2 855

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 Příklady a terpretace PN t, přesěj N x P Obrázek 8:Příklady pravděpodobostí dosažeí počtu Výraz P ( N( x) 0) zameá, jaká je pravděpodobost toho, že euplye a jede celý měsíc od počátku, pokud byla celková hodota (v tomto případě) obchodí blace vývoz rova x. Aalogcky P ( N( x) 6) je pravděpodobost toho, že uplye celých šest měsíců (po šest a před kocem sedmého) od počátku, pokud byla celková hodota (v tomto případě) obchodí blace vývoz rova x. Obdobě lze modelů tohoto typu využívat ke kostrukc předpovědí toho, jak se sledovaý údaj bude vyvíjet v blízké ásledující době. Příklad pro předpověď a rok 204 počítaá z dat od počátku roku 2003 do koce roku 203 je a obrázku 9. Obrázek 9: Obchodí blace vývozu předpověď a rok 204 počítaá z dat 2003 až 203 (meze ve vzdáleost tří směrodatých odchylek), srováí se zámou skutečostí 856

7 th Iteratoal Scetfc Coferece Maagg ad Modellg of Facal Rsks Ostrava VŠB-TU of Ostrava, Faculty of Ecoomcs, Face Departmet 8 th 9 th September 204 3. Závěr V předchozím textu jsme se pokusl ukázat, že klascký rzkový aparát dob mez událostm lze využít pro jé velčy (údaje). Ve spojeí s vhodým statstckým prostředky stacoarzace a parametrckého ebo eparametrckého modelováí, dostáváme praktcky přjatelé výsledky. Prezetovaá metodka je vhodá pro celou, poměrě šrokou, třídu kumulačích procesů ad ezáporým velčam. Další rozvoj této metodologe je možý v moha směrech. Jedím, je využtí aparátu tezt poruch, dalším, e posledím, zobecěí pro velčy, které před kumulací mohou být záporé. Lteratura [] Ave T., Jese U., (999). Stochastc Models Relablty. Sprger-Verlag, New York, Ic. [2] Devroye L., Györf L., (985). Noparametrc Desty Estmato, the L vew. Joh Wley & Sos, Ic. [3] Platebí blace měsíčí. Česká árodí baka [ole]. 204 [ct. 204-08-04]. Dostupé z: http://www.cb.cz/cs/statstka/plateb_blace_stat/plateb_blace_m/dex.html [4] Réy A., (972). Teore pravděpodobost. ACADEMIA, Praha. [5] Ťoupal T., (203). Neparametrcký odhad spolehlvost a odhad tredové složky. Dsertačí práce. ZČU v Plz, Fakulta aplkovaých věd. 857