Valutni rizik Usporedba VaR i Expected Shortfall metode Martina Samac
|
|
- Βαρβάρα Δημητρίου
- 5 χρόνια πριν
- Προβολές:
Transcript
1 Valutni rizik Usporedba VaR i Expected Shortfall metode Martina Samac Zagreb, 06. lipnja 2017.
2 Sadržaj Uvod Definicija rizika Rizici u osiguranju Rizici u bankarstvu Mjere rizika Primjena mjera rizika u vrednovanju valutnog rizika Zaključak
3 Uvod Tko ne riskira ne profitira! Izlaganje rizicima veći profit Financijska kriza mjerenje i upravljanje rizicima Matematičke i statističke metode za upravljanje rizicima Istraživanje temeljeno na valutnom riziku
4 Definicija rizika Izloženost nesigurnosti te mogućnost ostvarivanja gubitka zbog negativnog odstupanja od očekivanog ishoda Neizvjesnost i izloženost Preuzimanje rizika kao potencijalni instrument za generiranje prihoda Odgovarajuće metode za procjenu rizika Adekvatan sustav upravljanja rizicima kvantitativne i kvalitativne metode
5 Definicija rizika Vrste rizika - kreditni rizik, tržišni rizik, operativni rizik, rizik likvidnosti, rizik solventnosti, koncentracijski rizik, pravni rizik, reputacijski rizik, rizik države... Tržišni rizici djelovanje vanjskih utjecaja na vrijednost aktive, pasive i izvanbilančnih pozicija uzrok promjene cijena tj. negativne promjene na tržištima valutni rizik, pozicijski rizik, robni rizik Valutni rizik pozicije u stranim valutama rizik gubitka zbog promjene tečaja valute i/ili promjene cijene zlata
6 Rizici u osiguranju Direktiva 2009/138/EC Solvency II Zakon o osiguranju Adekvatnost kapitala - razina kapitala adekvatna opsegu i vrstama poslova te mogućim rizicima Adekvatan sustav upravljanja rizicima Vrste rizika rizik osiguranja (underwriting risk), tržišni rizik, kreditni rizik i rizik države, operativni rizik, rizik likvidnosti, koncentracijski rizik, strateški rizik, rizik ugleda...
7 Rizici u bankarstvu Zakon o kreditnim institucijama Uredba (EU) 575/2013 Direktiva 2013/36/EU Odluka o upravljanju rizicima minimalni zahtjevi i pravila u upravljanju tržišnim rizicima Sklonost preuzimanju rizika - sustav upravljanja rizicima Adekvatan iznos kapitala Izvještavanje Hrvatske narodne banke
8 Rizici u bankarstvu Valutni rizik Odluka o izvješćivanju o izloženosti kreditnih institucija valutnom riziku Izračun dnevne otvorene devizne pozicije i pozicije u zlatu Shorthand metoda konzervativne pretpostavke Interno mjere rizika
9 Mjere rizika Mjere rizika iznos kapitala u pričuvi kao zaštita od mogućih gubitaka Statističke metode ili interni modeli Na temelju dostupnih podataka i predviđanja budućih događaja izračun potencijalnih gubitaka Mjere za upravljanje tržišnim rizicima analiza osjetljivosti testiranje ekstremnih događaja (stress test) testiranje scenarija Value-at-Risk (VaR) Razvoj tržišta razvoj koherentnih mjera rizika
10 Mjere rizika Koherentne mjere rizika Subaditivnost za svaki X i Y ρ(x+y) ρ(x)+ρ(y) Monotonost za X Y ρ(x) ρ(y) Pozitivna homogenost za svaki λ 0 i X ρ(λx)=λρ(x) Translacijska nepromjenjivost za svaki X i α ρ(x+α)=ρ(x)+α
11 Mjere rizika Value at Risk Kraj 1980-ih pad burze cilj: sistematizacija mjerenja rizika Primjena u bankarstvu: Bazelski dogovor iz RiskMetrics web stranica JP Morgan Zahtjev SEC-a o objavi rizične vrijednosti kompanija Danas kreditni rizik, rizik likvidnosti, operativni rizik Najveći prihvatljivi gubitak zbog promjene cijena uz zadanu razinu pouzdanosti
12 Mjere rizika Value at Risk Matematički kvantil distribucije najveća vrijednost prihvatljivog gubitka uz zadanu vjerojatnost gubitka p. 3 varijable: iznos potencijalnih gubitaka razina pouzdanosti vremenski okvir
13 Mjere rizika Value at Risk PREDNOSTI odnos između preuzetih rizika i ostvarenog profita jednostavnost i konzistentnost koreliranost različitih faktora rizika NEDOSTATCI neprecizni izračuni mogućnost manipulacije rezultatima najveći prihvatljivi gubitak nekoherentna mjera ne zadovoljava uvjet subaditivnosti
14 Mjere rizika Metoda očekivanog gubitka Expected shortfall metoda nadogradnja VaR-a izračunava srednji iznos gubitka ukoliko se štetni događaj dogodi kvantificira rizik u repu distribucije zadovoljava uvjet subaditivnosti
15 Mjere rizika Metoda očekivanog gubitka Matematički ponderirani prosjek između vrijednosti VaR-a i gubitaka iznad izračunate vrijednosti VaR-a = 1 p(x) gustoća vjerojatnosti povrata X
16 Mjere rizika Metoda očekivanog gubitka PREDNOSTI kvantificira rizik u repu distribucije koherentna mjera NEDOSTATCI nestabilnija od VaR-a veliki broj opažanja i greške u opažanjima pouzdanost ovisi o primijenjenom modelu nije mjerilo najekstremnijeg mogućeg gubitka
17 Mjere rizika METODE IZRAČUNA Povijesna simulacija (HS) Parametarska metoda (Metoda varijance/kovarijance) Monte Carlo metoda Povijesna simulacija na temelju podataka iz prošlosti prognozira rizik u bliskoj budućnosti Parametarska metoda distribucija povrata odgovara nekoj teorijskoj distribuciji (npr. normalnoj distribuciji) Monte Carlo metoda generiranje velikog broja slučajnih scenarija
18 Primjena mjera rizika u vrednovanju valutnog rizika Primjena VaR i ES mjere rizika Primjena 3 metode: Povijesna simulacija Parametarska metoda - normalna razdioba podataka Monte Carlo metoda Usporedba rezultata Bootstrap metoda Metoda unakrsne validacije (Crossvalidation method)
19 Primjena mjera rizika u vrednovanju valutnog rizika POVIJESNA SIMULACIJA srednji tečaj HNB-a za valutu EUR 1000 povijesnih tečajeva za svaki datum prinos yt = VaR 0,05-kvantil ES - aritmetička sredina vrijednosti u repu distribucije ( )=
20 Primjena mjera rizika u vrednovanju valutnog rizika PARAMETARSKA METODA povijesni podatci 1000 tečajeva normalna razdioba podataka yt~n(µ,σ²) = + p=0,05 ( ) = 1 2 ( )
21 Primjena mjera rizika u vrednovanju valutnog rizika MONTE CARLO METODA 1000 iteracija slučajnih brojeva s uniformnom distribucijom Xt~U[7,1, 7,8] za svaki datum prinos yt = VaR 0,05-kvantil ES je aritmetička sredina vrijednosti =
22 Primjena mjera rizika u vrednovanju valutnog rizika Usporedba metoda za izračun VaR-a 0,02 1E-17-0,02-0,04-0,06-0,08-0,1-0,12-0,14-0,16-0,18-0,2-0,22-0,24-0,26 VAR-H VAR-N VAR - MC
23 Primjena mjera rizika u vrednovanju valutnog rizika Usporedba metoda za izračun ES-a 0,02 0-0,02-0,04-0,06-0,08-0,1-0,12-0,14-0,16-0,18-0,2-0,22-0,24-0,26-0,28-0,3 ES-H ES-N ES - MC
24 Primjena mjera rizika u vrednovanju valutnog rizika Usporedba VaR-a i ES-a bootstrap metoda i metoda unakrsne validacije Početni uzorak 2000 tečajeva bootstrap - 95% pouzdani interval, 999 uzoraka unakrsna validacija skup za učenje i testni skup 100 uzoraka
25 Primjena mjera rizika u vrednovanju valutnog rizika
26 Primjena mjera rizika u vrednovanju valutnog rizika Usporedba VaR-a primjenom unakrsne validacije 0,1 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0 H-VAR N-VAR MC-VAR
27 Primjena mjera rizika u vrednovanju valutnog rizika Usporedba ES-a primjenom unakrsne validacije 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 H-ES N-ES MC-ES
28 Zaključak VaR i ES metoda daju rezultate podjednako zadovoljavajuće preciznosti i stabilnosti prednost ES-a zbog koherentnosti Povijesna simulacija i normalna razdioba podjednako stabilne i precizne Prednost normalnoj razdiobi zbog jednostavnosti Odabir povijesnih podataka vremenski horizont težina pojedinog podatka Monte Carlo metoda manje precizna i stabilna pretpostavka uniformne razdiobe empirijska distribucija podataka
29 HVALA NA PAŽNJI! PITANJA???
Izračun rizične vrijednosti - VaR
Izračun rizične vrijednosti - VaR DUŠAN MUNĐAR 1 I ANA ZEMLJAK 2 Sažetak. Cilj rada je prikazati jedan model za kvantifikaciju rizika i tri metode za izračun rizične vrijednosti, kvantitativne mjere rizika.
Διαβάστε περισσότεραTROŠAK KAPITALA Predmet: Upravljanje finansijskim odlukama i rizicima Profesor: Dr sci Sead Mušinbegovid Fakultet za menadžment i poslovnu ekonomiju
TROŠAK KAPITALA Predmet: Upravljanje finansijskim odlukama i rizicima Profesor: Dr sci Sead Mušinbegovid Fakultet za menadžment i poslovnu ekonomiju Sadržaj predavnaja: Trošak kapitala I. Trošak duga II.
Διαβάστε περισσότεραnumeričkih deskriptivnih mera.
DESKRIPTIVNA STATISTIKA Numeričku seriju podataka opisujemo pomoću Numeričku seriju podataka opisujemo pomoću numeričkih deskriptivnih mera. Pokazatelji centralne tendencije Aritmetička sredina, Medijana,
Διαβάστε περισσότερα3 Populacija i uzorak
3 Populacija i uzorak 1 3.1 Slučajni uzorak X varijabla/stat. obilježje koje izučavamo Cilj statističke analize na osnovi uzorka izvesti odredene zaključke o (populacijskoj) razdiobi od X 2 Primjer 3.1.
Διαβάστε περισσότερα(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.
1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,
Διαβάστε περισσότεραUPRAVLJANJE RIZICIMA. Sveučilište u Zagrebu EKONOMSKI FAKULTET ZAGREB Katedra za Ekonomiku poduzeća Prof. dr. sc. Danijela Miloš Sprčić
UPRAVLJANJE RIZICIMA Sveučilište u Zagrebu EKONOMSKI FAKULTET ZAGREB Katedra za Ekonomiku poduzeća Prof. dr. sc. Danijela Miloš Sprčić PODACI O NASTAVNIKU Nositelj i izvođač kolegija Prof. dr. sc. Danijela
Διαβάστε περισσότερα2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1)
2.2 Srednje vrijednosti aritmetička sredina, medijan, mod Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 1 2.2.1 Aritmetička sredina X je numerička varijabla. Aritmetička sredina od (1) je broj:
Διαβάστε περισσότεραPRIMJER 3. MATLAB filtdemo
PRIMJER 3. MATLAB filtdemo Prijenosna funkcija (IIR) Hz () =, 6 +, 3 z +, 78 z +, 3 z +, 53 z +, 3 z +, 78 z +, 3 z +, 6 z, 95 z +, 74 z +, z +, 9 z +, 4 z +, 5 z +, 3 z +, 4 z 3 4 5 6 7 8 3 4 5 6 7 8
Διαβάστε περισσότεραKorporativne finansije
Ekonomski fakultet u Podgorici Magistarske studije Smjer Finansije i bankarstvo II generacija Korporativne finansije Prof. Saša Popović Blok 2: Vrijednost, cijena i rizik Osnovna pitanja Zašto se akcije
Διαβάστε περισσότεραTABLICE AKTUARSKE MATEMATIKE
Na temelju članka 160. stavka 4. Zakona o mirovinskom osiguranju («Narodne novine», br. 102/98., 127/00., 59/01., 109/01., 147/02., 117/03., 30/04., 177/04., 92/05., 43/07., 79/07., 35/08., 40/10., 121/10.,
Διαβάστε περισσότεραFunkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.
σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka
Διαβάστε περισσότεραINTELIGENTNO UPRAVLJANJE
INTELIGENTNO UPRAVLJANJE Fuzzy sistemi zaključivanja Vanr.prof. Dr. Lejla Banjanović-Mehmedović Mehmedović 1 Osnovni elementi fuzzy sistema zaključivanja Fazifikacija Baza znanja Baze podataka Baze pravila
Διαβάστε περισσότερα(Hi-kvadrat test) r (f i f ti ) 2 H = f ti. i=1
χ 2 test (Hi-kvadrat test) Jedan od prvih statističkih testova je χ 2 -test. Predložio ga je K. Pearson 900. godine, pa je poznat i pod nazivom Pearsonov test. χ 2 test je neparametarski test. Pomoću χ
Διαβάστε περισσότεραELEKTROTEHNIČKI ODJEL
MATEMATIKA. Neka je S skup svih živućih državljana Republike Hrvatske..04., a f preslikavanje koje svakom elementu skupa S pridružuje njegov horoskopski znak (bez podznaka). a) Pokažite da je f funkcija,
Διαβάστε περισσότεραApsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.
Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala
Διαβάστε περισσότερα9. TESTIRANJE HIPOTEZA O PARAMETRU. Josipa Perkov, prof., pred. 1
9. TESTIRANJE HIPOTEZA O PARAMETRU Josipa Perkov, prof., pred. 1 na prethodnom predavanju upoznali smo se s metodom i postupcima koji omogućavaju da se iz dijela populacije, koji je slučajno izabran, procijeni
Διαβάστε περισσότεραPISMENI ISPIT IZ STATISTIKE
1. a) Trgovina odjeće prodaje odjeću u tri različite veličine: 32% veličine S, 44% veličine M i ostatak veličine L. Pokazalo se da je postotak odjeće s greškom redom 1%, 5% i 2%. Ako je trgovina ustanovila
Διαβάστε περισσότεραKaskadna kompenzacija SAU
Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότερα13. TESTIRANJE HIPOTEZE O NEPOZNATIM KARAKTERISTIKAMA POPULACIJE
13. TESTIRANJE HIPOTEZE O NEPOZNATIM KARAKTERISTIKAMA POPULACIJE χ - TEST χ -test je neparametrijski test kojim se vrlo uspješno rješavaju problemi masovnih pojava kao što su: testiranje hipoteze da distribucija
Διαβάστε περισσότεραVJEROJATNOST I STATISTIKA 2. kolokvij lipnja 2016.
Broj zadataka: 5 Vrijeme rješavanja: 0 min Ukupan broj bodova: 50 Zadatak.. kolokvij - 0. lipnja 0. (a Ako su X i Y diskretne slučajne varijable, dokažite da vrijedi formula E [X + Y ] = E [X] + E [Y ].
Διαβάστε περισσότεραMatematičke metode u marketingu. Generalizirani linearni model. Lavoslav Čaklović PMF-MO
Matematičke metode u marketingu. Generalizirani linearni model Lavoslav Čaklović PMF-MO 2016 Jedan loš linearni model n = 1000, i = 1,..., n { 1 ako yi > 0 y Y = i = 2x i + rnorm(n) 0 inače x i = round(0.001
Διαβάστε περισσότεραSlučajne varijable. Diskretna slučajna varijabla X je promjenjiva veličina koja poprima vrijednosti iz skupa
Slučajne varijable Statistički podaci su distribuirani po odredenoj zakonitosti. Za matematičko (apstraktno) opisivanje te zakonitosti potrebno je definirati slučajnu varijablu kojoj pripada odredena razdioba
Διαβάστε περισσότεραMate Vijuga: Rijeseni zadaci iz matematike za srednju skolu
16. UVOD U STATISTIKU Statistika je nauka o sakupljanju i analizi sakupljenih podatka u cilju donosenja zakljucaka o mogucem toku ili obliku neizvjesnosti koja se obradjuje. Frekventna distribucija - je
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραa M a A. Može se pokazati da je supremum (ako postoji) jedinstven pa uvodimo oznaku sup A.
3 Infimum i supremum Definicija. Neka je A R. Kažemo da je M R supremum skupa A ako je (i) M gornja meda skupa A, tj. a M a A. (ii) M najmanja gornja meda skupa A, tj. ( ε > 0)( a A) takav da je a > M
Διαβάστε περισσότεραSADR\AJ. Predgovor. POGLAVLJE 2 Grafičko opisivanje podataka Klasifikacija varijabli 10 Kvalitativne ili numeričke 10 Mjerne skale 11
KRATAK SADR\AJ Poglavlje 1 Čemu proučavati statistiku? 1 Poglavlje 2 Grafičko opisivanje podataka 9 Poglavlje 3 Numeričko opisivanje podataka 46 Poglavlje 4 Vjerojatnost 78 Poglavlje 5 Diskretne slučajne
Διαβάστε περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότεραPT ISPITIVANJE PENETRANTIMA
FSB Sveučilišta u Zagrebu Zavod za kvalitetu Katedra za nerazorna ispitivanja PT ISPITIVANJE PENETRANTIMA Josip Stepanić SADRŽAJ kapilarni učinak metoda ispitivanja penetrantima uvjeti promatranja SADRŽAJ
Διαβάστε περισσότεραRavnotežni model koji je u osnovi savremene finansijske teorije Izveden primenom principa diversifikacije pod pojednostavljenim pretpostavkama
CAPM Model vrednovanja kapitala (CAPM) Ravnotežni model koji je u osnovi savremene finansijske teorije Izveden primenom principa diversifikacije pod pojednostavljenim pretpostavkama Markowitz, Sharpe,
Διαβάστε περισσότεραπ π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;
1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,
Διαβάστε περισσότεραDefinicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće naučnim ili iskustvenim).
Str. 53;76; Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@eccf.su.ac.yu www.eccf.su.ac.yu Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama
Διαβάστε περισσότεραVJEROJATNOST I STATISTIKA Popravni kolokvij - 1. rujna 2016.
Broj zadataka: 5 Vrijeme rješavanja: 120 min Ukupan broj bodova: 100 Zadatak 1. (a) Napišite aksiome vjerojatnosti ako je zadan skup Ω i σ-algebra F na Ω. (b) Dokažite iz aksioma vjerojatnosti da za A,
Διαβάστε περισσότερα4 Testiranje statističkih hipoteza
4 Testiranje statističkih hipoteza 1 4.1. Statistička hipoteza Promatramo statističko obilježje X. Statistička hipoteza je (bilo koja) pretpostavka o (populacijskoj) razdiobi od X. Kažemo da je statistička
Διαβάστε περισσότεραIskazna logika 3. Matematička logika u računarstvu. novembar 2012
Iskazna logika 3 Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Deduktivni sistemi 1 Definicija Deduktivni sistem (ili formalna teorija)
Διαβάστε περισσότεραTRIGONOMETRIJSKE FUNKCIJE I I.1.
TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg
Διαβάστε περισσότεραRiješeni zadaci: Nizovi realnih brojeva
Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički
Διαβάστε περισσότεραPRORAČUN GLAVNOG KROVNOG NOSAČA
PRORAČUN GLAVNOG KROVNOG NOSAČA STATIČKI SUSTAV, GEOMETRIJSKE KARAKTERISTIKE I MATERIJAL Statički sustav glavnog krovnog nosača je slobodno oslonjena greda raspona l11,0 m. 45 0 65 ZAŠTITNI SLOJ BETONA
Διαβάστε περισσότεραMonte Carlo metode Bojan Basrak, PMF MO Zagreb. Financijski praktikum 29. veljače 2016.
Monte Carlo metode Bojan Basrak, PMF MO Zagreb Financijski praktikum 29. veljače 2016. 1 Monte Carlo metode 2 Primjene modeliranje složenih sustava upravljanje portfeljima u financijama i osiguranju procjena
Διαβάστε περισσότεραZadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu
Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Trigonometrijske jednačine i nejednačine. Zadaci koji se rade bez upotrebe trigonometrijskih formula. 00. FF cos x sin x
Διαβάστε περισσότεραSlučajne varijable Materijali za nastavu iz Statistike
Slučajne varijable Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 1 Slučajna varijabla Slučajna varijabla je funkcija X koja elementarnim dogadajima pridružuje
Διαβάστε περισσότεραMODEL JEDNOSTAVNE LINEARNE REGRESIJE
SVEUČILIŠTE U RIJECI GRAĐEVINSKI FAKULTET U RIJECI Specijalistički diplomski stručni studij građevinarstva Odabrana poglavlja inženjerske matematike MODEL JEDNOSTAVNE LINEARNE REGRESIJE Studenti: Sara
Διαβάστε περισσότεραSmall Basic zadatci - 8. Razred
Small Basic zadatci - 8. Razred 1. Izradi program koji de napisati na ekranu Ovo je prvi program crvenom bojom. TextWindow.ForegroundColor = "red" TextWindow.WriteLine("Ovo je prvi program") 2. Izradi
Διαβάστε περισσότεραUTJECAJ PRIMJENE BASELA III NA BANKARSKI SEKTOR
Sveučilište Josipa Jurja Strossmayera u Osijeku Ekonomski fakultet u Osijeku Diplomski studij (financijski menadžment) UTJECAJ PRIMJENE BASELA III NA BANKARSKI SEKTOR Seminarski rad iz predmeta Revizija
Διαβάστε περισσότεραVelike fluktuacije na financijskim tržištima
Velike fluktuacije na financijskim tržištima Zvonko Kostanjčar, Sveučilište u Zagrebu, FER svibanj 2011. Investicije i investitori Velike fluktuacije Geometrijsko Brownovo gibanje Zarada na dionicama =
Διαβάστε περισσότεραProgram testirati pomoću podataka iz sledeće tabele:
Deo 2: Rešeni zadaci 135 Vrednost integrala je I = 2.40407 42. Napisati program za izračunavanje koeficijenta proste linearne korelacije (Pearsonovog koeficijenta) slučajnih veličina X = (x 1,..., x n
Διαβάστε περισσότεραVJEROJATNOST popravni kolokvij veljače 2017.
Zadatak 1. (20 bodova) (a) (4 boda) Precizno definirajte pojam σ-algebre događaja na nepraznom skupu Ω. (b) (6 bodova) Neka je (Ω, F, P) vjerojatnosni prostor i A, B F događaji. Pomoću aksioma vjerojatnosti
Διαβάστε περισσότερα5. Karakteristične funkcije
5. Karakteristične funkcije Profesor Milan Merkle emerkle@etf.rs milanmerkle.etf.rs Verovatnoća i Statistika-proleće 2018 Milan Merkle Karakteristične funkcije ETF Beograd 1 / 10 Definicija Karakteristična
Διαβάστε περισσότεραSVEUČILIŠTE U RIJECI GRAĐEVINSKI FAKULTET U RIJECI. Specijalistički diplomski stručni studij
SVEUČILIŠTE U RIJECI GRAĐEVINSKI FAKULTET U RIJECI Specijalistički diplomski stručni studij Test hipoteze o jednakosti aritmetičkih sredina K osnovnih skupova Seminarski rad Kolegij: Odabrana poglavlja
Διαβάστε περισσότεραDISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović
DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,
Διαβάστε περισσότεραAPROKSIMACIJA FUNKCIJA
APROKSIMACIJA FUNKCIJA Osnovni koncepti Gradimir V. Milovanović MF, Beograd, 14. mart 2011. APROKSIMACIJA FUNKCIJA p.1/46 Osnovni problem u TA Kako za datu funkciju f iz velikog prostora X naći jednostavnu
Διαβάστε περισσότεραTestiranje statističkih hipoteza Materijali za nastavu iz Statistike
Testiranje statističkih hipoteza Materijali za nastavu iz Statistike Kristina Krulić Himmelreich i Ksenija Smoljak 2012/13 1 / 39 Uvod Osnovna zadaća Statistike je na temelju uzorka ocijeniti kakvu razdiobu
Διαβάστε περισσότεραAritmetička sredina Medijan Mod. Harmonijska sredina
MJERE CENTRALNE TENDENCIJE Aritmetička sredina Medijan Mod Geometrijska sredina Harmonijska sredina MJERA CENTRALNE TENDENCIJE ili središnja vrijednost jest brojčana vrijednost koja reprezentira skupinu
Διαβάστε περισσότεραDijagonalizacija operatora
Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite
Διαβάστε περισσότεραOsnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju
RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)
Διαβάστε περισσότεραMetode prognoziranja na vremenskim nizovima
Metode prognoziranja na vremenskim nizovima Pomoću ovih metoda buduće vrijednosti prognoziraju se na temelju povijesnih podataka. Pravila po kojima se ponašaju podaci iz prošlosti primjenjuje se na buduće
Διαβάστε περισσότεραGRAĐEVINSKI FAKULTET SVEUČILIŠTE U RIJECI. Specijalistički diplomski stručni studij građevinarstva NORMALNA RAZDIOBA.
GRAĐEVINSKI FAKULTET SVEUČILIŠTE U RIJECI Specijalistički diplomski stručni studij građevinarstva NORMALNA RAZDIOBA Seminarski rad KOLEGIJ: Odabrana poglavlja inženjerske matematike AKADEMSKA GODINA: 2016/2017
Διαβάστε περισσότεραTEORIJA ODLUČIVANJA DECISION ANALYSIS
DONOŠENJE ODLUKA U UVJETIMA NEIZVJESNOSTI I RIZIKA TEORIJA ODLUČIVANJA DECISION ANALYSIS NEIZVJESNOST- situacija koja može rezultirati s više različitih ishoda (ne nužno i negativnih) RIZIK- šansa ili
Διαβάστε περισσότεραVeleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika. Monotonost i ekstremi. Katica Jurasić. Rijeka, 2011.
Veleučilište u Rijeci Stručni studij sigurnosti na radu Akad. god. 2011/2012. Matematika Monotonost i ekstremi Katica Jurasić Rijeka, 2011. Ishodi učenja - predavanja Na kraju ovog predavanja moći ćete:,
Διαβάστε περισσότεραAnita Zelić Gereč, Nataša Šarlija: Kratak pregled Basela 2
Anita Zelić Gereč, Nataša Šarlija: Kratak pregled Basela 2 Basel II predstavlja sveobuhvatan pristup upravljanju rizicima i nadzoru banaka. On će doprinijeti povećanju sigurnosti i zdravog poslovanja banaka,
Διαβάστε περισσότερα7 Algebarske jednadžbe
7 Algebarske jednadžbe 7.1 Nultočke polinoma Skup svih polinoma nad skupom kompleksnih brojeva označavamo sa C[x]. Definicija. Nultočka polinoma f C[x] je svaki kompleksni broj α takav da je f(α) = 0.
Διαβάστε περισσότεραZBIRKA POTPUNO RIJEŠENIH ZADATAKA
**** IVANA SRAGA **** 1992.-2011. ZBIRKA POTPUNO RIJEŠENIH ZADATAKA PRIRUČNIK ZA SAMOSTALNO UČENJE POTPUNO RIJEŠENI ZADACI PO ŽUTOJ ZBIRCI INTERNA SKRIPTA CENTRA ZA PODUKU α M.I.M.-Sraga - 1992.-2011.
Διαβάστε περισσότεραGLAZBENA UMJETNOST. Rezultati državne mature 2010.
GLAZBENA UJETNOST Rezultati državne mature 2010. Deskriptivna statistika ukupnog rezultata PARAETAR VRIJEDNOST N 112 k 61 72,5 St. pogreška mjerenja 5,06 edijan 76,0 od 86 St. devijacija 15,99 Raspon 66
Διαβάστε περισσότεραRizik i nesigurnost I. Rizik i njegovo mjerenje; sklonost ka riziku
Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva Inženjerska ekonomika (41251) Zagreb, 11. svibnja 2013. Rizik i nesigurnost I. Rizik i njegovo mjerenje; sklonost ka riziku Bilješke s predavanja
Διαβάστε περισσότεραBR. P-MLU-02/2017. Cerium d.o.o. Sjedište: Lašćinska cesta 143 Ured: Koprivnička 70/II Zagreb
PROGRAM MEĐULABORATORIJSKE BR. P-MLU-02/2017 Cerium d.o.o. Sjedište: Lašćinska cesta 143 Ured: Koprivnička 70/II 10 000 Zagreb Tel: +385 1 5805 921 Fax: +385 1 5805 936 e-mail: info@cerium.hr Organizator:
Διαβάστε περισσότεραDUALNOST. Primjer. 4x 1 + x 2 + 3x 3. max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 (P ) 1/9. Back FullScr
DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 (D)
Διαβάστε περισσότεραPREDNAPETI BETON Primjer nadvožnjaka preko autoceste
PREDNAPETI BETON Primjer nadvožnjaka preko autoceste 7. VJEŽBE PLAN ARMATURE PREDNAPETOG Dominik Skokandić, mag.ing.aedif. PLAN ARMATURE PREDNAPETOG 1. Rekapitulacija odabrane armature 2. Određivanje duljina
Διαβάστε περισσότερα3.1 Granična vrednost funkcije u tački
3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili
Διαβάστε περισσότεραOdlučivanje u uvjetima nesigurnosti
Odlučivanje u uvjetima nesigurnosti S obzirom u kojoj su nam mjeri poznate moguće posljedice odluka koje donosimo metode za odlučivanje dijelimo u dvije skupine: metode odlučivanja u uvjetima sigurnosti,
Διαβάστε περισσότεραVili Krainz Stavovi izraženi tijekom ove prezentacije su isključivo stavovi autora
Kreditni rizik Modeliranje i izazovi Vili Krainz vili.krainz@rba.hr Stavovi izraženi tijekom ove prezentacije su isključivo stavovi autora 1 Što je kreditni rizik? Rizik da jedna strana u financijskom
Διαβάστε περισσότεραOperacije s matricama
Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M
Διαβάστε περισσότεραGrafičko prikazivanje atributivnih i geografskih nizova
Grafičko prikazivanje atributivnih i geografskih nizova Biserka Draščić Ban Pomorski fakultet u Rijeci 17. veljače 2011. Grafičko prikazivanje atributivnih nizova Atributivni nizovi prikazuju se grafički
Διαβάστε περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε περισσότεραSortiranje prebrajanjem (Counting sort) i Radix Sort
Sortiranje prebrajanjem (Counting sort) i Radix Sort 15. siječnja 2016. Ante Mijoč Uvod Teorem Ako je f(n) broj usporedbi u algoritmu za sortiranje temeljenom na usporedbama (eng. comparison-based sorting
Διαβάστε περισσότεραPARNA POSTROJENJA ZA KOMBINIRANU PROIZVODNJU ELEKTRIČNE I TOPLINSKE ENERGIJE (ENERGANE)
(Enegane) List: PARNA POSTROJENJA ZA KOMBINIRANU PROIZVODNJU ELEKTRIČNE I TOPLINSKE ENERGIJE (ENERGANE) Na mjestima gdje se istovremeno troši električna i toplinska energija, ekonomičan način opskrbe energijom
Διαβάστε περισσότεραFARMACEUTSKO-BIOKEMIJSKI FAKULTET SVEUČILIŠTA U ZAGREBU. IZVEDBENI PLAN akademska godina 2012./2013. zimski semestar
Naziv kolegija: Matematika sa statističkom analizom Naziv studija: Studij farmacije i medicinske biokemije Godina i semestar studija: Prva, zimski semestar FARMACEUTSKO-BIOKEMIJSKI FAKULTET SVEUČILIŠTA
Διαβάστε περισσότερα- Ako jednadžbe modela pokazuju linearnost u grafičkom predstavljanju promjene varijable, modele smatramo linearnim, i obrnuto.
UVOD U MATEMATIČKO MODELIRANJE Matematičko modeliranje je postupak opisivanja realnog sustava matematičkim jednadžbama s ciljem razvoja i uporabe matematičkog modela za kasnije analize, projektiranja i
Διαβάστε περισσότεραTOLERANCIJE I DOSJEDI
11.2012. VELEUČILIŠTE U RIJECI Prometni odjel OSNOVE STROJARSTVA TOLERANCIJE I DOSJEDI 1 Tolerancije dimenzija Nijednu dimenziju nije moguće izraditi savršeno točno, bez ikakvih odstupanja. Stoga, kada
Διαβάστε περισσότεραu statistici označava raspodjelu rezultata, odnosno frekvenciju kojom se u nekom skupu rezultata, poredanih po veličini pojavljuju
Distribucije Distribucija u statistici označava raspodjelu rezultata, odnosno frekvenciju kojom se u nekom skupu rezultata, poredanih po veličini pojavljuju pojedini rezultati. Provjera oblika distribucije
Διαβάστε περισσότεραOPISNA STATISTIKA GRAFIČKE METODE. Pravila kolokvija PROMJENE RASPOREDA: Dozvoljene formule s weba (M. Grbić) HISTOGRAMI
PROMJENE RASPOREDA: Kolegij SOM (prvi kolokvij) Opća fizika (predavaje) Numerička matematika Stari termi. ožujka -h. ožujka -h. ožujka -h Novi termi. ožujka -h. ožujka -h. travja - Pravila kolokvija Dozvoljee
Διαβάστε περισσότεραPočela biostatistike, Poslijediplomski interdisciplinarni doktorski studij Molekularne bioznanosti. Molekularne bioznanosti. Molekularne bioznanosti
Analiza brojčanih podataka Nora Nikolac Klinički zavod za kemiju KB Sestre milosrdnice Kolegij: Počela biostatistike Statistička hipoteza postupak testiranja 1. postavljanje hipoteze: H 0, H 1 2. odabir
Διαβάστε περισσότεραTeorijske osnove informatike 1
Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija
Διαβάστε περισσότεραIspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f
IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f 2. Nule i znak funkcije; presek sa y-osom IspitivaƬe
Διαβάστε περισσότεραDEVIZNO TRŽIŠTE I DEVIZNI TEČAJ
DEVIZNO TRŽIŠTE I DEVIZNI TEČAJ 1 DEVIZNO TRŽIŠTE U međunarodnoj razmjeni transakcije se obračunavaju i plaćaju u različitim valutama Svako potraživanje u stranoj valuti naziva se devizama Trgovanje stranim
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΚΑΙ ΤΡΑΠΕΖΙΚΗΣ ΙΟΙΚΗΤΙΚΗΣ Π.Μ.Σ «ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΑΝΑΛΥΣΗ ΓΙΑ ΣΤΕΛΕΧΗ ΕΠΙΧΕΙΡΗΣΕΩΝ»
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΚΑΙ ΤΡΑΠΕΖΙΚΗΣ ΙΟΙΚΗΤΙΚΗΣ Π.Μ.Σ «ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΑΝΑΛΥΣΗ ΓΙΑ ΣΤΕΛΕΧΗ ΕΠΙΧΕΙΡΗΣΕΩΝ» ΠΤΥΧΙΑΚΗ ΜΕΛΕΤΗ ΣΤΟΓΙΑΝΝΟΥ ΑΙΚΑΤΕΡΙΝΗΣ ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ: ΕΙΣΗΓΗΤΗΣ:
Διαβάστε περισσότεραStatistika i osnovna mjerenja
Statistika i osnovna mjerenja Teorija vjerojatnosti M. Makek 2016/2017 Uvod Pokus bilo koji postupak ili proces koji rezultira opažanjem Ishod moguć rezultat pokusa (različiti ishodi se međusobno isključuju)
Διαβάστε περισσότεραXI dvoqas veжbi dr Vladimir Balti. 4. Stabla
XI dvoqas veжbi dr Vladimir Balti 4. Stabla Teorijski uvod Teorijski uvod Definicija 5.7.1. Stablo je povezan graf bez kontura. Definicija 5.7.1. Stablo je povezan graf bez kontura. Primer 5.7.1. Sva stabla
Διαβάστε περισσότερα18. listopada listopada / 13
18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu
Διαβάστε περισσότεραM086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost
M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.
Διαβάστε περισσότεραKONTROLA KVALITETE. Prof.dr.sc.Vedran Mudronja
KONTROLA KVALITETE Prof.dr.sc.Vedran Mudronja DEFINICIJA KVALITETE Ishikawa o kvaliteti: Kvaliteta je ekvivalent sa zadovoljstvom kupca. Kvaliteta mora biti definirana opsežno. Nije dovoljno samo reći
Διαβάστε περισσότερα10. domaća zadaća. 3. Neka je X neprekidna slučajna varijabla takva da je X N(0, 1). S točnošću od odredite:
Napomena: U svim zadacima treba koristiti tablicu standardne normalne razdiobe. 1. Neka je X neprekidna slučajna varijabla takva da je X N(0, 1). S točnošću od 10 5 odredite: a) P(X 1.16), b) P(X 0.59);
Διαβάστε περισσότεραStr
Str. Testiranje statističkih hipoteza Predavač: Dr Mirko Savić savicmirko@ef.uns.ac.rs www.ef.uns.ac.rs Definicija: Hipoteza predstavlja pretpostavku koja je zasnovana na određenim činjenicama (najčešće
Διαβάστε περισσότεραSTATISTIKA S M E I M N I AR R 7 : METODE UZORKA
Fakultet za menadžment u turizmu i ugotiteljtvu, Opatija Sveučilišni preddiplomki tudij Polovna ekonomija u turizmu i ugotiteljtvu Noitelj kolegija: Prof. dr. c. Suzana Marković Aitentica: Jelena Komšić
Διαβάστε περισσότερα4. MJERE DISPERZIJE. Josipa Perkov, prof., pred. 1
4. MJERE DISPERZIJE Josipa Perkov, prof., pred. 1 Kod mnogih mjerenja se može opaziti da se rezultati grupiraju i skupljaju oko jedne srednje vrijednosti Srednja vrijednost dobro reprezentira rezultate
Διαβάστε περισσότεραVerovatnoća i Statistika I deo Teorija verovatnoće (zadaci) Beleške dr Bobana Marinkovića
Verovatnoća i Statistika I deo Teorija verovatnoće zadaci Beleške dr Bobana Marinkovića Iz skupa, 2,, 00} bira se na slučajan način 5 brojeva Odrediti skup elementarnih dogadjaja ako se brojevi biraju
Διαβάστε περισσότεραradni nerecenzirani materijal za predavanja
Matematika 1 Funkcije radni nerecenzirani materijal za predavanja Definicija 1. Kažemo da je funkcija f : a, b R u točki x 0 a, b postiže lokalni minimum ako postoji okolina O(x 0 ) broja x 0 takva da je
Διαβάστε περισσότεραEdukacijsko-rehabilitacijski fakultet Sveučilišta u Zagreb S T A T I S T I K A. Skripta. Pripremio: Branko Nikolić. Zagreb 2015./2016.
Edukacijsko-rehabilitacijski fakultet Sveučilišta u Zagreb S T A T I S T I K A Skripta Pripremio: Branko Nikolić Zagreb 05./06. LITERATURA: Obvezna:. Petz B., Kolesarić, V., Ivanec, D. (0): Petzova statistika.
Διαβάστε περισσότεραISPIT AKTUARSKA MATEMATIKA II
PMF-Matematički odjel Sveučilište u Zagrebu Poslijediplomski stručni studij aktuarske matematike ISPIT AKTUARSKA MATEMATIKA II 9. 2. 2004. Vrijeme trajanja ispita: 120 minuta Ukupan broj bodova: 80 Broj
Διαβάστε περισσότεραRIJEŠENI ZADACI I TEORIJA IZ
RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA
Διαβάστε περισσότεραIterativne metode - vježbe
Iterativne metode - vježbe 5. Numeričke metode za ODJ Zvonimir Bujanović Prirodoslovno-matematički fakultet - Matematički odjel 21. studenog 2010. Sadržaj 1 Eulerove metode (forward i backward). Trapezna
Διαβάστε περισσότερα