澳洲代写｜COMP3670｜Introduction to Machine Learning机器学习入门 澳洲国立大学

Posted on by statistics-lab

statistics-labTM为您提供澳大利亚国立大学（The Australian National University）Introduction to Machine Learning机器学习入门澳洲代写代考和辅导服务！

课程介绍：

Essential foundations for any machine learning application are a basic statistical analysis of the data to be processed, a solid understanding of the mathematical foundations underpinning machine learning as well as the basic classes of learning/adaptation concepts. Those foundations are bundled in this single, introductory course to machine learning in preparation for deeper explorations into the topic, but also as a standalone unit.

澳洲代写｜COMP3670｜Introduction to Machine Learning机器学习入门 澳洲国立大学
DetailInformation
Course CodeCOMP3670
PrerequisiteNot mentioned in the provided text
Academic UnitSchool of Computing
ANU CollegeANU College of Engineering Computing & Cybernetics
Course SubjectComputer Science
Course ConvenerDr Thang Bui
Units6 units

Binary Classification二进制分类定义

Binary Classification is probably the most frequently studied problem in machine learning and it has led to a large number of important algorithmic and theoretic developments over the past century. In its simplest form it reduces to the question: given a pattern $x$ drawn from a domain $X$, estimate which value an associated binary random variable $y \in{ \pm 1}$ will assume. For instance, given pictures of apples and oranges, we might want to state whether the object in question is an apple or an orange. Equally well, we might want to predict whether a home owner might default on his loan, given income data, his credit history, or whether a given e-mail is spam or ham. The ability to solve this basic problem already allows us to address a large variety of practical settings.

There are many variants exist with regard to the protocol in which we are required to make our estimation:

二元分类可能是机器学习中最常被研究的问题，在过去的一个世纪里，它带来了大量重要的算法和理论发展。最简单的问题是：给定从一个领域 $X$ 中抽取的模式 $x$，估计与之相关的二进制随机变量 $y \in{ \pm 1}$ 将取哪个值。例如，给定苹果和橘子的图片，我们可能想知道相关物体是苹果还是橘子。同样，我们可能希望根据收入数据、信用记录或某封电子邮件是垃圾邮件还是火腿肠来预测房主是否会拖欠贷款。解决这一基本问题的能力已经让我们能够应对各种实际情况。

在我们需要进行估算的协议方面存在许多变体：

  • We might see a sequence of $\left(x_i, y_i\right)$ pairs for which $y_i$ needs to be estimated in an instantaneous online fashion. This is commonly referred to as online learning.
  • We might observe a collection $\mathbf{X}:=\left{x_1, \ldots x_m\right}$ and $\mathbf{Y}:=\left{y_1, \ldots y_m\right}$ of pairs $\left(x_i, y_i\right)$ which are then used to estimate $y$ for a (set of) so-far unseen $\mathbf{X}^{\prime}=\left{x_1^{\prime}, \ldots, x_{m^{\prime}}^{\prime}\right}$. This is commonly referred to as batch learning.
  • We might be allowed to know $\mathbf{X}^{\prime}$ already at the time of constructing the model. This is commonly referred to as transduction.
  • We might be allowed to choose $\mathbf{X}$ for the purpose of model building. This is known as active learning.
  • We might not have full information about $\mathbf{X}$, e.g. some of the coordinates of the $x_i$ might be missing, leading to the problem of estimation with missing variables.
  • The sets $\mathbf{X}$ and $\mathbf{X}^{\prime}$ might come from different data sources, leading to the problem of covariate shift correction.
  • We might be given observations stemming from two problems at the same time with the side information that both problems are somehow related. This is known as co-training.
  • Mistakes of estimation might be penalized differently depending on the type of error, e.g. when trying to distinguish diamonds from rocks a very asymmetric loss applies.
  • 我们可能会看到一连串的 $/left(x_i, y_i\right)$ 对，其中的 $y_i$ 需要以即时在线的方式进行估计。这通常被称为在线学习。
  • 我们可能会观察到一个集合 $\mathbf{X}:=\left{x_1, \ldots x_m\right}$ 和 $\mathbf{Y}： =\$left(x_i，y_i\right)$的成對 $left(x_i，y_i\right)$，然後用於估計（一組）至今未見的 $y$。这通常被称为批量学习。
  • 在构建模型时，我们可能已经知道 $/mathbf{X}^{prime}$。这通常被称为转导。
  • 我们可以选择 $\mathbf{X}$ 来构建模型。这就是所谓的主动学习。
  • 我们可能没有关于 $\mathbf{X}$ 的全部信息，例如，$x_i$ 的某些坐标可能缺失，这就导致了缺失变量的估计问题。
  • $\mathbf{X}$和$\mathbf{X}^{prime}$这两个集合可能来自不同的数据源，从而导致协变量偏移校正问题。
  • 我们可能会同时得到来自两个问题的观测数据，而这两个问题在某种程度上是相关的。这就是所谓的共同训练。
  • 估计错误可能会因错误类型的不同而受到不同的惩罚，例如，当试图区分钻石和岩石时，就会出现非常不对称的损失。

Multiclass Classification is the logical extension of binary classification. The main difference is that now y ∈ {1, . . . , n} may assume a range of different values. For instance, we might want to classify a document according to the language it was written in (English, French, German, Spanish,
Hindi, Japanese, Chinese, . . . ). See Figure 1.6 for an example. The main difference to before is that the cost of error may heavily depend on the type of error we make. For instance, in the problem of assessing the risk of cancer, it makes a significant difference whether we mis-classify an early stage of cancer as healthy (in which case the patient is likely to die) or as an advanced
stage of cancer (in which case the patient is likely to be inconvenienced from
overly aggressive treatment).
Structured Estimation goes beyond simple multiclass estimation by
assuming that the labels y have some additional structure which can be used
in the estimation process. For instance, y might be a path in an ontology,
when attempting to classify webpages, y might be a permutation, when
attempting to match objects, to perform collaborative filtering, or to rank
documents in a retrieval setting. Equally well, y might be an annotation of
a text, when performing named entity recognition. Each of those problems
has its own properties in terms of the set of y which we might consider
admissible, or how to search this space.
Regression is another prototypical application. Here the goal is to estimate a real-valued variable y ∈ R given a pattern x For
instance, we might want to estimate the value of a stock the next day, the
yield of a semiconductor fab given the current process, the iron content of
ore given mass spectroscopy measurements, or the heart rate of an athlete,
given accelerometer data. One of the key issues in which regression problems
differ from each other is the choice of a loss. For instance, when estimating
stock values our loss for a put option will be decidedly one-sided. On the
other hand, a hobby athlete might only care that our estimate of the heart
rate matches the actual on average.

多分类是二元分类的逻辑延伸。主要区别在于，现在 y ∈ {1, . , n} 可以有一系列不同的值。例如，我们可能想根据文档的语言（英语、法语、德语、西班牙语、印地语、日语、中文……）对其进行分类、
印地语、日语、中文……）。). 示例见图 1.6。与之前的主要区别在于，错误的代价可能在很大程度上取决于我们所犯的错误类型。例如，在评估癌症风险的问题中 在评估癌症风险的问题中，我们是将早期癌症错误地归类为健康癌症（在这种情况下，患者很可能会死亡），还是将晚期癌症错误地归类为健康癌症（在这种情况下，患者很可能会死亡），这两者之间的差别是非常大的。
癌症晚期（在这种情况下，病人很可能会因为过于积极的治疗而带来不便）。
过度积极的治疗带来不便）。
结构化估算超越了简单的多类估算，其方法是
假定标签 y 有一些额外的结构，可以在估计过程中使用。
在估计过程中使用。例如，y 可能是本体中的一条路径、
在尝试对网页进行分类时，y 可能是一个排列组合。
例如，在尝试对网页进行分类时，y 可能是本体中的一条路径；在尝试匹配对象、执行协同过滤或在检索设置中对文档进行排序时，y 可能是一种排列。
在检索设置中对文档进行排序。同样，在进行命名实体识别时，y 可以是文本的注释。
同样，在进行命名实体识别时，y 可能是文本的注释。这些问题中的每一个
都有其自身的特性，比如我们可能会认为 y 的集合
或如何搜索这个空间。
回归是另一个典型应用。这里的目标是在给定模式 x 的情况下估计实值变量 y∈R。
例如，我们可能想要估计某只股票第二天的价值、某个半导体制造厂的收益率、某只股票第二天的价值、某只股票第二天的收益率、某只股票第二天的收益率。
例如，我们可能希望根据当前的工艺流程估算出半导体工厂的产量，根据质谱测量结果估算出矿石中的铁含量。
或运动员的心率、
加速度计数据。回归问题的关键问题之一是
不同的关键问题之一是损失的选择。例如，在估算
例如，在估算股票价值时，我们对看跌期权的损失将是明显的单边损失。另一方面
另一方面，业余运动员可能只关心我们对心率的估计值与实际心率的平均值是否一致。
平均心率是否与实际相符。

澳洲代写｜COMP3670｜Introduction to Machine Learning机器学习入门 澳洲国立大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲大学｜MATH5855｜Multivariate Analysis多变量分析 新南威尔士大学

Posted on by statistics-lab

statistics-labTM为您提供新南威尔士大学（The University of New South Wales）Quantum Physics of Solids and Devices固体和器件的量子物理澳洲代写代考和辅导服务！

课程介绍：

Quantum mechanics plays an important role in the properties of solids, and will be central to new generations of
electronic devices across the coming decades, e.g., quantum computers. Existing devices, such as laser diodes and superconducting quantum interference devices (SQUIDs), also exploit quantum phenomena for their operation. This course covers three main areas. The first is ‘The Quantum Physics of Solids’, with topics including crystal structure, phonons as quantum oscillations, electrons as quantum particles in solids, band structure and unconventional materials. The second is ‘Interactions in Quantum Systems’, with topics including paramagnetism, diamagnetism and ferromagnetism, electron-electron interactions and their role in screening and plasmonic effects, and superconductivity. The third is ‘From Semiconductors to Quantum Devices’, with topics including charge carriers in semiconductors, p-n junctions and diodes, finite solids and heterojunctions, quantum confinement and low-dimensional devices, nanoelectronics. The course will appeal to those seeking a better contextual understanding of quantum mechanics and to learn about its real world applications: past, present and future.

澳洲大学｜MATH5855｜Multivariate Analysis多变量分析 新南威尔士大学
DetailInformation
Course CodeMATH5855
PrerequisiteUNSW UG students – MATH2801, MATH2901 or admitted to postgraduate programs of the School of Mathematics and Statistics and as an elective in some approved programs.
Academic UnitSchool of Mathematics and Statistics
Course ConvenerNot mentioned in the provided text
Units6

 Discriminant analysis判别分析入门

Introduction
There are two prototypical situations in multivariate analysis that are, in a sense, different sides of the same coin. Suppose we have identifiable groups, and they may (or may not) differ in their means (and possibly in their covariance structure) on one or more response measures.

  • How can we test whether the groups are significantly different?
  • If the groups are different, how can we construct a rule that allows us to accurately assign an individual to one of several groups, depending on their scores on the response measures?
  • In this module, we will deal with the second problem, examining, in detail, a method known as discriminant analysis.
  • However, the first problem, related to a technique known as MANOVA (Multivariate Analysis of Variance) is closely related to the first.

多元分析中有两种典型情况，从某种意义上说，它们是一枚硬币的两面。假设我们有可识别的群体，他们在一个或多个反应测量上的均值（可能还有协方差结构）可能（也可能）不同。

  • 我们如何检验这些组别是否存在显著差异？
  • 如果组别不同，我们怎样才能构建一个规则，使我们能够根据个体在反应测量指标上的得分，准确地将其分配到几个组别中的一个？
  • 在本模块中，我们将讨论第二个问题，详细研究一种称为判别分析的方法。
  • 然而，第一个问题与一种称为 MANOVA（多变量方差分析）的技术密切相关。

Cluster analysis聚类分析入门

Cluster: A collection of data objects

  • similar (or related) to one another within the same group
  • dissimilar (or unrelated) to the objects in other groups Cluster analysis (or clustering, data segmentation, …)
  • Finding similarities between data according to the characteristics found in the data and grouping similar data objects into clusters
    Unsupervised learning: no predefined classes (i.e., learning by observations vs. learning by examples: supervised)
    Typical applications
  • As a stand-alone tool to get insight into data distribution
  • As a preprocessing step for other algorithms

数据集群 数据对象的集合

  • 在同一组中彼此相似（或相关
  • 与其他组中的对象不相似（或不相关 聚类分析（或聚类、数据分割……)
  • 根据数据中发现的特征找出数据之间的相似性，并将相似的数据对象分组
    无监督学习：没有预定义的类别（即通过观察进行学习，而不是通过示例进行学习：有监督学习）
    典型应用
  • 作为独立工具，深入了解数据分布情况
  • 作为其他算法的预处理步骤
澳洲大学｜MATH5855｜Multivariate Analysis多变量分析 新南威尔士大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜MTH3130 ｜Topology: The mathematics of shape拓扑学形状数学 蒙纳士大学

Posted on by statistics-lab

statistics-labTM为您提供蒙纳士大学（Monash University）Topology: The mathematics of shape拓扑学形状数学澳洲代写代考和辅导服务！

课程介绍：

From point-set topology to manifolds: sets, topological spaces, basis of topology, and properties of spaces such as compact, connected, and Hausdorff. Maps between spaces and their properties, including continuity, homeomorphism, and homotopy.

Constructing spaces via subspace, product, identification, and cell complexes. Manifolds. Additional topics from algebraic and low-dimensional topology may include fundamental group and Seifert-van Kampen theorem, classification of surfaces, and topics in knot theory. Throughout, examples of spaces will include Euclidean spaces, surfaces (real projective plane, Klein bottle, Mobius strip), complexes, function spaces, and others.

澳洲代写｜MTH3320｜Computational linear algebra计算线性代数 蒙纳士大学

Topology拓扑学问题集

问题 1.

Show that if $f: X \rightarrow Y$ induces an isomorphism in homology with coefficients in the prime fields $\mathbb{F}_p$ (for all primes $p$ ) and $\mathbb{Q}$, then it induces an isomorphism in homology with coefficients in $\mathbb{Z}$. (Hint: 18 (c).)

问题 2.

Let $A \subseteq X$ and $B \subseteq Y$ be subsets. Construct a natural chain map
$$
S_(X, A) \otimes S_(Y, B) \rightarrow S_(X \times Y, A \times Y \cup X \times B) $$ that is a homology isomorphism if $A$ and $B$ are open. (Hint: Problem 26., or its proof, might be useful.) So there is a natural “relative cross product” map $$ H_(X, A ; R) \otimes_R H_(Y, B ; R) \rightarrow H_(X \times Y, A \times Y \cup X \times B ; R)
$$
that is an isomorphism if $A$ and $B$ are open, $R$ is a PID, and either $H_(X, A ; R)$ or $H_(Y, B ; R)$ is free over $R$.

问题 3.

(a) What is the $k$ th Betti number of $\left(S^1\right)^n$ ?
(b) Define an equivalence relation on $\mathbb{R}^n$ by saying that two vectors are equivalent if they differ by a vector with entries in $\mathbb{Z}$. Identify the quotient space of $\mathbb{R}^n$ by this equivalence relation with the product space $\left(S^1\right)^n$. Let $M$ be an $n \times n$ matrix with entries in $\mathbb{Z}$. It defines a linear map $\mathbb{R}^n \rightarrow \mathbb{R}^n$ in the usual way. Show that this map descends to a self-map of $\left(S^1\right)^n$. Compute the effect of this map on $H_n\left(\left(S^1\right)^n\right)$.

澳洲代写｜ETC3250｜Introduction to machine learning机器学习入门 蒙纳士大学
AttributeDetail
Course CodeECC2610
Course TitleGame theory and strategic thinking
Coordinating UnitIntroductory microeconomics
SemesterSecond semester
ModeOn-campus
Delivery LocationClayton
Number of UnitsNot provided in the text
Pre-RequisitesECB1101, ECC1000, ECF1100, ECS1101, ECW1101
LecturersAssociate Professor Paola Labrecciosa

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜STAT7203｜Probability Models & Data Analysis概率模型与数据分析 昆士兰大学

Posted on by statistics-lab

statistics-labTM为您提供昆士兰大学（The University of Queensland）Probability Models & Data Analysis概率模型与数据分析澳洲代写代考和辅导服务！

课程介绍：

Probability and Statistics for Data Science: basic probability theory, distributions and properties, sampling methods, EDA, estimation, hypothesis tests, regression, experimental design, transform methods, model construction, reliability, and joint distributions.

澳洲代写｜STAT3007｜Deep Learning深度学习 昆士兰大学
DetailInformation
Course CodeSTAT7203
PrerequisiteMATH7501 or MATH7051
Academic UnitSchool of Mathematics and Physics
Course ConvenerDr Fred Roosta-Khorasani
Units2

Probability and Statistics 概率与统计相关

问题 1.

Polygraph analogy. In a experiment on the accuracy of polygraph tests, 140 people were instructed to tell the truth and 140 people were instructed to lie. Testers use a polygraph to guess whether or not each person is lying. By analogy, let’s say $H_0$ corresponds to the testee telling the truth and $H_A$ corresponds to the testee lying.
(a) Describe the meaning of type I and type II errors in this context, and estimate their probabilities based on the table.
\begin{tabular}{l|c|c|}
& Testee is truthful & Testee is lying \
\hline Tester thinks testee is truthful & 131 & 15 \
\hline Tester thinks tested is lying & 9 & 125 \
\hline
\end{tabular}

(a) Type I error is rejecting the null-hypothesis when it is indeed true. This corresponds to thinking someone is lying when they are in fact being truthful. The experiment had $\frac{9}{140}$ type I errors. This is our estimate of the probability of a type I error.

Type II error is not rejecting the null-hypothesis when it is indeed false. This corresponds to thinking someone is telling the truth when they are in fact lying. Based on the data our estimate of the probability of a Type II error is $\frac{15}{140}$.

问题 2.

(b) In NHST, what relationships exist between the terms significance level, power, type 1 error, and type 2 error?

(b) Significance $=P($ type I error $)=P\left(\right.$ reject $\left.H_0 \mid H_0\right)$.
Power $=1-P($ type II error $)=P\left(\right.$ reject $\left.H_0 \mid H_A\right)$.

问题 3.

We perform a $t$-test for the null hypothesis $H_0: \mu=10$ at significance level $\alpha=0.05$ by means of a dataset consisting of $n=16$ elements with sample mean 11 and sample variance 4 .
(a) Should we reject the null hypothesis in favor of $H_A: \mu \neq 10$ ?
(b) What if we test against $H_A^{\prime}: \mu>10$ ?

(a) This is a two-sided alternative. The $t$-statistic is
$$
\frac{\bar{x}-\mu}{s / \sqrt{n}}=\frac{1}{2 / 4}=2 \text {. }
$$
Since we have $n=16$ our $t$ statistic has 15 degrees of freedom.
We have the two-sided $p$-value
$$
p=P\left(|t|>2 \mid H_0\right)=2 *(1-\mathrm{pt}(2,15))=0.063945 .
$$
Since $p>\alpha=0.05$ we don’t reject the null hypothesis.
Alternatively we could have done the problem in terms of rejection regions. We are given $\bar{x}=11, s^2=4$, and $n=16$. The null hypothesis is $\mu=10$. Using $\bar{x}$ as our test statistic the rejection region is
$$
\left(-\infty, 10-t_{15,0.025} \frac{s}{\sqrt{n}}\right] \cup\left[10+t_{15,0.025} \frac{s}{\sqrt{n}}, \infty\right)=(-\infty, 8.93] \cup[11.07, \infty)
$$
Here $t_{15,0.025}$ means a critical value, i.e. the value with right tail probability 0.025 : for $T \sim t(15)$ we have $P\left(t>t_{15,0.025}\right)=0.025$.
Since 11 lies outside the rejection region, we should not reject the null-hypothesis.
(b) This is a one-sided alternative. The $t$-statistic is the same
$$
\frac{\bar{x}-\mu}{s / \sqrt{n}}=\frac{1}{2 / 4}=2 .
$$

So we have the one-sided $p$-value
$$
p=P\left(t>2 \mid H_0\right)=2 *(1-\mathrm{pt}(2,15))=0.031973 .
$$
Since $p<\alpha=0.05$ we reject the null hypothesis in favor of the alternative. Again looking at rejection regions. We use the critical value $t_{15,0.05} \approx 1.753$. The rejection region for $\bar{x}$ is $$ \left[10+t_{15,0.05} \frac{s}{\sqrt{n}}, \infty\right)=[10.876, \infty) . $$ Since 11 lies inside the rejection region, we should reject the null-hypothesis in favor of $H_1: \mu>10$

澳洲代写｜STAT3007｜Deep Learning深度学习 昆士兰大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜OLET1201｜Business Entrepreneurship: Business Models企业创业： 商业模式 悉尼大学

Posted on by statistics-lab

statistics-labTM为您悉尼大学（英语：The University of Sydney），简称悉大、USYD，简称“NCL”Business Entrepreneurship: Business Models企业创业： 商业模式澳洲代写代考和辅导服务！

课程介绍：

Where the 0 credit point Business Entrepreneurship unit provides students with a theoretical perspective on business entrepreneurship, this for-credit upgrade provides an opportunity for students to apply this knowledge, and to refine their understanding. To this aim, students are presented with entrepreneurial challenges and are assisted to develop viable prototypes of services or products that address the challenges. With the help of research-based entrepreneurship literature, students analyse the market potential of the prototypes, formulate a suitable value proposition for their prototypes, and develop a business model that enables them to progress from idea to venture. Through this experiential exercise and the accompanying literature on business models and prototyping, students develop relevant prototyping and analytical skills, an understanding of the role and nature of business models, and learn how to combine both toward the goal of venture growth.

澳洲代写｜OLET1201｜Business Entrepreneurship: Business Models企业创业： 商业模式 悉尼大学

Business Models商业模式问题集

问题 1.

The Key Activities element includes the most important things a company must do to make its business model work.
In order to be successful, a company must carry out key actions that are primarily dictated by its business model.

When planning the key activities, it is necessary to know answers to the following questions:

  1. What kinds of activities are crucial to our business?
  2. What kinds of activities are crucial to our distribution channels?
  3. What kinds of activities are important if we want to maintain our customer_relationships?
  4. What kinds of activities are fundamental for our revenue streams?
    Some typical key activities that are commonly practiced by most organizations are listed below:
  • Research \& Development,
  • Production,
  • Marketing, and
  • $\quad$ Sales \& Customer Services.

关键活动要素包括公司为使其商业模式行之有效而必须做的最重要的事情。
为了取得成功，公司必须开展主要由其商业模式决定的关键行动。

在规划关键活动时，有必要了解以下问题的答案：

  1. 哪些活动对我们的业务至关重要？
  2. 哪些活动对我们的分销渠道至关重要？
  3. 如果我们要维护客户关系，哪些活动是重要的？
  4. 哪些活动对我们的收入流至关重要？
    下面列出了大多数组织通常开展的一些典型的关键活动：
  • 研究与开发、
  • 生产
  • 市场营销
  • 销售和客户服务。

问题 2.

Cost structure covers all expenses, which are important in the company activity.
Having in mind the financial aspect, we should answer the following questions:

  1. What are the main costs that are generated in our company?
  2. Which key resources are the most expensive?
  3. Which key actions require a major financial investment?
    In several business models, it is particularly important to maintain low costs. Therefore, it is worth distinguishing between the two categories of structure:
  • The structure focused on costs – The maintenance of a low-cost structure needs reducing costs whenever it is possible. It can be ensured by lowering the costs of value proposition, and introducing maximum automation in production and outsourcing.
  • Structure focused on value – Some companies pay more attention to the quality of the products.
    The cost structure may concern the following:

成本结构包括公司活动中的所有重要开支。
考虑到财务问题，我们应该回答以下问题：

  1. 我们公司产生的主要成本是什么？
  2. 哪些关键资源最昂贵？
  3. 哪些关键行动需要大量资金投入？
    在一些商业模式中，保持低成本尤为重要。因此，值得区分两类结构：
  • 以成本为中心的结构 – 要保持低成本结构，就必须尽可能降低成本。可以通过降低价值主张的成本、在生产和外包过程中引入最大程度的自动化来确保这一点。
  • 注重价值的结构 – 有些公司更注重产品质量。
    成本结构可能涉及以下方面

the residuals $r_t=X_t-\hat{m}_t-\hat{S}_t$. Does it look like a white noise sequence? If not, can you make any suggestions?

  • Fixed cost – These are the costs that the company bears even in the period in which the production is at zero level. These costs are incurred every month on operating activities, such as media, accounting, etc. Fixed costs are major cost components for many businesses, especially service providers, including restaurants, cinemas, theatres, and hotels.
  • Variable costs – These change in proportion to the quantity of goods produced or services provided. For this type of costs, it is possible to include costs associated with renting variable factors of production, for example, work, or raw materials. For example, companies have signed contracts with employees and suppliers of raw materials, and they may use quite a lot of flexibility through work in a timeless or part-time, employment of seasonal workers or the purchase of raw materials in the market.
  • 固定成本 – 这些是公司在生产处于零水平期间也要承担的成本。这些成本每月都会在媒体、会计等运营活动中产生。固定成本是许多企业的主要成本构成，尤其是服务提供商，包括餐馆、电影院、剧院和酒店。
  • 可变成本 – 这些成本的变化与生产的商品或提供的服务数量成正比。对于这类成本，可以包括与租赁可变生产要素（如工作或原材料）相关的成本。例如，公司与雇员和原材料供应商签订合同，可以通过定时工作或非全时工作、雇用季节性工人或在市场上购买原材料等方式使用相当大的灵活性。

问题 3.

The methods that can be used are the following (Osterwalder \& Pigneur (2010):
A. Asset sale
This kind of sale refers to the transfer of ownership rights of a physical product from the seller to the buyer.
B. Usage fee
This kind of fee is usually charged by service providers to customers for the use of the service. A doctor may charge the patient according to the number and nature of treatments the patient undergoes while under his care.
C. Subscription fees
When a user requires long-term or continuous access to the products of a company, they pay a subscription fee. For example, a gym may sell a yearly membership subscription to its customer.
D. Lending/renting/leasing
Some organizations provide their customers with exclusive rights to their product for a limited amount of time for a set fee. Upon the end of this period, the organization regains ownership of the product. The company enjoys recurring revenue from the customer for the mentioned period, while the customer has exclusive access to the product for the time he/ she require it without having to make a hefty investment.
E. Licensing
Licensing is generally used when we are talking about products, services, or ideas that fall under the parameter of intellectual property. It is common in the technology industry for patent holders to license the use of patents to other companies and to charge a licensing fee for it.

A. 资产销售
这种销售是指将实物产品的所有权从卖方转移给买方。
B. 使用费
这种费用通常是服务提供商向客户收取的服务使用费。医生可根据病人接受治疗的次数和性质向病人收费。
C. 订购费
当用户需要长期或持续使用某公司的产品时，他们需要支付订购费。例如，一家健身房可能会向其客户出售一年的会员订阅费。
D. 出借/出租/租赁
一些机构向客户提供在有限时间内使用其产品的专有权，并收取一定费用。期限结束后，该组织重新获得产品所有权。公司可在上述期间从客户那里获得经常性收入，而客户则可在其需要的时间内独家使用产品，而无需进行巨额投资。
E. 许可证
当我们谈论属于知识产权范畴的产品、服务或创意时，通常会用到许可。在技术行业，专利持有者向其他公司许可使用专利并收取许可费的做法很常见。

澳洲代写｜ECMT2130｜Financial Econometrics金融计量经济学 悉尼大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜QBUS6830｜Financial Time Series and Forecasting金融时间序列和预测 悉尼大学

Posted on by statistics-lab

statistics-labTM为您悉尼大学（英语：The University of Sydney），简称悉大、USYD，简称“NCL”Financial Time Series and Forecasting金融时间序列和预测 澳洲代写代考和辅导服务！

课程介绍：

Time series and statistical modelling is a fundamental component of the theory and practice of modern financial asset pricing as well as financial risk measurement and management. Further, forecasting is a required component of financial and investment decision making. This unit provides an introduction to the time series models used for the analysis of data arising in financial markets. It then considers methods for forecasting, testing and sensitivity analyses, in the context of these models. Topics include: the properties of financial return data; the Capital Asset Pricing Model (CAPM); financial return factor models, with known and unknown factors, in panel data settings; modelling and forecasting conditional volatility, via ARCH and GARCH; forecasting market risk measures such as Value at Risk. Emphasis is placed on applications involving the analysis of many real market datasets. Students are encouraged to undertake hands-on analysis using an appropriate computing package.

澳洲代写｜QBUS6830｜Financial Time Series and Forecasting金融时间序列和预测 悉尼大学

 Financial Econometrics金融计量经济学问题集

问题 1.

(a) Show that a linear filter $\left{a_j\right}$ passes an arbitrary polynomial of degree $k$ without distortion, that is,
$$
m_t=\sum_j a_j m_{t-j}
$$
for all $k$ th-degree polynomials $m_t=c_0+c_1 t+\cdots+c_k t^k$ if and only if
$$
\sum_j a_j=1 \text {, and } \sum_j j^r a_j=0 \text { for } r=1, \ldots, k \text {. }
$$
(b) Show that the Spencer 15-point moving average filter does not distort a cubic trend.

问题 2.

In Splus, get hold of the yearly airline passenger data set by assigning it to an object. You can use the command
x_rts (scan(‘airline.dat’), freq=12, start=1949)
The data are now stored in the object $x$, which forms the time series $\left{X_t\right}$. This data set consists of monthly totals (in thousands) of international airline passengers from January 1949 to December 1960 [details can be found in Brockwell and Davis (1991)]. It is stored under the file airline.dat on the Web page for this book.
(a) Do a time series plot of this data set. Are there any obvious trends?
(b) Is it necessary to transform the data? If a transformation is needed, what would you suggest?
(c) Do a yearly running median for this data set. Sketch the box plots for each year to detect any other trends.
(d) Find a trend estimate by using a moving average filter. Plot this trend.
(e) Estimate the seasonal component $S_k$, if any.
(f) Consider the deseasonalized data $d_t=X_t-\hat{S}_t, t=1, \ldots, n$. Reestimate a trend from $\left{d_t\right}$ by applying a moving average filter to $\left{d_t\right}$; call it $\hat{m}_t$, say.
(g) Plot the residuals $r_t=X_t-\hat{m}_t-\hat{S}_t$. Does it look like a white noise sequence? If not, can you make any suggestions?

问题 3.

  1. If $\left{X_t=A \cos t \omega: t=1, \ldots, n\right}$ where $A$ is a fixed constant and $\omega$ is a constant in $(0, \pi)$, show that $r_k \rightarrow \cos k \omega$ as $n \rightarrow \infty$. Hint: You need to use the double-angle and summation formulas for a trigonometric function.
  2. Let $Z_t \sim \mathrm{N}(0,1)$ i.i.d. Match each of the following time series with its corresponding correlogram in Figure 2.1.
    (a) $X_t=Z_t$.
    (b) $X_t=-0.3 X_{t-1}+Z_t$.
    (c) $X_t=\sin (\pi / 3) t+Z_t$.
    (d) $X_t=Z_t-0.3 Z_{t-1}$.

问题 4.

Determine which of the following processes are causal and/or invertible:
(a) $Y_t+0.2 Y_{t-1}-0.48 Y_{t-2}=Z_t$.
(b) $Y_t+1.9 Y_{t-1}+0.88 Y_{t-2}=Z_t+0.2 Z_{t-1}+0.7 Z_{t-2}$.
(c) $Y_t+0.6 Y_{t-2}=Z_t+1.2 Z_{t-1}$.
(d) $Y_t+1.8 Y_{t-1}+0.81 Y_{t-2}=Z_t$.
(e) $Y_t+1.6 Y_{t-1}=Z_t-0.4 Z_{t-1}+0.04 Z_{t-2}$.
Let $\left{Y_t: t=0, \pm 1, \ldots\right}$ be the stationary solution of the noncausal $\operatorname{AR}(1)$ equation
$$
Y_t=\phi Y_{t-1}+Z_t, \quad|\phi|>1, \quad\left{Z_t\right} \sim \mathrm{WN}\left(0, \sigma^2\right) .
$$
Show that $\left{Y_t\right}$ also satisfies the causal AR(1) equation
$$
Y_t=\phi^{-1} Y_{t-1}+W_t, \quad\left{W_t\right} \sim \mathrm{WN}\left(0, \tilde{\sigma}^2\right)
$$
for a suitably chosen white noise process $\left{W_t\right}$. Determine $\tilde{\sigma}^2$.
Show that for an MA(2) process with moving average polynomial $\theta(z)=$ $1-\theta_1 z-\theta_2 z^2$ to be invertible, the parameters $\left(\theta_1, \theta_2\right)$ must lie in the triangular region determined by the intersection of the three regions
$$
\begin{aligned}
& \theta_2+\theta_1<1, \
& \theta_2-\theta_1<1, \
& \left|\theta_2\right|<1 .
\end{aligned}
$$

澳洲代写｜ECMT2130｜Financial Econometrics金融计量经济学 悉尼大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜STAT3015｜Generalised Linear Models广义线性模型 澳洲国立大学

Posted on by statistics-lab

statistics-labTM为您提供澳大利亚国立大学（The Australian National University）Generalised Linear Models广义线性模型澳洲代写代考和辅导服务！

课程介绍：

This course is intended to introduce students to generalised linear modelling methods, with emphasis on, but not limited to, common methods for analyzing categorical data. Topics covered include a review of multiple linear regression and the analysis of variance, log-linear models for contingency tables, logistic regression for binary response data, Poisson regression, model selection and model checking, mixed effects models. Additional topics may include Bayesian analysis for generalized linear models and generalized mixed effect models.

The R statistical computing package is used as an integral part of the course.

澳洲代写｜STAT3015｜Generalised Linear Models广义线性模型 澳洲国立大学
DetailInformation
Course CodeSTAT3015
PrerequisiteNot explicitly mentioned in the provided text
Course SubjectStatistics
Course ConvenerProf Andrew Wood
Units6

Generalised Linear Models广义线性模型问题集

问题 1.

Let $f_0(y)$ be an arbitrary density or probability distribution having moment generating function
$$
M(\xi)=E{\exp (\xi Y)}=\exp {b(\xi)},
$$
assumed finite for a range of $\xi$-values that includes 0 . Now consider the exponentially weighted density
$$
f_Y(y ; \theta) \propto \exp (\theta y) f_0(y) .
$$
Derive the normalization factor for the weighted density and show that $f_Y(y ; \theta)$ has the exponential-family form (2.4) with $a(\phi)=1$.
Show that the cumulants of the weighted density $f_Y(y ; \theta)$ are given by
$$
\kappa_r=b^{(r)}(\theta),
$$
whereas the cumulants of the initial density are $b^{(r)}(0)$.
Let $Y_1, \ldots, Y_\nu$ be $\nu$ independent copies of the random variable $Y$ having the weighted density function $f_Y(y ; \theta)$. Show that the arithmetic mean $\bar{Y}=\left(Y_1+\ldots+Y_\nu\right) / \nu$ has a density of the form (2.4) with $a(\phi)=\nu^{-1}$. Show also that the cumulants of $\bar{Y}$ are
$$
\kappa_r(\bar{Y})=b^{(r)}(\theta) / \nu^{r-1} .
$$
Hence establish a central-limit theorem for densities of the form (2.4). .

问题 2.

Go through the calculations indicated in the previous four exercises, beginning with the distribution $f_0(y)$, which attaches probability one half to $y=0$ and $y=1$. What is the distribution of $\nu \bar{Y}$ ?
Beginning with the discrete distribution $f_0(y) \propto 1 / y$ ! for $y=1,2, \ldots$, derive the corresponding exponential family by going through the calculations of Exercises 2.1-2.3. Find the cumulant function $b(\theta)$ and hence derive the likelihood equation for $\hat{\theta}$ based on a sample of independent and identically distributed observations.
2.7 For the distribution (2.4), show that the $r$ th cumulant of $Y$ is
$$
\kappa_r=b^{(r)}(\theta) \times a^{r-1}(\phi) .
$$
Hence deduce that
$$
\kappa_3=\kappa_2 \kappa_2^{\prime} \text { and } \kappa_4=\kappa_2 \kappa_3^{\prime},
$$
where primes denote differentiation with respect to $\mu$.
Show that
$$
f_X(x ; \theta, \nu)=\frac{\left(1-x^2\right)^{\nu-1 / 2}}{\left(1-2 \theta x+\theta^2\right)^\nu B\left(\nu+\frac{1}{2}, \frac{1}{2}\right)} \quad-1 \leq x \leq 1,
$$
is a probability density on $(-1,1)$ for all parameter values $\nu>-\frac{1}{2}$, $-1 \leq \theta \leq 1$ (McCullagh, 1989). [If all efforts at integration fail, check that the claim is true for $\theta= \pm 1,0$ and, by numerical integration using Simpson’s rule or other Newton-Cotes formula, for other values of $(\theta, \nu)$.]
Sketch the density for $\theta=0, \pm \frac{1}{2}, \pm 1, \nu=3$.

问题 3.

2.10 Show that for fixed $\theta$ the density $f_X(x ; \theta, \nu)$ given above is of the exponential-family type (2.4) with $\phi=1, y=\log T(\theta)$ and canonical parameter $\nu$. Find the cumulant function $b(\cdot)$.
2.11 Show that $-2 \nu \log T\left(\theta_0\right)$ is the scaled deviance statistic for testing the hypothesis $H_0: \theta=\theta_0$ on the basis of a single observation $X$. Deduce that for large $\nu$ and under $H_0$
$$
-\left(2 \nu+\frac{1}{2}\right) \log T\left(\theta_0\right) \sim \chi_1^2
$$
approximately.
2.12 Suppose that $X_1, \ldots, X_n$ are independent and identically distributed with density $f_X(x ; \theta, \nu)$ as given above. Show that $\hat{\theta}_\nu$, the maximum-likelihood estimate of $\theta$ for fixed $\nu$, is independent of $\nu$. Calculate the Fisher information for $(\theta, \nu)$ and show that this matrix is diagonal.
2.13 Using the result given in Exercise 2.8 show that
$$
f_X(x ; \theta, \nu)=\frac{\left(1-x^2\right)^{\nu-1 / 2}|\theta|^{2 \nu}}{\left(1-2 \theta x+\theta^2\right)^\nu B\left(\nu+\frac{1}{2}, \frac{1}{2}\right)} \quad \nu>-\frac{1}{2},|\theta| \geq 1,
$$
is a probability density on the interval $-1 \leq x \leq 1$ for the parameter values indicated. Comment on the behaviour of the likelihood function and the Fisher information near $\theta= \pm 1$.

澳洲代写｜STAT3015｜Generalised Linear Models广义线性模型 澳洲国立大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜MATH3102｜Methods & Models of Applied Mathematics应用数学方法与模型 昆士兰大学

Posted on by statistics-lab

statistics-labTM为您提供昆士兰大学（The University of Queensland）Methods & Models of Applied Mathematics应用数学方法与模型澳洲代写代考和辅导服务！

课程介绍：

Classical methods and models in applied mathematics: dimensional analysis, perturbation methods, traffic models (continuity equation, shocks, Rankine-Hugoniot condition), introduction to continuum mechanics (elasticity, visco-elasticity, fluid dynamics, Navier-Stokes equation).

澳洲代写｜MATH3102｜Methods & Models of Applied Mathematics应用数学方法与模型 昆士兰大学

Methods & Models of Applied Mathematics应用数学方法与模型相关

问题 1.

In each case compute $y^{\prime}=\frac{d y}{d p}$ as a function of $y$ and $p$, given that $y=y(p)$ satisfies:

  1. $p^3+p y+2=0$.
  2. $y=\sin (y+p)$.
  3. $\ln (y)=p$.
  4. $\cos ^2(y)=p$, for $p>0$.
  5. $y=f(c-y p)$.
  6. $y=f(p-c y)$.
    Note: in (5) and (6) $f$ is an arbitrary function, and $c$ is a constant.

问题 2. Two variable dependence implicit differentiation.
In each case compute $u_x=\frac{\partial u}{\partial x}$ and $u_y=\frac{\partial u}{\partial y}$ (as functions of $u, x$, and $y$ ), given that $u=u(x, y)$ satisfies:

  1. $x^3 y+2 x u+y u^3=0$.
  2. $y=f(y+u x)$.
  3. $\ln (1+y)=u e^{x u}$.
    Note: In (2) $f$ is an arbitrary function of a single variable, $f=f(\zeta)$. Assume that $f^{\prime} \neq 0$.

问题 3.

In each case compute $u_x=\frac{\partial u}{\partial x}$ and $u_p=\frac{\partial u}{\partial p}$ (as functions of $u, x$, and $p$ ), given that $u=u(x, p)$ satisfies:

  1. $\cos \left(p^2 u\right)=p e^{-x^2}$.
  2. $p=\cos (x+u)$.
  3. $u=p f(x+u)$.
    Note: In (3) $f$ is an arbitrary function of a single variable, $f=f(\zeta)$.

问题 4.

Consider the wave equation for $u=u(x, t)$, where $c>0$ is a constant,
$$
u_{t t}-c^2 u_{x x}=0 .
$$
Introduce the new independent variables $\boldsymbol{\eta}=\boldsymbol{x}-\boldsymbol{c t}$, and $\boldsymbol{\xi}=\boldsymbol{x}+\boldsymbol{c t}$. Change variables to write the equation for $u$ as a function of these new variables: $\boldsymbol{u}=\boldsymbol{u}(\boldsymbol{\eta}, \boldsymbol{\xi})$. Using this transformed form of the equation, integrate it twice to show that it must be
$$
u=f(\eta)+g(\xi),
$$
for some arbitrary functions $f$ and $g$. This shows that any solution of the wave equation (1.1) must have the form $u=f(x-c t)+g(x+c t)$.

澳洲代写｜MATH3102｜Methods & Models of Applied Mathematics应用数学方法与模型 昆士兰大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜STAT3007｜Deep Learning深度学习 昆士兰大学

Posted on by statistics-lab

statistics-labTM为您提供昆士兰大学（The University of Queensland）Deep Learning深度学习澳洲代写代考和辅导服务！

课程介绍：

Deep learning has become a much sought-after game-changing technology that has enabled breakthroughs in applications such as intelligent virtual assistants, medical diagnosis, recommender systems, and autonomous driving. This course provides a comprehensive and rigorous coverage of deep learning from both applied and theoretical perspectives. Students taking this course will understand how, why and when the algorithms work, and be able to effectively apply deep learning methods to practical problems. This course begins with the basics of machine learning, followed by a broad coverage of deep neural networks, including some major deep neural network architectures, optimization of network parameters, and applications in classification, regression and reinforcement learning. This course is suitable for both students who want to build data-driven enabling applications with deep learning, and students who want to develop a solid foundation for doing research in deep learning in particular, and machine learning or artificial intelligence more broadly. To maximise the learning outcomes, students are expected to have a solid foundation in statistics, calculus, linear algebra, and programming. Python will be used for this course.

澳洲代写｜STAT3007｜Deep Learning深度学习 昆士兰大学
DetailInformation
Course CodeSTAT3007
Prerequisite(STAT2004 or STAT2203 or equivalent) + programming experience (e.g., MATH2504 or CSSE2002 or equivalent)
SchoolMathematics & Physics School
Course EnquiriesDr Nan Ye
Units2

Multiplying Matrices and Vectors矩阵和向量相乘相关

Matrix product operations have many useful properties that make mathematical analysis of matrices more convenient. For example, matrix multiplication is distributive:
$$
A(B+C)=A B+A C .
$$
It is also associative:
$$
\boldsymbol{A}(\boldsymbol{B C})=(\boldsymbol{A B}) \boldsymbol{C} .
$$
Matrix multiplication is not commutative (the condition $\boldsymbol{A B}=\boldsymbol{B A}$ does not always hold), unlike scalar multiplication. However, the dot product between two vectors is commutative:
$$
\boldsymbol{x}^{\top} \boldsymbol{y}=\boldsymbol{y}^{\top} \boldsymbol{x} .
$$
The transpose of a matrix product has a simple form:
$$
(\boldsymbol{A B})^{\top}=\boldsymbol{B}^{\top} \boldsymbol{A}^{\top} \text {. }
$$
This allows us to demonstrate equation 2.8 , by exploiting the fact that the value of such a product is a scalar and therefore equal to its own transpose:
$$
\boldsymbol{x}^{\top} \boldsymbol{y}=\left(\boldsymbol{x}^{\top} \boldsymbol{y}\right)^{\top}=\boldsymbol{y}^{\top} \boldsymbol{x} .
$$
Since the focus of this textbook is not linear algebra, we do not attempt to develop a comprehensive list of useful properties of the matrix product here, but the reader should be aware that many more exist.

We now know enough linear algebra notation to write down a system of linear equations:
$$
A x=b
$$
where $\boldsymbol{A} \in \mathbb{R}^{m \times n}$ is a known matrix, $\boldsymbol{b} \in \mathbb{R}^m$ is a known vector, and $\boldsymbol{x} \in \mathbb{R}^n$ is a vector of unknown variables we would like to solve for. Each element $x_i$ of $\boldsymbol{x}$ is one of these unknown variables. Each row of $\boldsymbol{A}$ and each element of $\boldsymbol{b}$ provide another constraint. We can rewrite equation 2.11 as:
$$
\begin{gathered}
\boldsymbol{A}{1,:} \boldsymbol{x}=b_1 \ \boldsymbol{A}{2,:} \boldsymbol{x}=b_2 \
\ldots \
\boldsymbol{A}{m, x} \boldsymbol{x}=b_m \end{gathered} $$ or, even more explicitly, as: $$ \boldsymbol{A}{1,1} x_1+\boldsymbol{A}{1,2} x_2+\cdots+\boldsymbol{A}{1, n} x_n=b_1
$$

Identity and Inverse Matrices恒等矩阵和逆矩阵相关

Linear algebra offers a powerful tool called matrix inversion that allows us to analytically solve equation 2.11 for many values of $\boldsymbol{A}$.

To describe matrix inversion, we first need to define the concept of an identity matrix. An identity matrix is a matrix that does not change any vector when we multiply that vector by that matrix. We denote the identity matrix that preserves $n$-dimensional vectors as $\boldsymbol{I}_n$. Formally, $\boldsymbol{I}_n \in \mathbb{R}^{n \times n}$, and
$$
\forall x \in \mathbb{R}^n, I_n x=x .
$$
The structure of the identity matrix is simple: all of the entries along the main diagonal are 1 , while all of the other entries are zero. See figure 2.2 for an example.
The matrix inverse of $\boldsymbol{A}$ is denoted as $\boldsymbol{A}^{-1}$, and it is defined as the matrix such that
$$
\boldsymbol{A}^{-1} \boldsymbol{A}=\boldsymbol{I}_n
$$
We can now solve equation 2.11 by the following steps:
$$
\begin{gathered}
A x=b \
A^{-1} A x=A^{-1} b \
I_n x=A^{-1} b
\end{gathered}
$$
$$
\boldsymbol{x}=\boldsymbol{A}^{-1} \boldsymbol{b} .
$$
Of course, this process depends on it being possible to find $\boldsymbol{A}^{-1}$. We discuss the conditions for the existence of $\boldsymbol{A}^{-1}$ in the following section.

When $\boldsymbol{A}^{-1}$ exists, several different algorithms exist for finding it in closed form. In theory, the same inverse matrix can then be used to solve the equation many times for different values of $\boldsymbol{b}$. However, $\boldsymbol{A}^{-1}$ is primarily useful as a theoretical tool, and should not actually be used in practice for most software applications. Because $\boldsymbol{A}^{-1}$ can be represented with only limited precision on a digital computer, algorithms that make use of the value of $\boldsymbol{b}$ can usually obtain more accurate estimates of $\boldsymbol{x}$.

澳洲代写｜STAT3007｜Deep Learning深度学习 昆士兰大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写

澳洲代写｜ECMT2130｜Financial Econometrics金融计量经济学 悉尼大学

Posted on by statistics-lab

statistics-labTM为您悉尼大学（英语：The University of Sydney），简称悉大、USYD，简称“NCL”Financial Econometrics金融计量经济学 澳洲代写代考和辅导服务！

课程介绍：

This unit focuses on the financial models and econometric methods necessary to critically evaluate the risk and return characteristics of various fund-management strategies. Asset-pricing models and market efficiency are tested using econometric models that are popular in banking and finance, using industry-standard software. A core learning outcome is competency with that software. Students work with real and simulated data to specify, estimate, and test the linear regression models and the univariate time-series models that are at the core of the unit. The unit equips students with the conceptual framework and applied skills relevant to quantitative careers in finance and policy.

澳洲代写｜ECMT2130｜Financial Econometrics金融计量经济学 悉尼大学

 Financial Econometrics金融计量经济学问题集

问题 1.

When the regressors in a multiple regression are highly correlated, then we have a practical problem: the standard errors of individual coefficients tend to be large.
As a simple example, consider the regression
$$
y_t=\beta_1 x_{1 t}+\beta_2 x_{2 t}+u_t
$$
where (for simplicity) the dependent variable and the regressors have zero means. In this case, the variance of
$$
\operatorname{Var}\left(\hat{\beta}2\right)=\frac{1}{1-\operatorname{Corr}\left(x{1 t}, x_{2 t}\right)^2} \frac{1}{\operatorname{Var}\left(x_{2 t}\right)} \frac{\sigma^2}{T},
$$
where the new term is the (squared) correlation. If the regressors are highly correlated, then the uncertainty about the slope coefficient is high. The basic reason is that we see that the variables have an effect on $y_t$, but it is hard to tell if that effect is from regressor one or two.

Proof. (of 2.21). Recall that for a $2 \times 2$ matrix we have
$$
\left[\begin{array}{ll}
a & b \
c & d
\end{array}\right]^{-1}=\frac{1}{a d-b c}\left[\begin{array}{cc}
d & -b \
-c & a
\end{array}\right] .
$$
For the regression (2.20) we get
$$
\begin{aligned}
& {\left[\begin{array}{cc}
\sum_{t=1}^T x_{1 t}^2 & \sum_{t=1}^T x_{1 t} x_{2 t} \
\sum_{t=1}^T x_{1 t} x_{2 t} & \sum_{t=1}^T x_{2 t}^2
\end{array}\right]^{-1}=} \
& \quad \frac{1}{\sum_{t=1}^T x_{1 t}^2 \sum_{t=1}^T x_{2 t}^2-\left(\sum_{t=1}^T x_{1 t} x_{2 t}\right)^2}\left[\begin{array}{cc}
\sum_{t=1}^T x_{2 t}^2 & -\sum_{t=1}^T x_{1 t} x_{2 t} \
-\sum_{t=1}^T x_{1 t} x_{2 t} & \sum_{t=1}^T x_{1 t}^2
\end{array}\right] .
\end{aligned}
$$
The variance of the second slope coefficient is $\sigma^2$ time the lower right element of this

matrix. Multiply and divide by $T$ to get
$$
\begin{aligned}
\operatorname{Var}\left(\hat{\beta}2\right) & =\frac{\sigma^2}{T} \frac{\sum{t=1}^T x_{1 t}^2 / T}{\sum_{t=1}^T \frac{1}{T} x_{1 t}^2 \sum_{t=1}^T \frac{1}{T} x_{2 t}^2-\left(\sum_{t=1}^T \frac{1}{T} x_{1 t} x_{2 t}\right)^2} \
& =\frac{\sigma^2}{T} \frac{\operatorname{Var}\left(x_{1 t}\right)}{\operatorname{Var}\left(x_{1 t}\right) \operatorname{Var}\left(x_{2 t}\right)-\operatorname{Cov}\left(x_{1 t}, x_{2 t}\right)^2} \
& =\frac{\sigma^2}{T} \frac{1 / \operatorname{Var}\left(x_{2 t}\right)}{1-\frac{\operatorname{Cov}\left(x_{1 t}, x_{2 t}\right)^2}{\operatorname{Var}\left(x_{1 t}\right) \operatorname{Var}\left(x_{2 t}\right)}}
\end{aligned}
$$

问题 2.

Suppose we have monthly data with $\widehat{\alpha}i=0.2 \%$ (that is, $0.2 \% \times 12=2.4 \%$ per year), Std $\left(\varepsilon{i t}\right)=3 \%$ (that is, $3 \% \times \sqrt{12} \approx 10 \%$ per year) and a market Sharpe ratio of 0.15 (that is, $0.15 \times \sqrt{12} \approx 0.5$ per year). (This corresponds well to US CAPM regressions for industry portfolios.) A significance level of $10 \%$ requires a $t$-statistic (6.4) of at least 1.65 , so
$$
\frac{0.2}{\sqrt{1+0.15^2} 3 / \sqrt{T}} \geq 1.65 \text { or } T \geq 626 .
$$
We need a sample of at least 626 months (52 years)! With a sample of only 26 years (312 months), the alpha needs to be almost $0.3 \%$ per month (3.6\% per year) or the standard deviation of the residual just $2 \%$ (7\% per year). Notice that cumulating a $0.3 \%$ return over 25 years means almost 2.5 times the initial value.

Proof. (*Proof of (6.8)) Consider the regression equation $y_t=x_t^{\prime} b+\varepsilon_t$. With iid errors that are independent of all regressors (also across observations), the LS estimator, $\hat{b}{L s}$, is asymptotically distributed as $$ \sqrt{T}\left(\hat{b}{L s}-b\right) \stackrel{d}{\rightarrow} N\left(\mathbf{0}, \sigma^2 \Sigma_{x x}^{-1}\right) \text {, where } \sigma^2=\operatorname{Var}\left(\varepsilon_t\right) \text { and } \Sigma_{x x}=\operatorname{plim} \Sigma_{t=1}^T x_t x_t^{\prime} / T .
$$
When the regressors are just a constant (equal to one) and one variable regressor, $f_t$, so $x_t=\left[1, f_t\right]^{\prime}$, then we have
$$
\begin{aligned}
\Sigma_{x x} & =\mathrm{E} \sum_{t=1}^T x_t x_t^{\prime} / T=\mathrm{E} \frac{1}{T} \sum_{t=1}^T\left[\begin{array}{cc}
1 & f_t \
f_t & f_t^2
\end{array}\right]=\left[\begin{array}{cc}
1 & \mathrm{E} f_t \
\mathrm{E} f_t & \mathrm{E} f_t^2
\end{array}\right], \text { so } \
\sigma^2 \Sigma_{x x}^{-1} & =\frac{\sigma^2}{\mathrm{E} f_t^2-\left(\mathrm{E} f_t\right)^2}\left[\begin{array}{cc}
\mathrm{E} f_t^2 & -\mathrm{E} f_t \
-\mathrm{E} f_t & 1
\end{array}\right]=\frac{\sigma^2}{\operatorname{Var}\left(f_t\right)}\left[\begin{array}{cc}
\operatorname{Var}\left(f_t\right)+\left(\mathrm{E} f_t\right)^2 & -\mathrm{E} f_t \
-\mathrm{E} f_t & 1
\end{array}\right] .
\end{aligned}
$$
(In the last line we use $\operatorname{Var}\left(f_t\right)=\mathrm{E} f_t^2-\left(\mathrm{E} f_t\right)^2$.)

问题 3.

It is then straightfoward to show that the VaR for a portfortfolio
$$
R_p=w_1 R_1+w_2 R_2,
$$

where $w_1+w_2=1$ can be written
$$
\operatorname{VaR}p=\left(\left[\begin{array}{ll} w_1 \operatorname{Var}_1 & w_2 \operatorname{Var}_2 \end{array}\right]\left[\begin{array}{cc} 1 & \rho{12} \
\rho_{12} & 1
\end{array}\right]\left[\begin{array}{l}
w_1 \operatorname{Var}1 \ w_2 \operatorname{Var}_2 \end{array}\right]\right)^{1 / 2}, $$ where $\rho{12}$ is the correlation of $R_1$ and $R_2$. The extension to $n$ (instead of 2) assets is straightforward.

This expression highlights the importance of both the individual $\mathrm{VaR}i$ values and the correlation. Clearly, a worst case scenario is when the portfolio is long in all assets $\left(w_i>\right.$ $0)$ and the correlation turns out to be perfect $\left(\rho{12}=1\right)$.

Proof. (of (11.8)) Recall that $\mathrm{VaR}p=1.64 \sigma_p$, and that $$ \sigma_p^2=w_1^2 \sigma{11}+w_2^2 \sigma_{22}+2 w_1 w_2 \rho_{12} \sigma_1 \sigma_2
$$
Use (11.6) to substitute as $\sigma_i=\operatorname{VaR}i / 1.64$ $$ \sigma_p^2=w_1^2 \operatorname{VaR}_1^2 / 1.64^2+w_2^2 \operatorname{VaR}_2^2 / 1.64^2+2 w_1 w_2 \rho{12} \times \operatorname{VaR}_1 \times \mathrm{VaR}_2 / 1.64^2 .
$$
Multiply both sides by $1.64^2$ and take the square root to get (11.8).

澳洲代写｜ECMT2130｜Financial Econometrics金融计量经济学 悉尼大学

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写


随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写问卷设计与分析代写
PYTHON代写回归分析与线性模型代写
MATLAB代写方差分析与试验设计代写
STATA代写机器学习/统计学习代写
SPSS代写计量经济学代写
EVIEWS代写时间序列分析代写
EXCEL代写深度学习代写
SQL代写各种数据建模与可视化代写