Ekonometria Przestrzenna
|
|
- Patrycja Wiśniewska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria Przestrzenna Wykªad 4: Model autoregresji przestrzennej. Dane GIS: punkty i siatki (4) Ekonometria Przestrzenna 1 / 24
2 Plan wykªadu 1 Model czystej autoregresji przestrzennej (pure SAR) Specykacja Estymacja 2 Dane punktowe i agregacja po siatce Oszacowania modeli czystej SAR (4) Ekonometria Przestrzenna 2 / 24
3 Plan prezentacji 1 Model czystej autoregresji przestrzennej (pure SAR) 2 (4) Ekonometria Przestrzenna 3 / 24
4 Specykacja Model czystej autoregresji przestrzennej (1) (4) Ekonometria Przestrzenna 4 / 24
5 Specykacja Model czystej autoregresji przestrzennej (2) (4) Ekonometria Przestrzenna 5 / 24
6 Specykacja Model czystej autoregresji przestrzennej (3) Czysta autoregresja ze sferycznym skªadnikiem losowym: y 1 y 2. y N = c 1 c 2. c N y = c + ρwy + ε w 11 w w 1N + ρ w 21 w w 2N w N1 w N2... w NN y 1 y 2. y N + Uwaga: staªa oznaczona na szaro mo»e by uwzgl dniona lub nie. Jej obecno± bez znaczenia dla przedstawionych tu procedur i wniosków. Dlatego dalej j pomijamy. W dalszych modelach pojawi si ju» macierz regresorów X i wówczas b dzie mo»na traktowa staª jako oszacowanie towarzysz ce kolumnie jedynek w tej macierzy. ε 1 ε 2. ε N (4) Ekonometria Przestrzenna 6 / 24
7 Specykacja Model czystej autoregresji przestrzennej (3) Czysta autoregresja ze sferycznym skªadnikiem losowym: y 1 y 2. y N = c 1 c 2. c N y = c + ρwy + ε w 11 w w 1N + ρ w 21 w w 2N w N1 w N2... w NN y 1 y 2. y N + Uwaga: staªa oznaczona na szaro mo»e by uwzgl dniona lub nie. Jej obecno± bez znaczenia dla przedstawionych tu procedur i wniosków. Dlatego dalej j pomijamy. W dalszych modelach pojawi si ju» macierz regresorów X i wówczas b dzie mo»na traktowa staª jako oszacowanie towarzysz ce kolumnie jedynek w tej macierzy. ε 1 ε 2. ε N (4) Ekonometria Przestrzenna 6 / 24
8 Specykacja Model czystej autoregresji przestrzennej (4) W przypadku tego modelu zwykle trudno o daleko id c interpretacj. Stanowi raczej narz dzie opisu zale»no±ci przetrzennej i pomiaru jej siªy. Pod wzgl dem poznawczym: test ρ = 0 to procedura na poziomie testu Morana. Pod wzgl dem technicznym: ma si do Morana jak LM do Durbina-Watsona. Adekwatny, gdy jedyn podejrzewan przyczyn s warto±ci tej samej zmiennej w s siedztwie oraz nieobserwowalne wstrz sy, które wyst puj niezale»nie w±ród poszczególnych lokalizacji. (4) Ekonometria Przestrzenna 7 / 24
9 Specykacja Model czystej autoregresji przestrzennej (4) W przypadku tego modelu zwykle trudno o daleko id c interpretacj. Stanowi raczej narz dzie opisu zale»no±ci przetrzennej i pomiaru jej siªy. Pod wzgl dem poznawczym: test ρ = 0 to procedura na poziomie testu Morana. Pod wzgl dem technicznym: ma si do Morana jak LM do Durbina-Watsona. Adekwatny, gdy jedyn podejrzewan przyczyn s warto±ci tej samej zmiennej w s siedztwie oraz nieobserwowalne wstrz sy, które wyst puj niezale»nie w±ród poszczególnych lokalizacji. (4) Ekonometria Przestrzenna 7 / 24
10 Specykacja Model czystej autoregresji przestrzennej (4) W przypadku tego modelu zwykle trudno o daleko id c interpretacj. Stanowi raczej narz dzie opisu zale»no±ci przetrzennej i pomiaru jej siªy. Pod wzgl dem poznawczym: test ρ = 0 to procedura na poziomie testu Morana. Pod wzgl dem technicznym: ma si do Morana jak LM do Durbina-Watsona. Adekwatny, gdy jedyn podejrzewan przyczyn s warto±ci tej samej zmiennej w s siedztwie oraz nieobserwowalne wstrz sy, które wyst puj niezale»nie w±ród poszczególnych lokalizacji. (4) Ekonometria Przestrzenna 7 / 24
11 Specykacja Mno»niki przestrzenne Pozwalaj oceni wpªyw zmiany w zadanym obszarze przestrzeni na inne regiony. Analogia do analizy szeregów czasowych: o ile zmieni si Y w t + 1, je»eli w okresie t nast pi... y = ρwy + ε (I ρw) y = ε y = (I ρw) 1 ε Je»eli wi c nast pi jednostkowy, egzogeniczny wzrost warto±ci zmiennej w drugim regionie, to po uwzgl dnieniu efektów wtórnych y w poszczególnych regionach zmieni si o: y 1 y 2 y 3. y N = (I ρw) (4) Ekonometria Przestrzenna 8 / 24
12 Specykacja Mno»niki przestrzenne Pozwalaj oceni wpªyw zmiany w zadanym obszarze przestrzeni na inne regiony. Analogia do analizy szeregów czasowych: o ile zmieni si Y w t + 1, je»eli w okresie t nast pi... y = ρwy + ε (I ρw) y = ε y = (I ρw) 1 ε Je»eli wi c nast pi jednostkowy, egzogeniczny wzrost warto±ci zmiennej w drugim regionie, to po uwzgl dnieniu efektów wtórnych y w poszczególnych regionach zmieni si o: y 1 y 2 y 3. y N = (I ρw) (4) Ekonometria Przestrzenna 8 / 24
13 Specykacja Mno»niki przestrzenne Pozwalaj oceni wpªyw zmiany w zadanym obszarze przestrzeni na inne regiony. Analogia do analizy szeregów czasowych: o ile zmieni si Y w t + 1, je»eli w okresie t nast pi... y = ρwy + ε (I ρw) y = ε y = (I ρw) 1 ε Je»eli wi c nast pi jednostkowy, egzogeniczny wzrost warto±ci zmiennej w drugim regionie, to po uwzgl dnieniu efektów wtórnych y w poszczególnych regionach zmieni si o: y 1 y 2 y 3. y N = (I ρw) (4) Ekonometria Przestrzenna 8 / 24
14 Estymacja Model czystej autoregresji przestrzennej (pure SAR) Estymacja ML: spautolm model <- spautolm(y ~ 1, listw = W) Estymator KMNK: niezgodny i obci»ony (szczegóªy na nast pnym wykªadzie sytuacja identyczna jak w modelu SAR). (4) Ekonometria Przestrzenna 9 / 24
15 Plan prezentacji 1 Model czystej autoregresji przestrzennej (pure SAR) 2 (4) Ekonometria Przestrzenna 10 / 24
16 Dane punktowe i agregacja po siatce GIS GIS: System Informacji Geogracznej (ang. Geographic Information System). Tym poj ciem okre±la si szerok klas systemów, danych i technik analitycznych. Dane mog przyjmowa rozmaite struktury, ale ich wspóln cech stanowi to,»e zawieraj wspóªrz dne geograczne rejestrowanych w bazach obiektów, zdarze«, osób itp. (4) Ekonometria Przestrzenna 11 / 24
17 Dane punktowe i agregacja po siatce Dane punktowe GIS Zajmiemy si zbiorem o najprostszej mo»liwej strukturze danymi punktowymi. Zbiór obejmuje wyniki 2697 inspekcji sanepidu (score) w restauracjach (business_id, name) w San Francisco o podanych wspóªrz dnych geogracznych (longitude, latitude). (4) Ekonometria Przestrzenna 12 / 24
18 Dane punktowe i agregacja po siatce Interpretacja geograczna danych Po wskazaniu wspóªrz dnych geogracznych w zbiorze danych: coordinates(sf.rest) <- c("longitude", "latitude") otrzymujemy obiekt typu SpatialPointsDataFrame. Jest to obiekt analogiczny do obiektu SpatialPolygonsDataFrame, z którym pracowali±my wcze±niej. W SpatialPointsDataFrame ka»da obserwacja z tabeli (@data) jest przypisana tylko do jednej pary wspóªrz dnych (@coords). SpatialPolygonsDataFrame zawiera du»o wi cej informacji ka»da obserwacja z tabeli (@data) jest tam przypisana do wieloboku zadanego wspóªrz dnymi wszystkich jego wierzchoªków (@polygons). (4) Ekonometria Przestrzenna 13 / 24
19 Dane punktowe i agregacja po siatce Ocena graczna przestrzennej zale»no±ci wyników Po odci ciu powtórzonych inspekcji w tych samych restauracjach oraz kilku odlegªych obiektów: (4) Ekonometria Przestrzenna 14 / 24
20 Dane punktowe i agregacja po siatce Wybór modelu dla danych punktowych Nie mamy innych, sensownych zmiennych w bazie. Hipotezy: S siedztwo dobrych lokali wymusza podnoszenie standardów jako±ciowych. S siedztwo zªych lokali wymusza ci cie kosztów (z wiadomym skutkiem). Model: czysta autoregresja przestrzenna. Macierz W: jaki jest zbiór sensownych alternatyw dla potencjalnego klienta danej restauracji? Wybieramy 5 najbli»szych s siadów. Do przetestowania inne opcje. (4) Ekonometria Przestrzenna 15 / 24
21 Dane punktowe i agregacja po siatce Agregacja po siatce (1) Czasami analiza na poziomie danych punktowych nie jest optymalna i chcemy dokona przestrzennej agregacji. Np. analiza mno»ników przestrzennych jak zmieni si ±rednia jako± restauracji w okolicy po otwarciu nowego, ohydnego baru fast food? Mo»e to by sensowniej zadane pytanie ni» to, o ile konkretnie pogorszy si jako± usªugi w punkcie mistrza Okrasy, Amaro czy Moran, je»eli ohydny fast food pojawi si naprzeciwko nich (bo zapewne si nie pogorszy). Je»eli nie mamy (albo nie uwa»amy za stosowne u»ycia) mapy jednostek administracyjnych, mo»emy dokona agregacji po sztucznie zdeniowanej siatce. (4) Ekonometria Przestrzenna 16 / 24
22 Dane punktowe i agregacja po siatce Agregacja po siatce (2) Informacje z danych punktowych: granice mapy + nasza decyzja o g sto±ci siatki. (4) Ekonometria Przestrzenna 17 / 24
23 Dane punktowe i agregacja po siatce Agregacja po siatce (3) Tworzymy siatk : GridTopology - SpatialGrid - Spatial Pixels - SpatialPolygons - SpatialPolygonsDataFrame (4) Ekonometria Przestrzenna 18 / 24
24 Dane punktowe i agregacja po siatce Agregacja po siatce (4) Nakªadamy siatk (over) i agregujemy zawarto± oczek (aggregate). (4) Ekonometria Przestrzenna 19 / 24
25 Oszacowania modeli czystej SAR Dane punktowe (4) Ekonometria Przestrzenna 20 / 24
26 Oszacowania modeli czystej SAR Siatka (4) Ekonometria Przestrzenna 21 / 24
27 Oszacowania modeli czystej SAR Siatka (4) Ekonometria Przestrzenna 22 / 24
28 Oszacowania modeli czystej SAR Mno»niki przestrzenne (siatka 25 25) (4) Ekonometria Przestrzenna 23 / 24
29 Oszacowania modeli czystej SAR Zadanie domowe 4 Oszacuj model czystej autoregresji przestrzennej dla liczby bankomatów banku BZWBK. Doª cz odpowiednie ilustracje. Uwzgl dnij 3 warianty agregacji: (i) powiaty, (ii) agregacja po drobniejszej siatce, (iii) agregacja po grubszej siatce. Bior c pod uwag liczb obserwacji oraz map, zastanów si nad sensownym poziomem agregacji. Sformuªuj wnioski z analizy. (4) Ekonometria Przestrzenna 24 / 24
Ekonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 6: Zªo»one modele regresji przestrzennej (6) Ekonometria Przestrzenna 1 / 21 Plan wykªadu 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6)
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 5: Proste modele regresji przestrzennej. Dane GIS: analiza w regionach (5) Ekonometria Przestrzenna 1 / 47 Plan wykªadu 1 Model liniowy i SAR (Spatial Lag) Model liniowy
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoKLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu
➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 3: Testowanie obecno±ci procesów przestrzennych (3) Ekonometria Przestrzenna 1 / 25 Plan wykªadu 1 Testowanie efektów przestrzennych 2 Testy ogólne Test Morana I Globalne
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 9: Przestrzenne modele panelowe (9) Ekonometria Przestrzenna 1 / 37 Plan wykªadu 1 Podstawowe poj cia ekonometrii panelowej Modele panelowe bez zale»no±ci przestrzennych
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoProcedura weryfikacji badania czasu przebiegu 1 paczek pocztowych
Procedura weryfikacji badania czasu przebiegu 1 paczek pocztowych Warszawa 2012 (nowelizacja 2014) 1 zmiana nazwy zgodnie z terminologią zawartą w ustawie Prawo pocztowe Jednostka zlecająca: Urząd Komunikacji
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoListy Inne przykªady Rozwi zywanie problemów. Listy w Mathematice. Marcin Karcz. Wydziaª Matematyki, Fizyki i Informatyki.
Wydziaª Matematyki, Fizyki i Informatyki 10 marca 2008 Spis tre±ci Listy 1 Listy 2 3 Co to jest lista? Listy List w Mathematice jest wyra»enie oddzielone przecinkami i zamkni te w { klamrach }. Elementy
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z grupowania danych - Rough k-medoids Liczba osób realizuj cych projekt: 1 osoba 1. Wczytanie danych w formatach
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 2: Macierz wag przestrzennych W (2) Ekonometria Przestrzenna 1 / 34 Plan wykªadu 1 Macierz wag przestrzennych 2 Podstawowe metody konstrukcji macierzy W Na podstawie macierzy
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoLekcja 9 - LICZBY LOSOWE, ZMIENNE
Lekcja 9 - LICZBY LOSOWE, ZMIENNE I STAŠE 1 Liczby losowe Czasami spotkamy si z tak sytuacj,»e b dziemy potrzebowa by program za nas wylosowaª jak ± liczb. U»yjemy do tego polecenia: - liczba losowa Sprawd¹my
Bardziej szczegółowoINFORMATOR TECHNICZNY WONDERWARE
Informator techniczny nr 95 04-06-2007 INFORMATOR TECHNICZNY WONDERWARE Synchronizacja czasu systemowego na zdalnych komputerach względem czasu systemowego na komputerze z serwerem Wonderware Historian
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 2 Zwi zki mi dzy klasami Asocjacja (ang. Associations) Uogólnienie, dziedziczenie (ang.
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoEkonometria - wykªad 1
Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.
Bardziej szczegółowoGranular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY
Granular Computing 9999 pages 15 METODY SZTUCZNEJ INTELIGENCJI - PROJEKTY PB 2 PB 1 Projekt z wyznaczania reduktów zbioru Liczba osób realizuj cych projekt: 1-2 osoby 1. Wczytanie danych w formatach arf,
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoMiASI. Modelowanie systemów informatycznych. Piotr Fulma«ski. 18 stycznia Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska
MiASI Modelowanie systemów informatycznych Piotr Fulma«ski Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska 18 stycznia 2010 Spis tre±ci 1 Analiza systemu informatycznego Poziomy analizy 2
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoLekcja 12 - POMOCNICY
Lekcja 12 - POMOCNICY 1 Pomocnicy Pomocnicy, jak sama nazwa wskazuje, pomagaj Baltiemu w programach wykonuj c cz ± czynno±ci. S oni szczególnie pomocni, gdy chcemy ci g polece«wykona kilka razy w programie.
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoEdycja geometrii w Solid Edge ST
Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoTemat: Czy świetlówki energooszczędne są oszczędne i sprzyjają ochronie środowiska? Imię i nazwisko
Temat: Czy świetlówki energooszczędne są oszczędne i sprzyjają ochronie środowiska? Karta pracy III.. Imię i nazwisko klasa Celem nauki jest stawianie hipotez, a następnie ich weryfikacja, która w efekcie
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 1: Idea modelowania przestrzennego. Wizualizacja danych przestrzennych w R (1) Ekonometria Przestrzenna 1 / 30 Plan wykªadu 1 Dlaczego modelowanie przestrzenne? Przestrze«a
Bardziej szczegółowoModele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowo7. OPRACOWYWANIE DANYCH I PROWADZENIE OBLICZEŃ powtórka
7. OPRACOWYWANIE DANYCH I PROWADZENIE OBLICZEŃ powtórka Oczekiwane przygotowanie informatyczne absolwenta gimnazjum Zbieranie i opracowywanie danych za pomocą arkusza kalkulacyjnego Uczeń: wypełnia komórki
Bardziej szczegółowoListy i operacje pytania
Listy i operacje pytania Iwona Polak iwona.polak@us.edu.pl Uniwersytet l ski Instytut Informatyki pa¹dziernika 07 Który atrybut NIE wyst puje jako atrybut elementów listy? klucz elementu (key) wska¹nik
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 8 Diagram pakietów I Diagram pakietów (ang. package diagram) jest diagramem strukturalnym,
Bardziej szczegółowo1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.
GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoInstrukcja do Arkusza kosztorysowania sieci klasy NGA na obszarach wymagających wsparcia publicznego.
Załącznik 3 do poradnika dotyczącego planowania i projektowania sieci klasy NGA Instrukcja do Arkusza kosztorysowania sieci klasy NGA na obszarach wymagających wsparcia publicznego. Wersja 1.0 Projekt:
Bardziej szczegółowoElementy geometrii w przestrzeni R 3
Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi
Bardziej szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoWYKŁAD 8. Postacie obrazów na różnych etapach procesu przetwarzania
WYKŁAD 8 Reprezentacja obrazu Elementy edycji (tworzenia) obrazu Postacie obrazów na różnych etapach procesu przetwarzania Klasy obrazów Klasa 1: Obrazy o pełnej skali stopni jasności, typowe parametry:
Bardziej szczegółowoLekcja 3 Banki i nowe przedmioty
Lekcja 3 Banki i nowe przedmioty Akademia im. Jana Dªugosza w Cz stochowie Banki przedmiotów Co ju» wiemy? co to s banki przedmiotów w Baltie potramy korzysta z banków przedmiotów mo»emy tworzy nowe przedmioty
Bardziej szczegółowoStosowanie geoinformatyki w kontekście centralizacji SILP Szkolenie centralne z zakresu geomatyki leśnej dla nadleśniczych, 2011r.
Podstawy SIP i LMN Stosowanie geoinformatyki w kontekście centralizacji SILP Szkolenie centralne z zakresu geomatyki leśnej dla nadleśniczych, 2011r. przygotowali: Wojciech Pardus, Tomasz Grzegorzewicz
Bardziej szczegółowoLekcja 6 Programowanie - Zaawansowane
Lekcja 6 Programowanie - Zaawansowane Akademia im. Jana Dªugosza w Cz stochowie Wst p Wiemy ju»: co to jest program i programowanie, jak wygl da programowanie, jak tworzy programy za pomoc Baltiego. Na
Bardziej szczegółowoRachunek caªkowy funkcji wielu zmiennych
Rachunek caªkowy funkcji wielu zmiennych I. Malinowska, Z. Šagodowski Politechnika Lubelska 8 czerwca 2015 Caªka iterowana podwójna Denicja Je»eli funkcja f jest ci gªa na prostok cie P = {(x, y) : a x
Bardziej szczegółowoRelacj binarn okre±lon w zbiorze X nazywamy podzbiór ϱ X X.
Relacje 1 Relacj n-argumentow nazywamy podzbiór ϱ X 1 X 2... X n. Je±li ϱ X Y jest relacj dwuargumentow (binarn ), to zamiast (x, y) ϱ piszemy xϱy. Relacj binarn okre±lon w zbiorze X nazywamy podzbiór
Bardziej szczegółowoKonspekt lekcji otwartej
Konspekt lekcji otwartej Przedmiot: Temat lekcji: informatyka Modelowanie i symulacja komputerowa prawidłowości w świecie liczb losowych Klasa: 2 g Data zajęć: 21.12.2004. Nauczyciel: Roman Wyrwas Czas
Bardziej szczegółowoPRZEDMIOTOWY SYSTEM OCENIANIA Z HISTORII DLA KLAS IV VI
PRZEDMIOTOWY SYSTEM OCENIANIA Z HISTORII DLA KLAS IV VI SPIS TREŚCI: 1. Cel oceny 2. Formy oceniania 3. Ogólne kryteria oceniania uczniów z historii 4. Zasady poprawiania ocen 5. Ustalenia końcowe 6. Kontrakt
Bardziej szczegółowoZAPYTANIE OFERTOWE. Tłumaczenie pisemne dokumentacji rejestracyjnej ZAPYTANIE OFERTOWE
ZAPYTANIE OFERTOWE Tłumaczenie pisemne dokumentacji rejestracyjnej Biofarm sp. z o.o. ul. Wałbrzyska 13 60-198 Poznań Poznań, 09 grudnia 2015r. ZAPYTANIE OFERTOWE I. Nazwa i adres Zamawiającego: Biofarm
Bardziej szczegółowoOptiMore Importer Rejestru VAT. Instrukcja obsługi programu
OptiMore Importer Rejestru VAT Instrukcja obsługi programu Wstęp Program OptiMore Importer Rejestru VAT jest przeznaczony do importowania wpisów do rejestru VAT na podstawie danych zawartych w pliku źródłowym.
Bardziej szczegółowoModuł. Rama 2D suplement do wersji Konstruktora 4.6
Moduł Rama 2D suplement do wersji Konstruktora 4.6 110-1 Spis treści 110. RAMA 2D - SUPLEMENT...3 110.1 OPIS ZMIAN...3 110.1.1 Nowy tryb wymiarowania...3 110.1.2 Moduł dynamicznego przeglądania wyników...5
Bardziej szczegółowoEkstremalnie fajne równania
Ekstremalnie fajne równania ELEMENTY RACHUNKU WARIACYJNEGO Zaczniemy od ogólnych uwag nt. rachunku wariacyjnego, który jest bardzo przydatnym narz dziem mog cym posªu»y do rozwi zywania wielu problemów
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowo2) Drugim Roku Programu rozumie się przez to okres od 1 stycznia 2017 roku do 31 grudnia 2017 roku.
REGULAMIN PROGRAMU OPCJI MENEDŻERSKICH W SPÓŁCE POD FIRMĄ 4FUN MEDIA SPÓŁKA AKCYJNA Z SIEDZIBĄ W WARSZAWIE W LATACH 2016-2018 1. Ilekroć w niniejszym Regulaminie mowa o: 1) Akcjach rozumie się przez to
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoPROCEDURA REKRUTACJI DZIECI DO KLASY PIERWSZEJ DO SZKOŁY PODSTAWOWEJ W OSTASZEWIE NA ROK SZKOLNY 2015/2016
PROCEDURA REKRUTACJI DZIECI DO KLASY PIERWSZEJ DO SZKOŁY PODSTAWOWEJ W OSTASZEWIE NA ROK SZKOLNY 2015/2016 1. Zasady prowadzenia postępowania rekrutacyjnego zostały przygotowane w oparciu o treść ustawy
Bardziej szczegółowoWyciąg ze Statutu Przedszkola Miejskiego Nr 12 w Pruszkowie
Wyciąg ze Statutu Przedszkola Miejskiego Nr 12 w Pruszkowie ROZDZIAŁ VIII Przyjmowanie dzieci do przedszkola 28 1. Do przedszkola przyjmuje się dzieci po przeprowadzeniu postępowania rekrutacyjnego. 2.
Bardziej szczegółowoOpis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej
Opis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej 3.1 Informacje ogólne Program WAAK 1.0 służy do wizualizacji algorytmów arytmetyki komputerowej. Oczywiście istnieje wiele narzędzi
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoWst p teoretyczny do wiczenia nr 3 - Elementy kombinatoryki
Wst p teoretyczny do wiczenia nr 3 - Elementy kombinatoryki 1 Zadania na wiczenia nr 3 - Elementy kombinatoryki Zad. 1. Ile istnieje ró»nych liczb czterocyfrowych zakªadaj c,»e cyfry nie powtarzaj si a
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoZarządzanie Zasobami by CTI. Instrukcja
Zarządzanie Zasobami by CTI Instrukcja Spis treści 1. Opis programu... 3 2. Konfiguracja... 4 3. Okno główne programu... 5 3.1. Narzędzia do zarządzania zasobami... 5 3.2. Oś czasu... 7 3.3. Wykres Gantta...
Bardziej szczegółowoKATEDRA INFORMATYKI STOSOWANEJ PŁ ANALIZA I PROJEKTOWANIE SYSTEMÓW INFORMATYCZNYCH
KATEDRA INFORMATYKI STOSOWANEJ PŁ ANALIZA I PROJEKTOWANIE SYSTEMÓW INFORMATYCZNYCH Przygotował: mgr inż. Radosław Adamus 1 1 Na podstawie: Subieta K., Język UML, V Konferencja PLOUG, Zakopane, 1999. Wprowadzenie
Bardziej szczegółowoJĘZYK ROSYJSKI POZIOM ROZSZERZONY
EGZAMIN MATURALNY W ROKU SZKOLNYM 2013/2014 JĘZYK ROSYJSKI POZIOM ROZSZERZONY ROZWIĄZANIA ZAAŃ I SCHEMAT PUNKTOWANIA MAJ 2014 ZAANIA OTWARTE Zadanie 1. Przetwarzanie tekstu (0,5 pkt) 1.1. туристов 1.2.
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Cz ± I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szyma«ski Uniwersytet im. Adama Mickiewicza Pozna«2007 2 Podstawowe zasady i prawa przeliczania
Bardziej szczegółowoSystem Informatyczny CELAB. Przygotowanie programu do pracy - Ewidencja Czasu Pracy
Instrukcja obsługi programu 2.11. Przygotowanie programu do pracy - ECP Architektura inter/intranetowa System Informatyczny CELAB Przygotowanie programu do pracy - Ewidencja Czasu Pracy Spis treści 1.
Bardziej szczegółowoZaloguj się do Moje GS1. wprowadź dane o swoich lokalizacjach w mniej niż 5 minut!
Zaloguj się do Moje GS1 0 wprowadź dane o swoich lokalizacjach w mniej niż 5 minut! WSTĘP DO MOJE GS1 (1) MOJE GS1 to przyjazne w obsłudze narzędzie do tworzenia i zarządzania numerami GTIN i GLN posiadające
Bardziej szczegółowoWFiIS Imi i nazwisko: Rok: Zespóª: Nr wiczenia: Fizyka Dominik Przyborowski IV 5 22 J drowa Katarzyna Wolska
WFiIS Imi i nazwisko: Rok: Zespóª: Nr wiczenia: Fizyka Dominik Przyborowski IV 5 22 J drowa Katarzyna Wolska Temat wiczenia: Wyznaczanie stosunku przekrojów czynnych na aktywacj neutronami termicznymi
Bardziej szczegółowo