STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
|
|
- Aleksander Olszewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2
2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w okresie lub chwili t. Szeregi czasowe momentów dotyczą zasobów. Szeregi czasowe okresów dotyczą strumieni. Strumienie możemy agregować: na przykład dane miesięczne do kwartalnych lub rocznych. Zasobów nie możemy agregować w ten sposób. Szereg czasowy powinien zawierać wielkości jednorodne i porównywalne.
3 Składniki szeregu czasowego Dekompozycja wyodrębnianie składowych szeregu czasowego: tendencja rozwojowa (trend) T wahania okresowe (sezonowe koniunkturalne) S wahania przypadkowe P. Składowe mogą się łączyć poprzez: dodawanie szereg addytywny: Y = T + S + P mnożenie szereg multiplikatywny Y = T S P.
4 Średnia ruchoma arytmetyczna (SMA) krocząca o długości 2q + 1: ȳ t = 1 2q + 1 q r= q y t+r t = q + 1 q n q scentrowana (chronologiczna) o długości 2q: ȳ t = 1 1 2q 2 y t q + q 1 r= q+1 y t+r y t+q t = q +1 q n q
5 Prognozy naiwne Jeżeli: nie występują zmiany w mechanizmie kształtowania zjawiska występują niewielkie wahania przypadkowe prognoza jest krótkookresowa dysponujemy krótkim szeregiem danych historycznych możemy stosować metody naiwne sporządzania prognoz: y n+1 = y n yn+1 = y n + (y n y n 1 ) yn+1 = y y n n y n 1 yn+1 = y n + 1 nt=1 (y t+1 y t ) = y n + y n y 1 n 1 n 1 yn+1 = y n+1 d dla wahań sezonowych o okresie d wokół stałego poziomu
6 Średnia ruchoma wykładnicza (EMA) α (0 1) parametr wygładzania; zwykle α [ ] S 1 = y 1 S t = αy t + (1 α)s t 1 dla t = 2... n t 2 S t = α(1 α) j y t j + (1 α) t 1 y 1. j=0
7 Rekurencyjne modele prognoz oparte o wyrównanie wykładnicze model Browna: model Holta: y t+1 = y t + (1 α)(y t y t ) = = αy t + (1 α)y t = = αy t + α(1 α)y t 1 + α(1 α)y t y 1 = y 1 F 1 = y 1 S 1 = 0 F t = αy t + (1 α)(f t 1 + S t 1 ) S t = β(f t F t 1 ) + (1 β)s t 1 y t = F t 1 + S t 1 dla t n. Prognoza: y T = F n + (T n)s n dla T > n.
8 Wskaźniki wahań okresowych y (i) t t = 1... n i = 1... d t bieżący numer obserwacji i numer podokresu cyklu N i = {t : t {1... n} t = i + kd k = } n i = #N i Dla szeregu bez trendu: ȳ (i) = 1 t N n i y (i) t średnia w i-tym podokresie i O i = ȳ (i) i = 1... d wskaźniki wahań okresowych ȳ zachodzi warunek: d i=1 O i = d
9 Wskaźniki wahań okresowych Dla wahań addytywnych: ȳ t wartości trendu (wyznaczonego dowolną metodą) y t ȳ t indywidualne odchylenia O i = 1 n i t N i (y t ȳ t ) i = 1... d wskaźniki wahań okresowych eliminujemy wahania okresowe odejmując od obserwacji y t odpowiednie wskaźniki wahań okresowych. Dla wahań multiplikatywnych: y t /ȳ t indywidualne wskaźniki sezonowości O i = 1 y t t N n i i = 1... d wskaźniki surowe i ȳ t O i = d O i (oczyszczone) wskaźniki wahań okresowych i=1 O i eliminujemy wahania okresowe dzieląc obserwacje y t przez odpowiednie wskaźniki wahań okresowych.
10 Addytywny model tendencji rozwojowej Jeśli zjawisko Y t zmienia się liniowo w czasie oraz brak jest wahań okresowych to model ma postać Y t = at + b + ε t t = 1... n. składniki losowe spełniają te same założenia co w modelu Gaussa-Markowa jest to klasyczny model regresji parametry modelu szacujemy KMNK
11 Model dla wahań kwartalnych Y t = at + b + c 1 X t1 + c 2 X t2 + c 3 X t3 + ε t t = 1... n. gdzie X ti i = reprezentują podokresy cyklu { 1 dla obserwacji dotyczacych i-tego kwartału X ti = 0 dla obserwacji dotyczacych pozostałych kwartałów. kwartał 4 będzie dla nas kwartałem bazowym parametry c i i = charakteryzują odchylenia występujące w kolejnych kwartałach względem kwartału 4 składniki losowe spełniają te same założenia co w modelu Gaussa-Markowa
12 Model dla wahań kwartalnych c.d. Zapisujemy model w postaci macierzowej: gdzie (X = (t 1 X t1 X t2 X t3 )): y = y 1 y 2 y 3 y 4 y 5 y 6 y n 3 y n 2 y n 1 y n y = Xa + ε X = n n n n a b a = c 1 c 2 c 3 ε = ε 1 ε 2 ε 3 ε 4 ε 5 ε 6 ε n 3 ε n 2 ε n 1 ε n
13 Model dla wahań kwartalnych c.d. Oszacowania parametrów wyznaczamy z wzoru: â = (X T X) 1 X T y. Wartości teoretyczne możemy również obliczyć za pomocą macierzy: Wektor reszt: e = y ŷ ŷ = Xâ. Wariancja resztowa (5 parametrów): S 2 e = et e n 5 Wariancje oszacowań parametrów odczytujemy z przekątnej macierzy: S 2 e (X T X) 1.
14 Przyrosty względne i absolutne przyrosty absolutne (bezwzględne) o podstawie stałej: y 1 y 2 y 3... y n 1 y n gdzie podstawą jest okres t 0 przyrosty absolutne (bezwzględne) łańcuchowe: y 2 y 1 y 3 y 2 y 4 y 3... y n 1 y n 2 y n y n 1 przyrosty względne o podstawie stałej w okresie t 0 : y 1 y 2 y 3... y n 1 y n przyrosty względne łańcuchowe: y 2 y 1 y 1 y 3 y 2 y 2 y 4 y 3 y 3... y n 1 y n 2 y n 2 y n y n 1 y n 1
15 Wskaźniki dynamiki (indeksy) stosunek wielkości badanego zjawiska w danym okresie (momencie) badanym sprawozdawczym do wielkości tego samego zjawiska w innym okresie (momencie) bazowym podstawowym przyjętym za podstawę porównań indeksy jednopodstawowe o podstawie stałej w okresie t 0 : y 1 y 2... y n 1 y n indeksy łańcuchowe: y 2 y 1 y 3 y 2... y n 1 y n 2 y n y n 1 na indeksach wygodniej wykonuje się operacje algebraiczne
16 Zamiany indeksów przyrosty względne na indeksy: łańcuchowe: jednopodstawowe: y i = y i y i y i 1 y i 1 y i = y i + 1 indeksy na przyrosty względne: łańcuchowe: jednopodstawowe: y i y i 1 = y i 1 y i 1 y i 1 y i = y i 1
17 Zamiana podstawy indeksu jednopodstawowego należy wszystkie indeksy podzielić przez wskaźnik wyrażający zmianę zjawiska między okresem starej (s) a nowej podstawy (n): y i y n = y i y s ys y n = y i y s : y n y s. zmiana indeksu jednopodstawowego na łańcuchowy: y i : y i 1 = y i y i 1
18 Zamiana indeksów łańcuchowych na jednopodstawowe w okresie bazowym indeks jednopodstawowy wynosi: y t 0 = 1 w okresie następującym bezpośrednio po okresie bazowym indeks jednopodstawowy jest równy łańcuchowemu: y t 0 +1 kolejne indeksy po okresie bazowym otrzymujemy mnożąc poprzedni indeks jednopodstawowy przez bieżący indeks łańcuchowy: y i = y i 1 y i y i 1 indeksy przed okresem bazowym obliczamy dzieląc poprzedni indeks jednopodstawowy przez bieżący indeks łańcuchowy: 1 = 1 : y t 0 2 = y t 0 1 : y t y i = y i+1 : y i y i inaczej jest to odwrotność iloczynu indeksów między okresem bazowym a badanym: y i = 1/ [ yi+1 y i yi+2 yt 0 1 y i ].
19 Średnie tempo zmian interesuje nas średnie tempo zmian zjawiska w okresie od chwili 1 do chwili n (za n 1 okresów) jest to tempo r które będąc stałe w całym rozważanym okresie przyniosłoby taką samą zmianę całkowitą odpowiada mu taki średni indeks ḡ = 1 + r że y n = (ḡ) n 1 y 1 = (1 + r) n 1 y 1. zatem średni indeks możemy obliczamy jako: pierwiastek (n 1)-tego stopnia z ilorazu badanej wielkości na końcu i początku badanego okresu: ḡ = n 1 yn y 1. pierwiastek (n 1)-tego stopnia z ilorazu ostatniego i pierwszego indeksu jednopodstawowego: ḡ = n 1 yn : y 1.
20 Średnie tempo zmian c.d. najczęściej średni indeks obliczamy jako średnią geometryczną indeksów łańcuchowych które są indeksami ilustrującymi dynamikę zmian w kolejnych okresach ḡ = n 1 y2 y 1 y3 y 2 yn 1 y n 2 y n = n 1 n y n 1 i=2 y i y i 1. średnie tempo zmian obliczamy wówczas jako r = ḡ 1 średnie tempo zmian możemy wykorzystać do sporządzania prognozy (naiwnej): y n+1 = y n (1 + r). Uwaga: porównaj z wzorem na oprocentowanie przeciętne przy kapitalizacji złożonej: r = n (1 + r 1 )(1 + r 2 ) (1 + r n ) 1.
21 Indeksy indywidualne i agregatowe p cena q ilość w = p q wartość 0 okres bazowy 1 okres badany indywidualny indeks cen indywidualny indeks ilości indywidualny indeks wartości i p = p 1 p 0 i q = q 1 q 0 i w = w 1 w 0 = p 1 q 1 p 0 q 0 = i p i q agregatowy indeks wartości: w1 p1 q 1 I w = = w0 p0 q 0
22 Indeksy agregatowe agregatowy indeks ilości Laspeyresa: I L q = q1 p 0 q0 p 0 agregatowy indeks ilości Paaschego: I P q = q1 p 1 q0 p 1 agregatowy indeks cen Laspeyresa: I L p = p1 q 0 p0 q 0 agregatowy indeks cen Paaschego: Ip P p1 q 1 = p0 q 1
23 Indeksy agregatowe c.d. Laspeyresa Paaschego ilości I L q = q1 p 0 q0 p 0 I P q = q1 p 1 q0 p 1 cen I L p = p1 q 0 I P p1 q 1 p = p0 q 0 p0 q 1 agregatowy indeks ilości Fishera: Iq F = Iq L Iq P agregatowy indeks cen Fishera: zachodzą związki: I F p = I L p I P p I w = I L p I P q = I P p I L q = I F p I F q
24 Indeksy agregatowe c.d. Gdy nie dysponujemy szczegółowymi danymi możemy zauważyć że: I w = w0 i w w0 = w1 w 1 i w I L q = w0 i q w0 I P q = w1 w 1 i q I L p = w0 i p w0 I P p = w1 w 1 i p
25 Indeksy dla wielkości stosunkowych indywidualnie: x = a b a = bx b = a x zespołowo: X = A a xb a B = = = b b a x indeksy agregatowy wszechstronny (o zmiennej strukturze): I X = X 1 a1 a0 x1 b 1 x0 b 0 = : = : = X 0 b1 b0 b1 b0 a1 a 1 x 1 : a0 a 0 x 0
26 Indeksy dla wielkości stosunkowych c.d. indeksy o stałej strukturze: a0 a0 I x/a0 = a 0 : a 0 I x/b0 = x 1 x 0 I x/a1 = a1 a 1 x 1 : a1 indeksy zmian strukturalnych: a 1 x 0 I x/b 1 = x1 b 0 x0 b 0 : b0 b0 x1 b 1 x0 b 1 : b1 b1 bi x/x0 = bi x/x1 = x0 b 1 b1 : x0 b 0 b0 ai x/x0 = x1 b 1 x1 b 0 : ai x/x1 = b1 b0 a1 a0 a 1 : a 0 x 0 x 0 a1 a0 a 1 : x 1 a 0 x 1 I x = I x/a1 ai x/x0 = I x/a0 ai x/x1 = I x/b1 bi x/x0 = I x/b0 bi x/x1
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoAnaliza dynamiki zjawisk STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 28 września 2018
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 28 września 2018 1 Pojęcie szeregów czasowych i ich składowych SZEREGIEM CZASOWYM nazywamy tablicę, która zawiera ciag wartości cechy uporzadkowanych
Bardziej szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
Bardziej szczegółowoĆwiczenia 13 WAHANIA SEZONOWE
Ćwiczenia 3 WAHANIA SEZONOWE Wyrównanie szeregu czasowego (wyodrębnienie czystego trendu) mechanicznie Zadanie. Badano spożycie owoców i przetworów (yt) (w kg) w latach według kwartałów: kwartał lata 009
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoAnaliza szeregów czasowych
Statystyka Wykład 5. Analiza szeregów czasowych michal.trzesiok@ue.katowice.pl Uniwersytet Ekonomiczny w Katowicach Katedra Analiz Gospodarczych i Finansowych 9 listopada 2015 r. Plan Szeregi czasowe wprowadzenie
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 18 czerwca Magdalena Alama-Bućko Statystyka 18 czerwca / 36
Statystyka Wykład 13 Magdalena Alama-Bućko 18 czerwca 2018 Magdalena Alama-Bućko Statystyka 18 czerwca 2018 1 / 36 Agregatowy (zespołowy) indeks wartości określonego zespołu produktów np. jak zmianiała
Bardziej szczegółowoAnaliza Zmian w czasie
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Zmian w czasie Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
Bardziej szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej szczegółowoZajęcia 1. Statystyki opisowe
Zajęcia 1. Statystyki opisowe 1. Znajdź dane dotyczące liczby mieszkańców w polskich województwach. Dla tych danych oblicz: a) Średnią, b) Medianę, c) Dominantę, d) Wariancję, e) Odchylenie standardowe,
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ANALIZA SZEREGÓW CZASOWYCH I INDEKSY STATYSTYCZNE
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ANALIZA SZEREGÓW CZASOWYCH I INDEKSY STATYSTYCZNE INDEKSY STATYSTYCZNE Absolutny przyrost t = y t y t 1 Względny przyrost δ t = t y t Indeks indywidualny jednopodstawowy
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka. Wykład 12. Magdalena Alama-Bućko. 29 maja Magdalena Alama-Bućko Statystyka 29 maja / 47
Statystyka Wykład 12 Magdalena Alama-Bućko 29 maja 2017 Magdalena Alama-Bućko Statystyka 29 maja 2017 1 / 47 Analiza dynamiki zjawisk badamy zmiany poziomu (tzn. wzrosty/spadki) badanego zjawiska w czasie.
Bardziej szczegółowoStatystyka. Wykład 11. Magdalena Alama-Bućko. 22 maja Magdalena Alama-Bućko Statystyka 22 maja / 41
Statystyka Wykład 11 Magdalena Alama-Bućko 22 maja 2017 Magdalena Alama-Bućko Statystyka 22 maja 2017 1 / 41 Analiza dynamiki zjawisk badamy zmiany poziomu (tzn. wzrosty/spadki) badanego zjawiska w czasie.
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoStatystyka opisowa Opracował: dr hab. Eugeniusz Gatnar, prof. WSBiF
Statystyka opisowa Opracował: dr hab. Eugeniusz Gatnar, prof. WSBiF 120 I. Ogólne informacje o przedmiocie Cel przedmiotu: Opanowanie podstaw teoretycznych, poznanie przykładów zastosowań metod statystycznych.
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 2 1 / 20 MIARY ROZPROSZENIA, Wariancja Wariancją z próby losowej X
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoSTATYSTYKA. Na egzamin należy przynieść:
[1] STATYSTYKA Na egzamin należy przynieść: 1. kalkulator 2. wzory na kartce (bez komentarzy!!!) UWAGA!!! wzory muszą być napisane odręcznie (kserokopie będą zabierane) Na kolejnych stronach zamieszczono
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
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 szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
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 szczegółowoANALIZA SPRZEDAŻY: - rozproszenia
KOŁO NAUKOWE CONTROLLINGU UNIWERSYTET ZIELONOGÓRSKI ANALIZA SPRZEDAŻY: - rozproszenia - koncentracji - sezonowości Spis treści Wstęp... 3 Analiza rozproszenia sprzedaży... 4 Analiza koncentracji sprzedaży...
Bardziej szczegółowoWykład 5: Analiza dynamiki szeregów czasowych
Wykład 5: Analiza dynamiki szeregów czasowych ... poczynając od XIV wieku zegar czynił nas najpierw stróżów czasu, następnie ciułaczy czasu, i wreszcie obecnie - niewolników czasu. W trakcie tego procesu
Bardziej szczegółowoAnaliza dynamiki. Sesja Cena akcji 1 42,9 2 41, ,5 5 41, , ,5
Analiza dynamiki Zadanie 1 Dynamikę produkcji samochodów osobowych przez pewną fabrykę w latach 2007-2013 opisuje następujący ciąg indeksów łańcuchowych: 1,1; 1,2; 1,3; 1,4; 0,8; 0,9. a) Jak zmieniała
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoImię, nazwisko i tytuł/stopień KOORDYNATORA (-ÓW) kursu/przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, mgr
SYLLABUS na rok akademicki 010/011 Tryb studiów Studia stacjonarne Kierunek studiów Ekonomia Poziom studiów Pierwszego stopnia Rok studiów/ semestr /4 Specjalność Bez specjalności Kod katedry/zakładu w
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoIndeksy dynamiki (o stałej i zmiennej podstawie)
Indeksy dynamiki (o stałej i zmiennej podstawie) Proste indeksy dynamiki określają tempo zmian pojedynczego szeregu czasowego. Wyodrębnia się dwa podstawowe typy indeksów: indeksy o stałej podstawie; indeksy
Bardziej szczegółowoWykład 6: Analiza danych czasowych Wykresy, indeksy dynamiki
Wykład 6: Analiza danych czasowych Wykresy, indeksy dynamiki ... poczynając od XIV wieku zegar czynił nas najpierw stróżów czasu, następnie ciułaczy czasu, i wreszcie obecnie - niewolników czasu. W trakcie
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoEgzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A
(imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i współczynnik ufności 0,95. Zadanie 1 W 005 roku przeprowadzono badanie ankietowe, którego
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoWydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas
Wydatki [zł] Zestaw zadań z Zastosowania metod progn. Zadanie 1 Dany jest następujący szereg czasowy: t 1 2 3 4 5 6 7 8 y t 11 14 13 18 17 25 26 28 Dokonaj jego dekompozycji na podstawowe składowe. Wykonaj
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoSZEREG CZASOWY Y zjawisko badane w różnych okresach lub momentach czasu. Dynamika zjawiska to zmiana zjawiska w czasie. Przykład. Y średni kurs akcji
SZEREG CZASOWY Y zjawisko badane w różnch okresach lub momentach czasu. Dnamika zjawiska to zmiana zjawiska w czasie. Przkład. Y średni kurs akcji firm OPTMUS na giełdzie Okres: notowania od 1.03.2010
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: ZIE n Punkty ECTS: 6. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Statystyka opisowa i ekonomiczna Rok akademicki: 2013/2014 Kod: ZIE-1-205-n Punkty ECTS: 6 Wydział: Zarządzania Kierunek: Informatyka i Ekonometria Specjalność: - Poziom studiów: Studia I
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoZagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA
Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA Zadanie 1 (Plik danych: Transport w Polsce (1990-2015)) Na
Bardziej szczegółowoStatystyka opisowa SYLABUS A. Informacje ogólne
Statystyka opisowa SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Język Rodzaj Rok
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.20 2011 Zawartość Zawartość 1. Tworzenie szeregu rozdzielczego przedziałowego (klasowego)... 3 2. Podstawowy opis struktury... 3 3. Opis rozkładu jednej cechy szereg
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
Bardziej szczegółowoZmiany koniunktury w Polsce. Budownictwo na tle innych sektorów.
Elżbieta Adamowicz Instytut Rozwoju Gospodarczego Szkoła Główna Handlowa w Warszawie Zmiany koniunktury w Polsce. Budownictwo na tle innych sektorów. W badaniach koniunktury przedmiotem analizy są zmiany
Bardziej szczegółowoSTATYSTYKA OPISOWA LABORATORIUM KOMPUTEROWE DLA I ROKU KIERUNKU ZARZĄDZANIE ZESTAWY ZADAŃ
STATYSTYKA OPISOWA LABORATORIUM KOMPUTEROWE DLA I ROKU KIERUNKU ZARZĄDZANIE ZESTAWY ZADAŃ Opracowała: Milena STATYSTYKA OPISOWA LAB.1. Zadanie 1 Następujące dane są liczbami pasażerów korzystających z
Bardziej szczegółowoczerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90
Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90 czerwiec 2013 Zadanie 1 Poniższe tabele przestawiają dane dotyczące umieralności dzieci
Bardziej szczegółowo99 wybranych pytań ze statystyki i odpowiedzi na nie
99 wybranych pytań ze statystyki i odpowiedzi na nie Artykuł pobrano ze strony eioba.pl 1. Podać określenie i przykłady zbiorowości statystycznej, generalnej i próbnej. Zbiorowość generalną stanowią wszystkie
Bardziej szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoOTWARTE FUNDUSZE EMERYTALNE W POLSCE Struktura funduszy emerytalnych pod względem liczby członków oraz wielkości aktywów
OTWARTE FUNDUSZE EMERYTALNE W POLSCE Struktura funduszy emerytalnych pod względem liczby członków oraz wielkości aktywów Tomasz Gruszczyk Informatyka i Ekonometria I rok, nr indeksu: 156012 Sopot, styczeń
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowo23 Zagadnienia - Prognozowanie i symulacje
1. WYJAŚNIJ POJĘCIE PROGNOZY I OMÓW PODSTAWOWE PEŁNIONE PRZEZ PROGNOZĘ FUNKCJE. Prognoza - jest to sąd dotyczący przyszłej wartości pewnego zjawiska o następujących właściwościach: jest sformułowany w
Bardziej szczegółowoL.Kowalski zadania ze statystyki opisowej-zestaw 4. ZADANIA Zestaw 4
ZADANA Zestaw 4 Zadanie 4. Na podstawie informacji o zyskach firmy podanych w tabeli: Lata 995 996 997 998 999 Zysk (w tys. zł) 5200 600 6500 6700 700 a) wyznaczyć ciąg przyrostów łańcuchowych (bezwzględnych
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoAgata Boratyńska. WYKŁAD 1. Wstępna analiza danych, charakterystyki opisowe. Indeksy statystyczne.
1 Agata Boratyńska WYKŁAD 1. Wstępna analiza danych, charakterystyki opisowe. Indeksy statystyczne. Agata Boratyńska Wykłady ze statystyki 2 Literatura J. Koronacki i J. Mielniczuk Statystyka WNT 2004
Bardziej szczegółowoProjekcja wyników ekonomicznych produkcji mleka na 2020 rok. Seminarium, IERiGŻ-PIB, r. mgr Konrad Jabłoński
Projekcja wyników ekonomicznych produkcji mleka na 2020 rok Seminarium, IERiGŻ-PIB, 02.09.2016 r. mgr Konrad Jabłoński Plan prezentacji 1. Cel badań 2. Metodyka badań 3. Projekcja wyników ekonomicznych
Bardziej szczegółowoPropozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE. 1. Wstęp
1 Sugerowany przypis: Chybalski F., Propozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE, Przegląd Statystyczny, nr 3/2006, Dom Wydawniczy Elipsa, Warszawa 2006, s. 73-82 Propozycja
Bardziej szczegółowoBarometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym
Jacek Batóg Uniwersytet Szczeciński Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym Jednym z ważniejszych elementów każdej gospodarki jest system bankowy. Znaczenie
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoZad. 1. Wartość pożyczki ( w tys. zł) kształtowała się następująco w pewnym banku:
Zad. 1. Wartość pożyczki ( w tys. zł) kształtowała się następująco w pewnym banku: Kwota Liczba pożyczek pożyczki 0 4 0 4 8 8 12 40 12 16 16 Zbadać asymetrię rozkładu kwoty pożyczki w tym banku. Wynik
Bardziej szczegółowoWYŻSZA SZKOŁA MENEDŻERSKA W WARSZAWIE WYDZIAŁ ZARZĄDZANIA W CIECHANOWIE KARTA PRZEDMIOTU - SYLABUS
WYŻSZA SZKOŁA MENEDŻERSKA W WARSZAWIE WYDZIAŁ ZARZĄDZANIA W CIECHANOWIE KARTA PRZEDMIOTU - SYLABUS Nazwa przedmiotu: Statystyka opisowa Profil 1 : ogólnoakademicki Cel przedmiotu: Zapoznanie studentów
Bardziej szczegółowoAnaliza Szeregów Czasowych
Analiza Szeregów Czasowych Plan 1. Uwagi wstępne (szeregi, przykłady, prognozowanie, ) 2. Cel analizy szeregów czasowych 3. Struktura szeregów czasowych (trend/składowa stała, wahania sezonowe, wahania
Bardziej szczegółowoPo co w ogóle prognozujemy?
Po co w ogóle prognozujemy? Pojęcie prognozy: racjonalne, naukowe przewidywanie przyszłych zdarzeń stwierdzenie odnoszącym się do określonej przyszłości formułowanym z wykorzystaniem metod naukowym, weryfikowalnym
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoMetody ilościowe w zarządzaniu. Adam Żwirbla Rozwój metod ilościowych analizy ekonomicznej dr inż. Władysław Wornalkiewicz Część 1
Metody ilościowe w zarządzaniu Adam Żwirbla Rozwój metod ilościowych analizy ekonomicznej dr inż. Władysław Wornalkiewicz Część 1 Metody ilościowe pomocne w projektowaniu hurtowni danych Hurtownia danych,
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoWybór postaci analitycznej modelu ekonometrycznego
Wybór postaci analitycznej modelu ekonometrycznego Wybór postaci analitycznej modelu ekonometrycznego jest jednym z najtrudniejszych etapów badań. Jest on szczególnie uciążliwy, gdy rozpatrujemy modele
Bardziej szczegółowoAnaliza dynamiki zjawisk masowych. Wprowadzenie
Wprowadzenie Analizę dynamiki zjawisk masowych przeprowadza się na podstawie szeregówczasowych.sątociągi (Y t )wartościbadanegozjawiska obserwowanego w kolejnych jednostkach czasu. Zmienną niezależną jest
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowo15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej
15. Macierze Definicja Macierzy. Dla danego ciała F i dla danych m, n IN funkcję A : {1,...,m} {1,...,n} F nazywamy macierzą m n ( macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE. Statystyka opisowa. Zarządzanie. niestacjonarne. I stopnia. dr Agnieszka Strzelecka. ogólnoakademicki.
Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoStatystyka. Opisowa analiza zjawisk masowych
Statystyka Opisowa analiza zjawisk masowych Typy rozkładów empirycznych jednej zmiennej Rozkładem empirycznym zmiennej nazywamy przyporządkowanie kolejnym wartościom zmiennej (x i ) odpowiadających im
Bardziej szczegółowoStatystyka. Wykład 10. Magdalena Alama-Bućko. 14 maja Magdalena Alama-Bućko Statystyka 14 maja / 31
Statystyka Wykład 10 Magdalena Alama-Bućko 14 maja 2018 Magdalena Alama-Bućko Statystyka 14 maja 2018 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia miary
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoProgram zajęć pozalekcyjnych z matematyki poziom rozszerzony- realizowanych w ramach projektu Przez naukę i praktykę na Politechnikę
Program zajęć pozalekcyjnych z matematyki poziom rozszerzony- realizowanych w ramach projektu Przez naukę i praktykę na Politechnikę 1. Omówienie programu. Zaznajomienie uczniów ze źródłami finansowania
Bardziej szczegółowoMATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ. programowej dla klas IV-VI. programowej dla klas IV-VI.
MATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ TEMAT LICZBA GODZIN LEKCYJNYCH WYMAGANIA SZCZEGÓŁOWE Z PODSTAWY PROGRAMOWEJ UWAGI. LICZBY I DZIAŁANIA 6 h Liczby. Rozwinięcia
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoAnaliza Współzależności
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Współzależności Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowo