Wprowadzenie. Logistyka nauka
|
|
- Monika Krawczyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 Kinga MIANOWANA 1, Leszek RYDZAK Uniwersytet Przyrodniczy w Lublinie Violetta MIANOWANA 3 Uniwersytet Medyczny w Lublinie Marcin NATONIEWSKI, Tomasz GUZ 5 Uniwersytet Przyrodniczy w Lublinie Prognozowanie wskaźników wypadkowości w transporcie i gospodarce magazynowej jako element poszukiwania odpowiedzi na pytanie dotyczące opłacalności ubezpieczania pracowników od wypadków Wprowadzenie Człowiek podejmuje przeciętnie około 7 decyzji świadomych dziennie, to znaczy takich, w których cel jest przez człowieka uświadomiony [13]. Tak więc część ludzkiego życia i działalności jest celowa. Cel jest stanem, który działający człowiek pragnie osiągnąć w przyszłości. Stąd wszystko, czego on świadomie dokonuje wiąże się z przewidywaniem przyszłości, stanu nieznanego, którego osiągnięcie jest tylko prawdopodobne. W tym przewidywaniu dysponuje on trzema i tylko trzema narzędziami poznania. Są to: wyobraźnia, wiara i rozum. Ich wytworami są trzy dziedziny (zbiory informacji) ludzkiego poznania, czyli odpowiednio: sztuka, filozofia i nauka [7]. Nauka oparta jest na fundamencie dowiedzionych twierdzeń i jest źródłem informacji o najwyższym stopniu wierności, co nie oznacza, że stanowi zbiór informacji wiernych. Człowiek chcąc racjonalnie przewidywać przyszłość, stworzył sobie w tym celu różnorodne narzędzia, które nazywane są narzędziami prognostycznymi. Prognozowanie jest procesem, w wyniku którego otrzymujemy ilościowy opis stanów przyszłych uzyskany metodami naukowymi. Podobnie, jak ma to miejsce w teorii informacji, prognozowanie również dzielone jest na ilościowe i jakościowe. Wykorzystuje się w nim szereg różnorodnych narzędzi, głównie statystycznych []. Jednocześnie można zaobserwować zjawisko niskiej skuteczności wszelkiego rodzaju prognoz, co jest szczególnie widoczne w ekonomii []. Na drogę, jaką pokonuje każdy układ od stanu obecnego do przyszłego ma bowiem wpływ szereg nieprzewidywalnych w stanie teraźniejszym okoliczności lub zdarzeń określanych mianem losowych, których źródłem jest najczęściej otoczenie. Ponadto w większości przypadków prognozy są istotne tylko w momencie ich tworzenia, a wtedy prognosta dysponuje jedynie szacunkowym błędem prognozy. Stąd ważnym elementem procesu prognozowania powinna być weryfikacja prognoz uwzględniająca ich konfrontację z danymi rzeczywistymi już na etapie prognozowania. Wskaźniki wypadkowości w transporcie i gospodarce magazynowej są dość wysokie. Z danych GUS z lat , które stanowią dane prognostyczne w tej pracy wynika, że wskaźnik wypadkowości w tej branży rośnie. Pocieszające jest jedynie to, że wskaźniki wypadkowości wypadków śmiertelnych i ciężkich maleją. Skutki tych wypadków mają nie tylko swój wymiar społeczny, ale przede wszystkim ekonomiczny [5]. W ostatnich latach szczególną rangę przywiązuje się do zagadnień związanych z szeo pojętą ochroną pracy, co znalazło wyraz choćby w wypracowaniu przez różnorodne międzynarodowe organizacje i stałym rozbudowywaniu przez nie standardów ochrony pracy ISO serii 1 [9, 11]. Proces prognostyczny przebiega według ściśle określonego algorytmu postępowania []. Rozpoczyna się od sformułowania zadania prognostycznego oraz zebrania danych, po czym po ich analizie dokonuje się wyboru metody prognozowania. Następnie dokonuje się konstrukcji prognozy i szacuje się jej niepewność. W końcu podejmuje się decyzję o jej przyjęciu lub odrzuceniu. W ocenie niepewności prognoz znajdują zastosowanie różnorodne wskaźniki, wśród których najczęściej stosowany jest względny błąd procentowy prognozy. Dane dotyczące wskaźników wypadkowości tworzą szereg czasowy. Szeregi czasowe tworzone są przez dane historyczne, rzeczywiste i są jednym z ważniejszych i wiarygodnych źródeł danych prognostycznych [1]. Wyróżnia się w nich składową systematyczną, która jest efektem oddziaływań przyczyn głównych na zmienną prognozowaną oraz składową przypadkową nazywaną też składnikiem losowym []. Stały poziom zmiennej prognozowanej występuje, gdy w szeregu czasowym nie pojawia się trend ani wahania okresowe K. Mianowana, członek Koła Naukowego Komputerowego Wspomagania Projektowania CAD, Uniwersytet Przyrodniczy w Lublinie, Wydział Inżynierii Produkcji, Katedra Podstaw Techniki. Dr hab. inż. L. Rydzak, adiunkt, Uniwersytet Przyrodniczy w Lublinie, Wydział Inżynierii Produkcji, Katedra Inżynierii i Maszyn Spożywczych. Dr n. med. V. Mianowana, adiunkt, Uniwersytet Medyczny w Lublinie, Wydział Nauk o Zdrowiu, Katedra Rozwoju Pielęgniarstwa. M. Natoniewski, członek Koła Naukowego Zarządzania i Ergonomii, Uniwersytet Przyrodniczy w Lublinie, Wydział Inżynierii Produkcji. Dr inż. T. Guz, adiunkt, Uniwersytet Przyrodniczy w Lublinie, Wydział Inżynierii Produkcji, Katedra Inżynierii i Maszyn Spożywczych. Artykuł recenzowany. Logistyka 3/15 575
2 Identyfikację składowej systematycznej szeregu czasowego umożliwia między innymi sporządzenie wykresu danych statystycznych. Polecanym przez prognostów narzędziem do tego celu jest również test korelacji Pearsona [3, ]. Przewidywanie ilości i skutków wypadków przy pracy jest ważne zarówno dla całości gospodarki jak i dla poszczególnych firm produkcyjnych, gdyż koszty społeczne i ekonomiczne wypadków ponosimy wszyscy. W oparciu o to przewidywanie funkcjonuje cała branża ubezpieczeniowa. Cała jej działalność polega na nieustannym szacowaniu ryzyka wystąpienia wypadku i jego skutków, co wiąże się często dla konkretnych firm tej branży z koniecznością wypłaty niemałych odszkodowań. Również pozostałe firmy, w tym transportowe, muszą szacować ryzyko występowania wypadków przy pracy, gdyż dla nich stanowi to koszty ich działalności. Tak więc każda firma staje przed swoistym dylematem decyzyjnym. Dla firm ubezpieczeniowych ten dylemat polega na odpowiedzi na pytanie: czy wziąć na siebie odpowiedzialność za skutki wypadków i jeżeli tak, to za jaką cenę? Przed firmami rozważającymi kupno ubezpieczenia staje de facto konieczność odpowiedzi na to samo pytanie. Problematyka wypadków przy pracy ma więc ścisły wymiar ekonomiczny. Ubezpieczenie siebie lub innych ludzi jest takim samym aktem wymiany, jak wszystkie inne. Jest ono zawsze korzystne dla obu stron tego aktu wymiany wyłącznie wtedy, gdy jest dobrowolne [1]. We współczesnej Polsce ubezpieczenia od skutków pewnych zdarzeń są jednak obowiązkowe. Należą do nich na przykład ubezpieczenia od wypadków komunikacyjnych. Ponadto płaca każdego pracownika obciążana jest składką na fundusz wypadkowy, będący częścią Funduszu Ubezpieczeń Społecznych. W transporcie i gospodarce magazynowej, podobnie jak w innych dziedzinach gospodarki, nie istnieje konieczność dodatkowego ubezpieczania pracowników, nie licząc obowiązkowego ubezpieczenia od odpowiedzialności cywilnej w wypadkach komunikacyjnych. Wiele firm logistycznych jednak tego dokonuje samodzielnie, racjonalnie szacując koszty ewentualnych wypadków. Z jednej strony doświadczenie historyczne uczy, że prewencja jest mniej kosztowna niż likwidacja skutków wypadków, a z drugiej strony wiadomo, że wypadki przy pracy jednak zdarzają się. Stąd stajemy przed bardzo ważnym pytaniem: czy wypadek przy pracy, albo wypadkowość w pracy można przewidzieć metodami naukowymi? W trakcie opracowywania przeglądu piśmiennictwa dotyczącego tematyki wypadków przy pracy w transporcie i gospodarce magazynowej (część I niniejszej pracy), ich przyczyn i skutków zaobserwowano, że brakuje prac naukowych, w których badacze podejmowaliby zadanie konstrukcji prognoz wskaźników wypadkowości i sprawdzenia ich skuteczności ex-post, w konfrontacji z danymi rzeczywistymi. Cel pracy W pracy podjęto próbę prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej (w t ), wskaźników wypadkowości wypadków śmiertelnych w transporcie i gospodarce magazynowej (w śt ) oraz wskaźników wypadkowości wypadków ciężkich w transporcie i gospodarce magazynowej (w ct ) i oceny tych prognoz ex-post uwzględniającej dane rzeczywiste. Celem pracy jest sprawdzenie możliwości i skuteczności prognozowania wskaźników wypadkowości z wykorzystaniem modeli prognostycznych szeregu czasowego, dostępnych w pakiecie statystycznym Statistica, tj.: modelu bez trendu i modeli wygładzania wykładniczego z trendami: liniowym (Holta), hiperbolicznym (gasnącym) i wykładniczym [3]. Oceny prognoz dokonano ex-post dwukierunkowo, po pierwsze dysponując rzeczywistymi wskaźnikami wypadkowości ogłoszonymi przez GUS, a po drugie korzystając z wartości tych wskaźników wynikających z wygładzania wykładniczego szeregów czasowych. Jako miarę skuteczności procesu prognozowania wybranych wskaźników przyjęto różnicę pomiędzy błędami względnymi rzeczywistymi (PE R ) i szacunkowymi (PE S ) konstruowanych prognoz. Metodyka Jako dane prognostyczne wykorzystano wskaźniki wypadkowości w transporcie i gospodarce magazynowej (w t ) oraz wskaźniki wypadkowości wypadków śmiertelnych i ciężkich w transporcie i gospodarce magazynowej (w śt, w ct ), określane według metodologii GUS z lat Proces prognostyczny przeprowadzono wykorzystując funkcje pakietu Statistica 7.. W ramach pracy przeprowadzono następujące analizy: 1) poszukiwanie obserwacji odstających i ekstremalnych z użyciem wykresu ramka wąsy, ) sporządzenie macierzy korelacji w wyniku przeprowadzonego testu korelacji liniowej Pearsona, 3) sporządzenie wykresów szeregów czasowych utworzonych z wybranych wskaźników wypadkowości, ) dokonanie prognozowania wybranych wskaźników wypadkowości za pomocą modelu bez trendu oraz modeli wygładzania wykładniczego z trendami: liniowym (Holta), hiperbolicznym (gasnącym) i wykładniczym. Przed dokonaniem prognozowania wybranych wskaźników wykonano poszukiwanie sieciowe parametrów tych modeli (α, γ, Φ), które w wyniku prognozowania dają w efekcie minimalny procentowy błąd względny prognozy (PE). Poszukiwanie sieciowe przeprowadzono w zakresie zmienności tych parametrów od,5 do,95 co,5. 5) przeprowadzenie oceny ex-post każdej z uzyskanych prognoz, poprzez obliczenie względnych błędów (PE) każdej z nich. Logistyka 3/
3 W ramach pracy przeprowadzono badania według następującego schematu: 1) na podstawie opublikowanych przez GUS danych, dotyczących wskaźników wypadkowości: a) z lat 1999 prognozowano wybrane wskaźniki wypadkowości na 7, b) z lat prognozowano wybrane wskaźniki wypadkowości na, c) z lat 1999 prognozowano wybrane wskaźniki wypadkowości na 9, d) z lat prognozowano wybrane wskaźniki wypadkowości na, e) z lat 1999 prognozowano wybrane wskaźniki wypadkowości na 11, f) z lat prognozowano wybrane wskaźniki wypadkowości na 1, g) z lat prognozowano wybrane wskaźniki wypadkowości na 13, ) dla każdej z prognoz obliczano ich względne błędy (Percentage Error) ex-post, względem rzeczywistych wskaźników wypadkowości z lat 7 13 podanych przez GUS (PE R ) oraz względem wartości szacunkowych tych wskaźników, wynikających z wygładzania wykładniczego szeregu czasowego przez nie utworzonego (PE S ) [3]. Wyniki badań W wyniku przeprowadzonej identyfikacji obserwacji odstających i ekstremalnych poprzez sporządzenie wykresów danych prognostycznych ramka wąsy stwierdzono, że takich obserwacji nie ma. W tabeli 1 zaprezentowano macierz korelacji powstałą w toku prowadzonych analiz z wartościami współczynników korelacji między analizowanymi szeregami liczbowymi z zaznaczeniem korelacji istotnych na poziomie istotności α=,5. Tylko zmiany wskaźnika wypadkowości wypadków śmiertelnych nie wykazywały istotnych korelacji w analizowanym okresie, co oznacza brak trendu w szeregu czasowym tej zmiennej. Mimo tego, że w tej sytuacji należałoby zaprzestać prowadzenia procesu prognozowania tej zmiennej, jej prognozowania nie zaniechano, ze względu na metodyczny charakter niniejszej pracy. W jednym przypadku wskaźniki wypadkowości wykazywały również istotne korelacje wzajemne. Tab. 1. Macierz korelacji wskaźników wypadkowości z wartościami współczynników korelacji i oznaczeniem korelacji istotnych Korelacje (wskaźniki wypadkowości) Zmienna Oznaczone (*) współczynniki korelacji są istotne z p<,5, n=15 (braki danych usuwano przypadkami) w t w śt w ct 1,,* -,13 -,1* w t,* 1,,5 -,55* w śt -,13,5 1,, w ct -,1* -,55*, 1, * korelacje istotne. Na rysunkach 1 zaprezentowano graficzny obraz przebiegu procesu prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej z użyciem czterech różnych modeli prognostycznych. Rysunki 1a, 1c i 1e prezentują zarówno przebiegi zmian danych prognostycznych w czasie, jak też przebiegi zmian wartości poszczególnych wskaźników wypadkowości uzyskanych w wyniku przeprowadzonego postępowania prognostycznego z użyciem modelu bez trendu. Na rysunkach 1b, 1d i 1f zaprezentowano wartości błędów względnych tych prognoz liczonych względem rzeczywistej wartości wskaźników wypadkowości ogłoszonych w danym u przez GUS oraz względem wartości tego wskaźnika wynikającej z wygładzania szeregu czasowego. Na rysunku zaprezentowano dane prognostyczne oraz wyniki procesu prognozowania i oceny prognoz uzyskanych za pomocą modelu Holta, na rysunku 3 modelu wykładniczego i na rysunku modelu z trendem gasnącym. Rysunki mają układ podobny do układu rysunku 1. Wskaźnik wypadkowości w transporcie i gospodarce magazynowej wykazywał istotny statystycznie wzrost w latach , przy czym wskaźniki wypadkowości wypadków śmiertelnych i ciężkich maleją. Spadek pierwszego z nich jest jednak nieistotny statystycznie. W ostatnich 3 latach nastąpił jednak znaczny spadek wskaźnika wypadkowości w tej branży, obserwowany jednocześnie ze spadkiem ilości wypadków, co wykazano w pierwszej części pracy. O ile spadek ilości wypadków jest zjawiskiem jednoznacznie pozytywnym, o tyle brak istotnego statystycznie spadku wskaźnika wypadkowości wypadków śmiertelnych jest niepokojący. 575 Logistyka 3/15
4 a) b) wskaźniki wypadkowości w t, w tp1 9, 9, 9, 9, 9,,,,,, 7, 7, 7, 7, w t w tp1 PE Rwt1, PE Swt1 [%] PE Rwt1 PE Swt1 c) d) wskaźniki wypadkowości w śt, w śtp1,11,,9,,7,,5, w śt w śtp1 PE Rwśt1, PE Swśt1 [%] PE Rwśt1 PE Swśt1 e) f) wskaźniki wypadkowości w ct, w ctp1,1,11,,9,,7,,5, w ct w ctp1 PE Rwct1, PE Swct1 [%] PE Rwct1 PE Swct1 Rys. 1. Graficzny obraz przebiegu procesu prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej za pomocą modelu bez trendu: a wartości wskaźnika wypadkowości w transporcie i gospodarce magazynowej ogółem (w t) oraz jego wartości prognozowanej (w tp1), b wartości błędu rzeczywistego (PE Rwt1) i szacunkowego (PE Swt1) prognozy w t, c wartości wskaźnika wypadkowości wypadków śmiertelnych w transporcie i gospodarce magazynowej (w śt) oraz jego wartości prognozowanej (w śtp1), d wartości błędu rzeczywistego (PE Rwśt1) i szacunkowego (PE Swśt1) prognozy w śt, e wartości wskaźnika wypadkowości wypadków ciężkich ogółem w transporcie i gospodarce magazynowej (w ct) oraz jego wartości prognozowanej (w ctp1), f wartości błędu rzeczywistego (PE Rwct1) i szacunkowego (PE Swct1) prognozy w ct Logistyka 3/
5 a) b) wskaźniki wypadkowości w t, w tp 9, 9, 9, 9, 9,,,,,, 7, 7, 7, 7, w t w tp PE Rwt, PE Swt [%] PE Rwt PE Swt c) d) wskaźniki wypadkowości w śt, w śtp,1,11,,9,,7,,5, w śt w śtp PE Rwśt, PE Swśt [%] PE Rwśt PE Swśt e) f) wskaźniki wypadkowości w ct, w ctp,1,11,,9,,7,,5, w ct w ctp PE R, PE S [%] PE R PE S Rys.. Graficzny obraz przebiegu procesu prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej za pomocą modelu Holta: a wartości wskaźnika wypadkowości w transporcie i gospodarce magazynowej ogółem (w t) oraz jego wartości prognozowanej (w tp), b wartości błędu rzeczywistego (PE Rwt) i szacunkowego (PE Swt) prognozy w t, c wartości wskaźnika wypadkowości wypadków śmiertelnych w transporcie i gospodarce magazynowej (w śt) oraz jego wartości prognozowanej (w śtp), d wartości błędu rzeczywistego (PE Rwśt) i szacunkowego (PE Swśt) prognozy w śt, e wartości wskaźnika wypadkowości wypadków ciężkich ogółem w transporcie i gospodarce magazynowej (w ct) oraz jego wartości prognozowanej (w ctp), f wartości błędu rzeczywistego (PE Rwct) i szacunkowego (PE Swct) prognozy w ct 575 Logistyka 3/15
6 a) b) wskaźniki wypadkowości w t, w tp3 9, 9, 9, 9, 9,,,,,, 7, 7, 7, 7, w t w tp3 PE Rwt3, PE Swt3 [%] PE Rwt3 PE Swt3 c) d) wskaźniki wypadkowości w śt, w śtp3,11,,9,,7,,5, w śt w śtp3 PE Rwśt3, PE Swśt3 [%] PE Rwśt3 PE Swśt3 e) f) wskaźniki wypadkowości w ct, w ctp3,1,11,,9,,7,,5, w ct w ctp3 PE Rwct3, PE Swct3 [%] PE Rwct3 PE Swct3 Rys. 3. Graficzny obraz przebiegu procesu prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej za pomocą modelu z trendem wykładniczym: a wartości wskaźnika wypadkowości w transporcie i gospodarce magazynowej ogółem (w t) oraz jego wartości prognozowanej (w tp3), b wartości błędu rzeczywistego (PE Rwt3) i szacunkowego (PE Swt3) prognozy w t, c wartości wskaźnika wypadkowości wypadków śmiertelnych w transporcie i gospodarce magazynowej (w śt) o raz jego wartości prognozowanej (w śtp3), d wartości błędu rzeczywistego (PE Rwśt3) i szacunkowego (PE Swśt3) prognozy w śt, e wartości wskaźnika wypadkowości wypadków ciężkich ogółem w transporcie i gospodarce magazynowej (w ct) oraz jego wartości prognozowanej (w ctp3), f wartości błędu rzeczywistego (PE Rwct3) i szacunkowego (PE Swct3) prognozy w ct Logistyka 3/
7 a) b) wskaźniki wypadkowości w t, w tp 9, 9, 9, 9, 9,,,,,, 7, 7, 7, 7, w t w tp PE Rwt, PE Swt [%] PE Rwt PE Swt c) d) wskaźniki wypadkowości w śt, w śtp,11,,9,,7,,5, w śt w śtp PE Rwśt, PE Swśt [%] PE Rwśt PE Swśt e) f) wskaźniki wypadkowości w ct, w ctp,1,11,,9,,7,,5, w ct w ctp PE Rwct, PE Swct [%] PE Rwct PE Swct Rys.. Graficzny obraz przebiegu procesu prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej za pomocą modelu z trendem gasnącym: a wartości wskaźnika wypadkowości w transporcie i gospodarce magazynowej ogółem (w t) oraz jego wartości prognozowanej (w tp), b wartości błędu rzeczywistego (PE Rwt) i szacunkowego (PE Swt) prognozy w t, c wartości wskaźnika wypadkowości wypadków śmiertelnych w transporcie i gospodarce magazynowej (w śt) oraz jego wartości prognozowanej (w śtp), d wartości błędu rzeczywistego (PE Rwśt) i szacunkowego (PE Swśt) prognozy w śt, e wartości wskaźnika wypadkowości wypadków ciężkich ogółem w transporcie i gospodarce magazynowej (w ct) oraz jego wartości prognozowanej (w ctp), f wartości błędu rzeczywistego (PE Rwct) i szacunkowego (PE Swct) prognozy w ct 575 Logistyka 3/15
8 Trendy zmian wartości rzeczywistych i prognozowanych wskaźników wypadkowości są w większości badanych przypadków zbieżne. Odstępstwo od tej zasady zaobserwowano w pojedynczych przypadkach (rys. a, 3a). Natomiast trendy zmian wartości rzeczywistych i szacunkowych błędów względnych są częściej rozbieżne. Rozbieżność tych błędów występowała w przypadku każdej prognozy wskaźnika wypadkowości w transporcie i gospodarce magazynowej. Na uwagę zasługuje jednak fakt, że podczas gdy błędy szacunkowe prognoz wykazują niskie wartości i najczęściej trend malejący wraz ze wzrostem ilości obserwacji, to błędy rzeczywiste swoimi wartościami znacznie od nich odbiegają. Różnice tych błędów przekraczają nawet %. Są one jednak o wiele lepszą miarą ryzyka niż same tylko szacunkowe błędy prognoz. Jeżeli znane są rzeczywiste błędy prognoz wskaźników wypadkowości, można rozpocząć szukanie odpowiedzi na pytanie postawione w celu tej pracy. Jeżeli średni koszt świadczeń, związanych z likwidacją skutków wypadków w transporcie i gospodarce magazynowej w u wyniósł 351 zł, a w u 1 wzrósł do 331 zł, to zestawiając te dane z rocznymi kosztami ubezpieczenia pracowników możliwe jest racjonalne podjęcie decyzji o tym, czy ubezpieczać swoich pracowników i nie traktować tego pytania jako retoryczne. Odrębnym pytaniem, które się w tym momencie nasuwa, to jak tego dokonać? Można stworzyć własny fundusz wypadkowy, a można również ubezpieczyć się w firmie zewnętrznej, stosując coraz bardziej modny w innych dziedzinach outsourcing. W każdym razie taka analiza potwierdza konieczność równie ostatnio modnego przeprowadzania grupowania stanowisk pracy w firmach ze względu na stopień zagrożenia wypadkiem i odejścia od traktowania tych stanowisk jako jednolitych pod tym względem, gdyż ubezpieczenie stanowi dla każdej firmy koszt, którego redukcja może poprawić jej konkurencyjność. Wnioski Na podstawie przeprowadzonych badań można wyprowadzić następujące wnioski: 1. Do algorytmu postępowania prognostycznego wskaźników wypadkowości należy włączyć obliczanie rzeczywistych błędów PE R, a nie tylko szacowanych błędów PE S prognoz;. Największa obserwowana różnica pomiędzy wartościami błędów rzeczywistych PE R i szacunkowych PE S przekraczała %, a przypadków, w których różnica ta przekroczyła 5% było kilka; 3. Najlepsze efekty dało prognozowanie wskaźników wypadkowości wypadków ciężkich, co jest zrozumiałe wobec wysokiej wartości współczynnika korelacji (,1). Nie należy się też dziwić, że najlepszymi metodami okazały się metody Holta i z trendem gasnącym. Każdy prognosta, postępując zgodnie z algorytmem postępowania prognostycznego po teście korelacji i przyjrzeniu się danym prognostycznym wybrałby właśnie jedną z nich. Różnice maksymalne wartości błędów PE R i PE S nie przekraczały w tych przypadkach 5%;. Proces prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej przeprowadzony z włączeniem badania rzeczywistego błędu względnego prognoz (PE R ) do procedury ich prognozowania wykazał, że jest to niezbędne dla realnej oceny prognozy poziomu wskaźników wypadkowości w tej branży i powinno stać się stałym elementem każdej tego typu analizy ryzyka. Streszczenie W pracy dokonano próby prognozowania wskaźników wypadkowości w transporcie i gospodarce magazynowej, a ponadto wskaźników wypadkowości wypadków śmiertelnych i ciężkich w tej branży. Wykorzystano dane GUS. Proces prognostyczny przeprowadzono za pomocą wybranych modeli prognozowania szeregów czasowych. Prognozy oceniono ex-post wyznaczając ich względne błędy procentowe. Błędy te obliczano względem wartości rzeczywistych wskaźników wypadkowości ogłaszanych przez GUS oraz względem wartości szacunkowych tych wskaźników, wynikających z wygładzania wykładniczego szeregu czasowego. W wyniku przeprowadzonych analiz stwierdzono, że rzeczywiste błędy prognoz wskaźników wypadkowości mogą przekraczać nawet %, przy błędach liczonych względem wartości szacunkowych na poziomie około 5%. Z tak wysokich różnic tych błędów wynika postulowana w pracy propozycja włączenia analizy błędów względnych rzeczywistych prognoz do algorytmu procesu prognozowania wskaźników wypadkowości. Czyni to analizę ryzyka wystąpienia wypadku bardziej wiarygodną. Słowa kluczowe: bezpieczeństwo, logistyka, transport i gospodarka magazynowa, wypadki w pracy, wskaźnik wypadkowości, prognozowanie. Forecasting of accidents' rates in transportation and storage as a component of searching for an answer to the question: is the worker s accident insurance profitable? Abstract The aim of this paper was to forecast some accident rates in transportation and storage. The data of Polish Central Statistical Office were used as a source data and the different forecasting methods were used as a tool in forecasting process. The results were evaluated ex-post by calculation of their real and statistical percentage errors. The differences between this percentage errors reached even %. In conclusions of a research, there is a proposal to connect forecasting procedure an analyse of this real and statistical percentage errors. This makes the accident s risk analysis more credible. Logistyka 3/
9 Key words: safety, logistics, transportation and storage, accidents at work, accident rate, forecasting. LITERATURA / BIBLIOGRAPHY [1] Box G.E.P., Jenkins G.M, Analiza szeregów czasowych, Warszawa 193. [] Cieślak M. (red.), Prognozowanie gospodarcze. Metody i zastosowania, Warszawa [3] Dittmann P., Prognozowanie w przedsiębiorstwie, Wolters Kluwer,. [] Domański C., Testy statystyczne, Warszawa 199. [5] Główny Urząd Statystyczny, Wypadki przy pracy i problemy zdrowotne związane z pracą, Warszawa 1. [] Guzik B. (red.), Ekonometria i badania operacyjne. Zagadnienia podstawowe, Poznań. [7] Mazur M., Cybernetyka i charakter, WSZiP, Warszawa [] Newbolt P., Statistics for Business and Economics, Prentice-Hall, Englewood Cliffs 19. [9] Obolewicz J., Bezpieczeństwo pracy w budownictwie, Warszawa 1. [] Oktaba W., Metody statystyki matematycznej w doświadczalnictwie, Warszawa [11] Rączkowski B., BHP w praktyce, Gdańsk 1. [1] Rydzak L., Sterowanie systemem rynek, Lublin 1. [13] Żur Ł., Sztuka wyboru, Nowoczesne Zarządzanie 13, nr Logistyka 3/15
PROGNOZOWANIE 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 szczegółowoBADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI
14 BADANIA ZRÓŻNICOWANIA RYZYKA WYPADKÓW PRZY PRACY NA PRZYKŁADZIE ANALIZY STATYSTYKI WYPADKÓW DLA BRANŻY GÓRNICTWA I POLSKI 14.1 WSTĘP Ogólne wymagania prawne dotyczące przy pracy określają m.in. przepisy
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 szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoPROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY
Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: PROGNOZOWANIE Z WYKORZYSTANIEM SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU
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 szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
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 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 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 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 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 szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
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 szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoTeoretyczne 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 szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoUE we Wrocławiu, WEZiT w Jeleniej Górze Katedra Ekonometrii i Informatyki
UE we Wrocławiu, WEZiT w Jeleniej Górze Katedra Ekonometrii i Informatyki http://keii.ue.wroc.pl Prognozowanie procesów gospodarczych prowadzący: dr inż. Tomasz Bartłomowicz tomasz.bartlomowicz@ue.wroc.pl
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
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 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 szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoLOGISTYKA. Zapas: definicja. Zapasy: podział
LOGISTYKA Zapasy Zapas: definicja Zapas to określona ilość dóbr znajdująca się w rozpatrywanym systemie logistycznym, bieżąco nie wykorzystywana, a przeznaczona do późniejszego przetworzenia lub sprzedaży.
Bardziej szczegółowoWykład z dnia 8 lub 15 października 2014 roku
Wykład z dnia 8 lub 15 października 2014 roku Istota i przedmiot statystyki oraz demografii. Prezentacja danych statystycznych Znaczenia słowa statystyka Znaczenie I - nazwa zbioru danych liczbowych prezentujących
Bardziej szczegółowoInwestowanie społecznie odpowiedzialne jako strategia alokacji długoterminowych oszczędności emerytalnych
Inwestowanie społecznie odpowiedzialne jako strategia alokacji długoterminowych oszczędności emerytalnych dr Tomasz Jedynak Uniwersytet Ekonomiczny w Krakowie Warszawa, 21 czerwiec 2016 r. Agenda 1. Przesłanki
Bardziej szczegółowoEkonomia II stopień ogólnoakademicki. stacjonarne wszystkie Katedra Matematyki Dr hab. Artur Maciąg. podstawowy. obowiązkowy polski.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Z-EKO2-500 Nazwa modułu Ekonometria i prognozowanie procesów ekonomicznych Nazwa modułu w języku angielskim Econometrics and forecasting economics proceses Obowiązuje
Bardziej szczegółowoA.Światkowski. Wroclaw University of Economics. Working paper
A.Światkowski Wroclaw University of Economics Working paper 1 Planowanie sprzedaży na przykładzie przedsiębiorstwa z branży deweloperskiej Cel pracy: Zaplanowanie sprzedaży spółki na rok 2012 Słowa kluczowe:
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoMatryca efektów kształcenia dla programu studiów podyplomowych ZARZĄDZANIE I SYSTEMY ZARZĄDZANIA JAKOŚCIĄ
Podstawy firmą Marketingowe aspekty jakością Podstawy prawa gospodarczego w SZJ Zarządzanie Jakością (TQM) Zarządzanie logistyczne w SZJ Wymagania norm ISO serii 9000 Dokumentacja w SZJ Metody i Techniki
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoOGŁOSZENIE O ZAMÓWIENIU nr 1/2013 (POWYŻEJ 14 tys. EURO)
Łódź, dn. 23.12.2013r. OGŁOSZENIE O ZAMÓWIENIU nr 1/2013 (POWYŻEJ 14 tys. EURO) 1. Zamawiający Firma i adres: PL Europa S.A. NIP: 725-195-02-28 Regon: 100381252 2. Tryb udzielenia zamówienia Zgodnie z
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
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 szczegółowoSylabus przedmiotu: Data wydruku: Dla rocznika: 2015/2016. Kierunek: Opis przedmiotu. prognoz. Dane podstawowe. Efekty i cele. Opis.
Sylabus przedmiotu: Specjalność: Prognozowanie i symulacja w przedsiębiorstwie Wszystkie specjalności Data wydruku: 23.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
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 szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoSystem monitorowania realizacji strategii rozwoju. Andrzej Sobczyk
System monitorowania realizacji strategii rozwoju Andrzej Sobczyk System monitorowania realizacji strategii rozwoju Proces systematycznego zbierania, analizowania publikowania wiarygodnych informacji,
Bardziej szczegółowoINFORMATYKA i FINANSE KATEDRA INFORMATYKI TEORETYCZNEJ
INFORMATYKA i FINANSE KATEDRA INFORMATYKI TEORETYCZNEJ dr hab. Czesław Bagiński, prof. PB Kierownik KIT dr hab. Wiktor Dańko, prof. PB dr hab. Piotr Grzeszczuk, prof. PB dr Ryszard Mazurek dr Jolanta Koszelew
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 szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoData wydruku: Dla rocznika: 2015/2016. Opis przedmiotu
Sylabus przedmiotu: Specjalność: Statystyka Wszystkie specjalności Data wydruku: 31.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji Inżynieryjno-Ekonomiczny Dane podstawowe
Bardziej szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoAnaliza wypadkowości w transporcie i gospodarce magazynowej jako wstępny etap prognozowania wskaźników wypadkowości 6
Kinga MIANOWANA 1, Leszek RYDZAK 2 Uniwersytet Przyrodniczy w Lublinie Violetta MIANOWANA 3 Uniwersytet Medyczny w Lublinie Marcin NATONIEWSKI 4, Tomasz GUZ 5 Uniwersytet Przyrodniczy w Lublinie Analiza
Bardziej szczegółowoBADANIA RZECZYWISTYCH KOSZTÓW OBSŁUGI TECHNICZNEJ NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH. Wstęp
Roczniki Akademii Rolniczej w Poznaniu CCCXLIII (2002) ZENON GRZEŚ BADANIA RZECZYWISTYCH KOSZTÓW OBSŁUGI TECHNICZNEJ NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH Z Instytutu Inżynierii Rolniczej Akademii Rolniczej
Bardziej szczegółowoMETODY ILOŚCIOWE W ZARZĄDZANIU
1.1.1 Metody ilościowe w zarządzaniu I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE METODY ILOŚCIOWE W ZARZĄDZANIU Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: RiAF_PS5 Wydział Zamiejscowy
Bardziej szczegółowoSYLABUS. 4.Studia Kierunek studiów/specjalność Poziom kształcenia Forma studiów Ekonomia Studia pierwszego stopnia Studia stacjonarne i niestacjonarne
SYLABUS 1.Nazwa przedmiotu Prognozowanie i symulacje 2.Nazwa jednostki prowadzącej Katedra Metod Ilościowych i Informatyki przedmiot Gospodarczej 3.Kod przedmiotu E/I/A.16 4.Studia Kierunek studiów/specjalność
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 szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO ANALIZA ZBIEŻNOŚCI STRUKTUR ZATRUDNIENIA W WYBRANYCH KRAJACH WYSOKOROZWINIĘTYCH
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 32 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 11 21 BARBARA BATÓG JACEK BATÓG Uniwersytet Szczeciński Katedra Ekonometrii i Statystyki ANALIZA ZBIEŻNOŚCI STRUKTUR
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 szczegółowoRobert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce
Robert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce Ekonomiczne Problemy Turystyki nr 3 (27), 57-70 2014 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
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 szczegółowoBadania zróżnicowania ryzyka wypadków przy pracy na przykładzie analizy bezwzględnej i wskaźnikowej dla branży górnictwa i Polski
35 UKD 622.86/.88:001.891.3:331.46 Dr inż. Marcin Krause* ) Badania zróżnicowania ryzyka wypadków przy pracy na przykładzie analizy bezwzględnej i wskaźnikowej dla branży górnictwa i Polski Research of
Bardziej szczegółowoMetody badań w naukach ekonomicznych
Metody badań w naukach ekonomicznych Tomasz Poskrobko Metodyka badań naukowych Metody badań ilościowe jakościowe eksperymentalne Metody badań ilościowe jakościowe eksperymentalne Metody ilościowe metody
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowoUczelnia Łazarskiego. Sylabus. 1. Nazwa przedmiotu EKONOMETRIA 2. Kod przedmiotu
Uczelnia Łazarskiego Sylabus 1. Nazwa przedmiotu EKONOMETRIA 2. Kod przedmiotu 3. Język wykładowy Język polski 4. Status przedmiotu podstawowy do wyboru Języki X kierunkowy specjalistyczny Inne 5. Cel
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoPLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO
PLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA DLA KIERUNKU MATEMATYKA NA WYDZIALE MATEMATYKI, INFORMATYKI I EKONOMETRII UNIWERSYTETU ZIELONOGÓRSKIEGO rekrutacja w roku akademickim 2011/2012 Zatwierdzono:
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 szczegółowoEkonometria_FIRJK Arkusz1
Rok akademicki: Grupa przedmiotów Numer katalogowy: Nazwa przedmiotu 1) : łumaczenie nazwy na jęz. angielski 3) : Kierunek studiów 4) : Ekonometria Econometrics Ekonomia ECS 2) Koordynator przedmiotu 5)
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoRys Szkic sieci kątowo-liniowej. Nr X [m] Y [m]
5.14. Ścisłe wyrównanie sieci kątowo-liniowej z wykorzystaniem programu komputerowego B. Przykłady W prezentowanym przykładzie należy wyznaczyć współrzędne płaskie trzech punktów (1201, 1202 i 1203) sieci
Bardziej szczegółowoZastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH
Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego Łukasz Kończyk WMS AGH Plan prezentacji Model regresji liniowej Uogólniony model liniowy (GLM) Ryzyko ubezpieczeniowe Przykład
Bardziej szczegółowoWYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU CZASOWEGO ZWIĄZANEGO ZE SPRZEDAŻĄ ASORTYMENTU HUTNICZEGO
5/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU
Bardziej szczegółowo), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej szczegółowoPrognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych. Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński
Prognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński Streszczenie. W uprawach szklarniowych sałaty pojawia się następujący problem: kiedy
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 szczegółowoMETODY WSPOMAGANIA DECYZJI MENEDŻERSKICH
PREZENTACJA SEPCJALNOŚCI: METODY WSPOMAGANIA DECYZJI MENEDŻERSKICH WYDZIAŁ INFORMATYKI I KOMUNIKACJI KIERUNEK INFORMATYKA I EKONOMETRIA SEKRETARIAT KATEDRY BADAŃ OPERACYJNYCH Budynek D, pok. 621 e-mail
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
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 szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO STATYSTYCZNA ANALIZA ZMIAN LICZBY HOTELI W POLSCE W LATACH 1995-2004
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 429 EKONOMICZNE PROBLEMY TURYSTYKI NR 7 2006 RAFAŁ CZYŻYCKI, MARCIN HUNDERT, RAFAŁ KLÓSKA STATYSTYCZNA ANALIZA ZMIAN LICZBY HOTELI W POLSCE W LATACH 1995-2004
Bardziej szczegółowoCECHY TECHNICZNO-UŻYTKOWE A WARTOŚĆ WYBRANYCH TECHNICZNYCH ŚRODKÓW PRODUKCJI W ROLNICTWIE
Inżynieria Rolnicza 9(107)/2008 CECHY TECHNICZNO-UŻYTKOWE A WARTOŚĆ WYBRANYCH TECHNICZNYCH ŚRODKÓW PRODUKCJI W ROLNICTWIE Zbigniew Kowalczyk Katedra Inżynierii Rolniczej i Informatyki, Uniwersytet Rolniczy
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 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 szczegółowoWYKAZ PRZEDMIOTÓW OBOWIĄZKOWYCH ZAWARTYCH W STANDARDACH KSZTAŁCENIA
STANDARDACH KSZTAŁCENIA (Rozporządzenie MNiSzW z dnia 12.07.2007 r. Dz.U.Nr 164) Studia stacjonarne i niestacjonarne I stopnia X) EKONOMIA Matematyka, statystyka opisowa, ekonometria, mikroekonomia, podstawy
Bardziej szczegółowoSpis treści. Analiza i modelowanie_nowicki, Chomiak_Księga1.indb :03:08
Spis treści Wstęp.............................................................. 7 Część I Podstawy analizy i modelowania systemów 1. Charakterystyka systemów informacyjnych....................... 13 1.1.
Bardziej szczegółowoLABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej
LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
Bardziej szczegółowo