Dane modelu - parametry

Wielkość: px
Rozpocząć pokaz od strony:

Download "Dane modelu - parametry"

Transkrypt

1 Dae modelu - paramer ˆ Ozaczea zmech a0 ax ax - osz w s. zł Budowa modelu: x - welość producj w seach o x - welość zarudea w osobach Meoda MNK Dae: x x X T fucja: raspouj X 0 Crl+Shf+Eer WZÓR a T T X X X fucja: REGLINP X T X T X fuccja: macerz.locz , , ,0044 5, , , , ,495 #N/D! 77, #N/D! 30600,0044 5, , , , ,4 #N/D! 60, , , , a (X T X) - fucja: macerz.odw 6, , , , REGLINP a a a 0 a 0 a a a 0 a S(a ) S(a ) S(a 0) a e a R S F -- S(^- śr) Se Dopasowae x x e e (^- śr) ( - śr) ^ , ,343 75, , , ,087-48,09 658, , , , ,09 905, , , ,6755 ` -88, , , , , ,74 637, , , , , , , , , ,80 346, , , , , , , , ,536 4, ,00 409, , ,097 56, , , , , , , , , ,67-6,6 4690, , ,3403 suma średa e e T e Se R e ˆ ~ R R R R F R -- 9 S e 78075,683 waracja słada reszowego S e 79,49503 odchlee sadardowe resz f 0, ,5% współcz zbeżośc R 0, ,5% współcz deermacj R ~ 0, ,3% sorgowa R F 77, warość sas F -> parz es dopasowaa D T a S X X e 44,3-4570,353 6,49 S (a 0) 44 S(a 0) 643, ,35 754, ,357 S (a ) 754,84 S(a ) 84, D (a) 6, , ,408 S (a ) 3,408 S(a ) 5, cov(a 0,a 0) cov(a 0,a ) cov(a 0,a ) S (a 0) cov(a 0,a ) cov(a 0,a ) D (a) cov(a,a 0) cov(a,a ) cov(a,a ) = cov(a,a 0) S (a ) cov(a,a ) cov(a,a 0) cov(a,a ) cov(a,a ) cov(a,a 0) cov(a,a ) S (a ) Koec eapu esmacj paramerów.. Model wdaje sę bć bardzo dobrze dopasowa R - 94,5% - w lu % model wjaśa zmaę oszów... Ierpreacja paramerów a ,00 [s. zł] osz sałe (a0 - przeważe e posada możlwośc erpreacj) a 60,76 [s. zł/se o] producj wzrośe o jedą jedosę (00 o) wówczas jeśl welość osz wzrośe o 60,8 s. zł, prz założeu, że zarudee e ulege zmae a 6,55 [s. zł/osoba] jeśl welość zarudea wzrośe o jedą jedosę ( osoba) wówczas osz wzrośe o 6,6 s. zł, prz założeu, że welość producj e ulege zmae Ierpreacja błędów szacuów paramerów. S(a 0) 643,6 warość rzeczwsa parameru róż sę od oszacowaej o ± 643,6 [s. zł] S(a ) 84,6 warość rzeczwsa parameru róż sę od oszacowaej o ± 84,6 [s. zł/se o] S(a ) 5,7 warość rzeczwsa parameru róż sę od oszacowaej o ± 5,7 [s. zł/osoba] 3. Odchlee sadardowe resz S e 79,4 [s. zł] warośc eorecze orzmae z modelu różą sę od rzeczwsch średo o 79,4 [s. zł]

2 Tesowae dopasowaa. Badae soośc współcza deermacj. Hpoez: H 0 : R=0 a = a = = a =0 H : R 0 a + a + + a 0 Sasa/procedura R F R Warośd rcza F - odczaa z ablc rozładu F Sedecora dla pozomu soośc a oraz sop swobod: m = m = -- Deczja: jeśl F F, o bra podsaw do odrzucea hpoez H 0 jeśl F > F, o hpoezę H 0 odrzucam Dae: x x REGLINP , , , , , , ,495 #N/D! , #N/D! ,4 #N/D! F= 77, a 0, F 4,56495 Deczja: Wose Iseją paramer sruurale, óre są sascze soe Współcz deermacj jes sascze so Współcz orelacj weloraej jes sascze so. Badae soośc poszczególch paramerów. Hpoez: H 0 : a =0 H : a 0 Sasa/procedura a I S a Warośd rcza I - odczaa z ablc esu Sudea dla pozomu soośc a oraz sop swobod: -- Deczja: jeśl I I, o bra podsaw do odrzucea hpoez H 0 jeśl I > I, o hpoezę H 0 odrzucam pozom soośc a 0,05 Badae soośc a H 0 : a =0 H : a 0 I a S a I 3,08755 a 60,7588 S(a ) 84,5867 I,657 Deczja Wos paramer jes sascze so, zmea X w sposób so wpłwa a zmeą Y Badae soośc a H 0 : a =0 H : a 0 I a S a I 4,66377 a 6,5508 S(a ) 5, I,657 Deczja Wos paramer jes sascze so, zmea X w sposób so wpłwa a zmeą Y Wos oba paramer są sascze soe, obe zmee oddzałwują w sposób so a zmea Y

3 własośc resz - es ser Badae losowośc Hpoez: H 0 : Y model = f(x,x,,x ) H : Y model f(x,x,,x ) Sasa/procedura oraz warośd rcza Dla cągu resz oblczam lczbę ser r pojawaa sę resz dodach ujemch. Dla warośc oraz ozaczającch lczbę resz dodach albo ujemch (bądź odwroe) odczujem z ablc esu ser lewosroego oraz prawosroego warośc: rm oraz rmax. Jeśl: Oblczea rm < r < rmax, e ma podsaw do odrzucea hpoez Ho. w przecwm przpadu hpoezę H 0 ależ odrzucd przjmując e 0, A sera Lczba ser r 6-48,08705 B sera 3-30,0906 B sera ,67554 B sera ,74967 A sera ,43885 A sera ,7968 B sera 4 rm , A sera 5 9 4, A sera 5 rmax , A sera 5-94,57764 B sera 6-6,675 B sera 6 Suma deczja 7,7596E- a Warośc rcze dla esu ser lczb (es lewosro) 0,05 Wose Posać aalcza jes dobrze dobraa Rozład resz jes losow a Warośc rcze dla esu ser lczb (es lewosro) 0,

4 własośc resz - es Hellwga Normalośd rozładu es Hellwga Hpoez: H 0 : F() = F N () u e e s e s e e 0 H : F() F N () Sasa/procedura. Sadarzujem resz zgode ze wzorem:. Wzacza sę warośc dsrbua rozładu N(0,) - F(u ) 3. Wzacza sę zw. cele, órm są przedzał lczbowe powsałe z podzału odca 0,+ a rówch częśc o długośc / ażda. 4. Warośc dsrbua F(u ) przporządowuje sę odpowedm celom, asępe zlcza sę lczbę cel pusch K. 5. Z ablc esu Hellwga odczuje sę warośc rcze K oraz K dla zadaego pozomu soośc Jeśl K K K, o e ma podsaw do odrzuceu H 0 w przecwm przpadu H 0 odrzucam a orzśd H s e e e e e u F(u ) cele le w cel 0, ,5877 0,46 0,6758 0,0000 0, , ,385 -,0 0,57 0,0833 0, , , , 0,4505 0,667 0, , ,3564-0,78 0,78 0,500 0, , ,0509,03 0,8490 0,3333 0, , ,07,4 0,97 0,467 0, , ,5679 -,50 0,067 0,5000 0, , ,074,80 0,9643 0,5833 0, , , ,8 0,5697 0,6667 0, , ,959 0,4 0,5930 0,7500 0, , , ,80 0,07 0,8333 0,967-6, , ,90 0,854 0,967,0000 Suma 0, ,4 Cel pusch 3 s 4, Tablce esu Hellwga Deczja a = 0,05 K K Wos:

5 własośc resz - sałość wara Badae sałośc waracj soośd współcza orelacj pomędz reszam a zmeą czasową Hpoez: H 0 : r = 0 H : r 0 Sasa/Procedura Wzacza współcz orelacj Pearsoa pomędz modułam resz a zmeą czasową oraz wzacza sę warośd sas I r e e e e I r r Odczwaa jes warośd I z ablc esu Sudea dla pozomu soośc a oraz sop swobod m = -. Deczja: jeśl I I, o bra podsaw do odrzucea hpoez H 0 jeśl I > I, o hpoezę H 0 odrzucam pozom soośc a 0,05 e e 0, ,343 współcz orelacj Pearsoa -48,087 48, , ,09 0, , , , ,74 I 0, , , ,797 36,80 I, , , , , , ,903-94, ,578-6,6 6,6 Suma 0, ,56 Deczja Wos waracja e zależ od czasu - sałość waracj

6 własośc resz - auoorelacja Badae auoorelacj rzędu es Durba-Wasoa Hpoez: H 0 : r = 0 H : r > 0 albo H : r < 0 dla dodaej albo ujemej auoorelacj Sasa/Procedura Wzacza współcz d pomędz reszam z oresu a oresu -. Jeśl d (0,) auoorelacja może bd dodaa Jeśl d (,4) auoorelacja może bd ujema wed podsawam d =4-d d e e e Z ablc esu Durba-Wasoa odczujem warośc d u d l. Deczja: jeśl d < d l (bądź dla ujemej d < d l), hpoezę H 0 odrzucam seje auoorelacja rzędu perwszego jeśl d > du, e ma podsaw do odrzucea Ho e wsępuje zjawso auoorelacj jeśl d l d d u e moża podjąd żadej deczj Wzaczee e e - (e -e -) e 0,343-75,6-48,09 0, ,3 658, 3-30,09-48, ,0 905,4 4-88,675-30,09 549, ,4 5 49,74-88, ,66 637, 6 344,439 49, , , 7-36,80 344, ,04 346, ,349-36, , , d,50676 > 9 4, , ,43 805, 0 56,903 4,488 07,80 338,0 d:=4-d, ,578 56, , ,4-6,6-94, , ,4 Suma 0,000 6, , ,4 H 0 : r =0 pozom soośc a 0,05 H : r < 0 K = d l d u d =,50 7 0,467,897 d =,50 8 0,559, ,69, ,697,64 d l 0,8 0,758,604 d u,579 0,8, ,86,56 4 0,905,55 Deczja Wose Należ zasosować es p.. Zbadać soość współcza orelacj lowej Pearsoa pomędz odpowedm reszam Badae auoorelacj rzędu Hpoez: H 0 : r = 0 H : r 0 Sasa/Procedura Wzacza współcz orelacj Pearsoa pomędz reszam z oresu a oresu -. r e e e e e e e e Wzaczaa jes warośd I r I r Odczwaa jes warośd I z ablc esu Sudea dla pozomu soośc a oraz sop swobod m = --. Deczja: jeśl I I, o bra podsaw do odrzucea hpoez H 0 jeśl I > I, o hpoezę H 0 odrzucam pozom soośc a 0,05 Wzaczee warośc współcza Pearsoa r -0, I 0, I,657 Deczja Wose Bra auoorelacj rzędu Wos ogóle model speła założea KMNK

7 prog x pozom bez zma x x x^ (x -x^ ) S 3,888 średa, RMSE^ x x x^ Meoda awa: POZIOM BEZ ZMIAN Progozę a oresów w przód wzacza sę a pozome osaej realzacj zmeej progozowaej: Warośd dla modelu wzaczaa jes jao: ˆ

8 prog x przros bez zma x x x^ (x -x^ ) S 0,9 średa 3,3055 RMSE^ x x x^ Meoda awa: PRZYROST BEZ ZMIAN Progozę a oresów w przód wzacza sę a pozome osaej realzacj zmeej progozowaej oraz osaego przrosu: Warośd dla modelu wzaczaa jes jao: ˆ

9 prog x średa ruch 3 prosa x x x^ (x -x^ ) ,66667, ,33333, , , 7 0,66667, ,66667, , , , , , , ,66667 S, średa,44065 RMSE^ Wzaczam progozę dla średej 3 oresowej x x x^ Model średej ruchomej prosej: ˆ... Progoza za pomocą średej ruchomej prosej wzaczaa jes jao: ~ ~ ~... ~ ozacza warośd rzeczwsą zmeej progozowaej jeśl dam orese lub momece czasu jes zaa bądź ozacza warośd progoz w azwaa jes sałą wgładzaa

10 prog x średa ruch 3 ważoa x x x^ (x -x^ ) ,6963 0, , 3, ,6963 3,6963 0, , , ,4364 8,5959 S, średa, RMSE^ w 0,37037 Należ meć zasalowa dodae SOLVER , ,8585 3, 3,03078,3844, ,596, ,03078, w 0,37037 Wzaczam progozę dla średej 3 oresowej w 3 0,5959 S x x x^ Wag doberam mmalzując błąd modelu RMSE^ Meoda średej ruchomej ważoej: ˆ w w... w w w ~ w ~ w ~ w ~... w w... w 0 w

11 prog x me. BROWNA wgł wł x x x^ (x -x^ ) ,4777 0, ,7675, ,9063 4, , , ,94963, ,45093, ,905 3, ,05398,0878 5, , ,798 3,798 0, , , ,3766 3,06807 S,9339 średa, RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej a 0,47766 alfa Paramer a doberam mmalzując błąd modelu RMSE^ Prose wgładzae władcze (meoda Browa) ˆ ˆ a a ˆ Paramer a zwa jes paramerem wgładzaa, gd ma warośd blsą progoza będze w dużm sopu uwzględała warośc błędów ex pos progoz poprzedch. Jeśl a będze bls 0 progoza będze w małm sopu uwzględała błęd z poprzedch progoz. Dla a= meoda sprowadza sę do progoz awej. Paramer α jes wzacza poprzez mmalzację błędu progoz ex pos (p. RMSE).

12 prog x me. HOLTA I x x x^ (x -x^ ) F S ,3950 0, ,7904 0, , , ,6974, , , ,40787, , , ,8666 0, , , ,3984 0,739879, , ,63477,863846, , ,39065,590004, , ,4053, , , ,8098, , , , ,73089, , , , , , ,9303 S, średa,89575 RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a 0,395 b Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) 0 Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

13 prog x me. HOLTA II x x x^ (x -x^ ) F S , , ,5487,59337, , ,859 0,035499, , ,7963,637457, , ,07 0,06, , ,9576 0,495955, , ,83356, ,0745 0, ,67547, , , ,39307,58 3, , ,3647 4,3647, , , , , ,779 4,38699 S,6999 średa, RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a 0,35647 b 0,4978 Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 0 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

14 prog x me. HOLTA III x x x^ (x -x^ ) F S 0 0 0, 6 0, 0,64 0, , , ,0304 0, , ,876 3, , , ,87045, , , ,0565 0,049, ,6836 7,4504 0,3478, , ,73674,5958, , ,697 3,793, ,5668 0,885 0,78359,8939 0, ,633 3, , , ,9973 3,9973 0, , , , , ,4484 5,59655 S,47868 średa,90743 RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a 0,08647 b REGLINP 0, 0 0,4, ,07693, ,5 3 0,4 4,8 Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 0 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

15 prog x red low x x x^ (x -x^ ) (- średe ) S PT V PT 0 9,8974 0,005 30,5 0,646 0,5409 0,5 3 0,637 0,356, ,9988 3,9953 6,5 5,3660 0,400,5 6,733 0,5374 0,5 7,00 0,000 0,5 8 3,4674 0,837,5 9 4,8345,3584 6,5 0 3,06,4439,5 5 3,5688,0484 0,5 3 3,9359 3,9359 0, ,5 3 4,3030,6697 8,86% 4 4,670,38 8,94% 5 5,0373, ,04%, S 0,97083 średa 0, RMSE^ fucja REGLINP 0,367 9,5303 S u ,090 0,664 0,634,0790 średe 6,5 6,5557 0,0000 S 43 9,745,64 S PT S u ( T ) ( ) = 0,367x + 9,5303 R² = 0,634 x x x^ Low (x) MODEL redu lowego ˆ a b b a V PT S PT T 00% a

16 prog x red + ws sez r x x x^ (x -x^ ) c x^ 0 0,4977 0,477 0,600 9,8974 0,06 9,6643,7840-0,600 0,646 0,7354 3,39 0,0538 0,600 0,637 0, ,3986,956-0,600 0,9988 -,9988 5,966 0,00 0,600,3660 0,6340 6,39 0,077-0,600,733-0,733 7,7005 0,4907 0,600,00-0,00 8 3,867,834-0,600,4674 0, ,4347 0,395 0,600,8345,655 0,604 0,367-0,600 3,06 -,06 5 4,690 0,6906 0,600 3,5688,43 3 3,3357 3,3357 0,7-0,600 3,9359-0, ,9033 0,600 z c 4 4,0699-0,600 0,600 0,600 0,600 S 5 5,6375 0,600-0,600-0,600-0,600 S 7,38834 średa 0,6099 RMSE^ 0, ,0000 z fucja REGLINP 0,367 9,5303 0,090 0,664 0,634,0790 6,5557 0,0000 9,745,64 MODEL redu lowego ˆ b a b a = 0,367x + 9,5303 R² = 0,634 x x x^ Low (x) a c z ˆ z z jr, j0 c r c z 0 q q r r z

17 prog x red + ws sez r3 x x x^ (x -x^ ) c x^ 0 9,0979 0,838-0,7995 9,8974 0,06,0979 0,0096 0,8333 0,646 0, ,5979 0,67-0,0338 0,637 0, ,993,4383-0,7995 0,9988 -,9988 5,993 0,0397 0,8333,3660 0,6340 6,6993 0,4890-0,0338,733-0,733 7,3007 0,4890-0,7995,00-0, ,3007 0,0904 0,8333,4674 0, ,8007,4383-0,0338,8345,655 0,40 0,67-0,7995 3,06 -,06 5 4,40 0,3575 0,8333 3,5688,43 3 3,90 3,90 0,838-0,0338 3,9359-0, ,5035-0,7995 z c 4 5,5035 0,8333-0,7995-0,7995-0,7995 S 5 5,0035-0,0338 0,8333 0,8333 0,8333 S 6,3087-0,0338-0,0338-0,0338 średa 0,55 RMSE^ 0,7473 0,0000 z fucja REGLINP 0,367 9,5303 0,090 0,664 0,634,0790 6,5557 0,0000 9,745,64 MODEL redu lowego ˆ b a b a = 0,367x + 9,5303 R² = 0,634 x x x^ Low (x) a c z ˆ z z jr, j0 c r c z 0 q q r r z

18 prog x red oresjedom r faza faza x x x^ (x -x^ ) x x^ x 0 9,9048 0, , ,0000,0000 0, ,6 3 0,876 0,053 3,8476, 4 9 0,6000,5600 4,8905 3,8 5,8476 0, ,79048,4 6,000 0, , ,890 0, , ,6 8 3,8000, , , 9 4 3,7905 0, ,6769 4,8 0,4000 0, ,769 0,0567 Faza Faza 3 3,0000 3,0000 0,0000 0, , ,6 9,4 3 5,7333 0, ,3% 0, ,4% 4 3,6000 0, ,455 0,54786,40 5 6, , ,00% 4, ,00% S 6,090 6, , ,3 5, średa 0,506 RMSE^ 0,7088 fucja REGLINP 0,367 9,5303 0,090 0,664 0,634,0790 6,5557 0,0000 9,745,64 MODEL redu lowego ˆ b a b a x x x^ a

19 prog x red oresjedom r3 faza faza faza x x x^ (x -x^ ) x x^ x x 0 9,4 0, ,4 0,8 0,9 0,8 0, ,3,,8 3 0,9 0,000 3, 3 3,4 4, ,3,6900 4, 5 4,7 3 3,6 5, 0, ,5 6,8 0, ,9 7,3 5,4 7, 0, ,8 8,6 6, ,4 0, ,7 9,9 7, 9 4,7, ,6, 8, 0, 0, ,7 0,0900 Faza Faza Faza 3 3 3,6 3,6 0,3600 0,9000 8,5000,3 9,5 0, ,0000 0,596,430 0, ,43% 0,5965, ,0000 0,6000,69 0, ,3873 0,6000, ,5000 3,0000, , ,00% 3,0000 S 5,7000 4,0500,7000 8,45 0,3 4,05,7 średa 0,4750 RMSE^ 0,68904 fucja REGLINP 0,367 9,5303 0,090 0,664 0,634,0790 6,5557 0,0000 9,745,64 MODEL redu lowego ˆ a b b a x x x^ a

20 prog x pozom bez zma x x x^ (x -x^ ) S 6,45455 średa 7,83995 RMSE^ x x x^ Meoda awa: POZIOM BEZ ZMIAN Progozę a oresów w przód wzacza sę a pozome osaej realzacj zmeej progozowaej: Warośd dla modelu wzaczaa jes jao: ˆ

21 prog x przros bez zma x x x^ (x -x^ ) S 4,9 średa 4,98999 RMSE^ x x x^ Meoda awa: PRZYROST BEZ ZMIAN Progozę a oresów w przód wzacza sę a pozome osaej realzacj zmeej progozowaej oraz osaego przrosu: Warośd dla modelu wzaczaa jes jao: ˆ

22 prog x średa ruch 3 pros x x x^ (x -x^ ) , , , , , , 8 3 0, , , , ,6667 7,6667 8, ,333 S 80,848 średa 3,44674 RMSE^ Wzaczam progozę dla średej 3 oresowej x x x^ Model średej ruchomej prosej: ˆ... Progoza za pomocą średej ruchomej prosej wzaczaa jes jao: ~ ~ ~... ~ ozacza warośd rzeczwsą zmeej progozowaej jeśl dam orese lub momece czasu jes zaa bądź ozacza warośd progoz w azwaa jes sałą wgładzaa

23 prog x średa ruch 3 ważo x x x^ (x -x^ ) S 45,66667 średa 6,7577 RMSE^ w Należ meć zasalowa dodae SOLVER w 0 Wzaczam progozę dla średej 3 oresowej w 3 0 S x x x^ Wag doberam mmalzując błąd modelu RMSE^ Meoda średej ruchomej ważoej: ˆ w w... w w w ~ w ~ w ~ w ~... w w... w 0 w

24 prog x me. BROWNA wgł w x x x^ (x -x^ ) S 56,33333 średa 7, RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej a alfa Paramer a doberam mmalzując błąd modelu RMSE^ Prose wgładzae władcze (meoda Browa) ˆ ˆ a a ˆ Paramer a zwa jes paramerem wgładzaa, gd ma warośd blsą progoza będze w dużm sopu uwzględała warośc błędów ex pos progoz poprzedch. Jeśl a będze bls 0 progoza będze w małm sopu uwzględała błęd z poprzedch progoz. Dla a= meoda sprowadza sę do progoz awej. Paramer α jes wzacza poprzez mmalzację błędu progoz ex pos (p. RMSE).

25 prog x me. HOLTA I x x x^ (x -x^ ) F S , ,9538 5, , ,483 4, , ,56 0, , ,686 8, , ,735 0,5779 8, ,636, , ,9 68, , ,045 7, , ,39 0, , , ,0669 9, , , , , ,933 S 3,6630 średa 5,6699 RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a b 0,49948 Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 0 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

26 prog x me. HOLTA II x x x^ (x -x^ ) F S , ,486 89, , , , , ,775, , ,734 0, , ,8668 9, , ,49 7, , ,0893 6,76 7 3, ,9694 0, , , ,9853 8,9803 3, , , ,33,947 S 0,086 średa 4,4846 RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a b 0,58399 Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 0 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

27 prog x me. HOLTA III x x x^ (x -x^ ) F S 60 55,7 7, , 77,44 7 7, ,5,5 83 7, ,5 30,5 85 7, ,5,5 9 7, ,5,5 0 7, ,5,5 7, ,5 0,5 3 7, ,5 30,5 5 7, ,5 30,5 7 7, ,5,5 3 7, ,5 38,5 4,5 3 7,5 3 39, ,5 7,94 S 4,78 średa 4,9704 RMSE^ Należ meć zasalowa dodae SOLVER x x x^ Wzaczam progozę dla średej 3 oresowej Paramer a doberam mmalzując błąd modelu RMSE^ a b 0 REGLINP 7,5 55,7,5903 3, , , , ,5 40,3 Model low HOLTA Sosowa jes do szeregu czasowego, w órm wsępuje: edecja rozwojowa, wahaa przpadowe. Model e jes dwurówaow: F S a b a F S F F b S F - - wgładzoa warośd zmeej progozowaej a mome lub ores - S - wgładzoa warośd przrosu redu a mome lub ores - a, b - paramer modelu o waroścach z przedzału 0,+ Model low HOLTA Progoza a mome lub ores czasu + : Warośc dla modelu F S ˆ F S Warośc począowe F oraz S mogą bć asępujące: Propozcja F S 0 3 Wraz wol lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj) Współcz eruow lowej fucj redu oszacowaej dla prób wsępej (p. lu perwszch obserwacj)

28 prog x red low x x x^ (x -x^ ) (- średe ) S PT V PT 60 66,69 39, ,5 7 73,0385,0784 0, ,8077 0,908, ,5769,4867 6, ,346 5,5044, ,54 3,558 0,5 7 06,8846 6,9364 0, , ,3506, ,43 0,948 6, ,93 0,0370,5 3 33,965 8,7707 0,5 3 40, , ,63 30,5 3 47,5000 6,830 4,5% 4 54,69 6,344 4,% 5 6,0385 6, ,08% 7, S,6987 średa 4,76437 RMSE^ fucja REGLINP 6,769 59,5000 S u ,4364 3, 0,960 5,90 średe 6,5 40,5648 0,0000 S ,654 7,3846 S PT S u ( T ) ( ) = 6,769x + 59,5 R² = 0,960 x x x^ Low (x) MODEL redu lowego ˆ a b b a V PT S PT T 00% a

29 prog x red + ws sez r x x x^ (x -x^ ) c x^ z 60 66,305 39,9489 0,053 66,69-6,69 7 7,987 0,9745-0,053 73,0385 -, ,8590 9,8660 0,053 79,8077 3, ,556,376-0,053 86,5769 -, ,3974 5,7477 0,053 93,346 -, ,064 3,7477-0,053 00,54, ,9359 6,569 0,053 06,8846 4, ,606 88,38-0,053 3,6538 9, ,4744 0,484 0,053 0,43 4, ,40 0,099-0,053 7,93-0, ,08 9,077 0,053 33,965 -, , , ,3335-0,053 40,7308-8, ,553 0,053 z c 4 54,79-0,053 0,053 0,053 0,053 S 5 6,0897 0,053-0,053-0,053-0,053 S 7,353 średa,696 RMSE^ 4, ,0000 fucja REGLINP 6,769 59,5000 0,4364 3, 0,960 5,90 40,5648 0, ,654 7,3846 MODEL redu lowego ˆ b a b a = 6,769x + 59,5 R² = 0,960 x x x^ Low (x) a c z ˆ z z jr, j0 c r c z 0 q q r r z

30 prog x red + ws sez r3 x x x^ (x -x^ ) c x^ z 60 65,885 7,9678-0, ,69-6, ,7885 3,986 0, ,0385 -, ,0385 8,7707 0,308 79,8077 3, ,596 0,3554-0, ,5769 -, ,096 9,586 0, ,346 -, ,346,735 0,308 00,54, ,9038 5,9708-0, ,8846 4, , ,8939 0,7500 3,6538 9, ,6538 8,889 0,308 0,43 4, ,5 0,67-0,9808 7,93-0, ,75 3,7755 0, ,965 -, ,965 40,965 80,309 0,308 40,7308-8, ,59-0,9808 z c 4 55,09 0,7500-0,9808-0,9808-0,9808 S 5 6,69 0,308 0,7500 0,7500 0,7500 S 66,074 0, , ,308 średa,78 RMSE^ 4, ,0000 fucja REGLINP 6,769 59,5000 0,4364 3, 0,960 5,90 40,5648 0, ,654 7,3846 MODEL redu lowego ˆ b a b a = 6,769x + 59,5 R² = 0,960 x x x^ Low (x) a c z ˆ z z jr, j0 c r c z 0 q q r r z

31 prog x red oresjedom r faza faza x x x^ (x -x^ ) x x^ x 60 64,380 9, , , ,9048 8, , , ,695 8, , , ,676 7, , , ,0095 4, , , ,4476, , , ,338 3, ,667 5, ,90 95, ,58 64, ,638, ,895 77, ,9905, ,954 4,56 Faza Faza 3 38,769 38,769 45,734 4, ,066667,7749 6, ,667, ,9%, ,55% 4 5,5333 0, ,774 0, , ,580 57, ,00% 7, ,00% S 5, ,7857 9, ,443 60,4905 średa 0,9603 RMSE^ 4,57844 fucja REGLINP 6,769 59,5000 0,4364 3, 0,960 5,90 40,5648 0, ,654 7,3846 MODEL redu lowego ˆ b a b a x x x^ a

32 prog x red oresjedom r3 faza faza faza x x x^ (x -x^ ) x x^ x x 60 6,7, ,7 7 7, ,9 0, ,4 9 93, , , 3 4, ,4 0, ,8 3 35, ,8 7, ,5 56, , , 77, , 5, ,9 98, ,7 68, ,6 9, , ,3 40, 0 7 9,8 7, ,6,600 Faza Faza Faza ,0000, ,0000 0, ,5000,67 4,443 3, ,38%, , ,5000 0,9899 3,663 0, ,050 0,967 5, , ,978, , ,00% 5,607 S 8, ,4500 6, ,05 98, średa 5,0833 RMSE^ 3, fucja REGLINP 6,769 59,5000 0,4364 3, 0,960 5,90 40,5648 0, ,654 7,3846 MODEL redu lowego ˆ a b b a x x x^ a

33 pozom bez zma przros bez zma średa prosa średa ważoa Brow Hol I Hol II Hol III red low red low + wsaź sezoowośc ores red low + wsaź sezoowośc ores 3 red ores jedomee red ores jedomee 3 Zesawee x Meoda RMSE^, ,3055,44065,437304,386484,89575,488959, , , ,7473 0,7088 0,6890 Progoza 3 3, ,4848 3,3766 5,0088 4,37 4,4663 4, ,9036 3,5035 5, , , ,3766 5,58 4,4958 4, ,6706 4, ,5035 3, , ,4364 3,3766 6, ,779 5,4484 5,0373 5, ,0035 6, ,5 zmea x

34 pozom bez zma przros bez zma średa prosa średa ważoa Brow Hol I Hol II Hol III red low red low + wsaź sezoowośc ores red low + wsaź sezoowośc ores 3 red ores jedomee red ores jedomee 3 Zesawee x Meoda RMSE^ 7, , , ,7577 7, ,6699 4,4846 4,9704 4, , , , ,88377 Progoza ,555 34, ,5 47,5 47,553 46,59 50,667 5, ,0 36, ,69 54,79 55,09 5, , ,665 39,33 54,5 6,0385 6,0897 6,69 64,58 53 Zmea x

35 progoza zmea ^ x x x^ x x x^ , , , , , , , , , , , , ,9 3 5, , , ,3 4,5 53 ` ,7588 6,5508 a 0 a a S pt T T x D ax S x, x, x,, x T T e T T T T 44, ,35 6,488 S e 78075,7 D (a) -4570,35 754, ,357 6, ,357 3,408 T = 3 44,3-4570,4 6, ,5-4570,4 754, , ,7 = 967,5 6, ,357 3, ,5 S PT 360,006 T = 4 44,3-4570,4 6, ,5-4570,4 754, , ,7 = 759,4 6, ,357 3, ,5 S PT 356,7343 T = 5 44,3-4570,4 6,4879 4, ,4 754, ,3576 4, ,7 = 678, 6, ,357 3, S PT 335,6756 Progoza przedzałowa wargodość 90% -- 9 T T S PT V pt u b dola graca góra graca b 90% ,9 360,006 0,95%, , ,03,833 N< ,39 356,7343 0,9%, , ,33 u b,6449 N> ,3 335,6756 0,87%, , ,653 3,63 Model speła założea KMNK TAK TAK NIE Graca dola graca góra

36 rafość progoz ^ , , , , , , , , , , , , , , ,305 Współcz Thela ( - ) , , , , , ,90 Współcz Thela , ,09 suma 37566, , ,343 średa 69, ,065 odchlee sadardowe 0, Pearso I ep I I ep I 0, I,50% Błąd względ progoz o,50% I 0, ,35% Neodgadęce warośc średej a cał błąd wpłwa w 9,35% I 0, ,3% Neodgadęce odchlea a cał błąd wpłwa w 4,3% I 3 0, ,4% Neodgadęca eruu zma wpłwa a cał błąd w 3,4% SUMA 0, ,00% współcz Jausow 5, Model jes dalej aual J m I ep ˆ I I ep m I ep I ep I ep s I s ep I m s I 3 I ep s m I ep I ep I ep r I ep

Wnioskowanie statystyczne dla korelacji i regresji.

Wnioskowanie statystyczne dla korelacji i regresji. STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa

Bardziej szczegółowo

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

PROGNOZOWANIE. Ćwiczenia 3.  tel.: (061) Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele

Bardziej szczegółowo

(liniowy model popytu), a > 0; b < 0

(liniowy model popytu), a > 0; b < 0 MODELE EKONOMERYCZNE Model eoomercz o ops sochasczej zależośc adaego zjawsa eoomczego od czów szałującch go, wrażo w posac rówośc lu uładu rówośc. Jeśl p. rozparujem zjawso popu a oreślo owar lu grupę

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych Iormaa - Wład 9 - dr Bogda Ćmel cmelbog@ma.ag.edu.pl Racue różczow ucj welu zmec Z uwag a prosoę zapsu ławe erpreacje gracze ograczm sę jede do ucj lub zmec. Naurale uogólea wprowadzac pojęć a ucje zmec

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 0 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych EAIB-Iormaa-Wład 9- dr Adam Ćmel cmel@.ag.edu.pl Racue różczow ucj welu zmec Z uwag a prosoę zapsu ławe erpreacje gracze ograczm sę jede do ucj lub zmec. Naurale uogólea wprowadzac pojęć a ucje zmec zosawam

Bardziej szczegółowo

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech KORELACJA I REGRESJA. KORELACJA X, Y - cech badae rówocześe. Dae statstcze zapsujem w szeregu statstczm dwóch cech...... lub w tablc korelacjej. X Y... l.... l.... l................... k k k... kl k..j......l

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej

Bardziej szczegółowo

Prognozowanie na podstawie szeregów czasowych.

Prognozowanie na podstawie szeregów czasowych. Progozowaie a podsawie szeregów czasowch. Sładowe szeregów czasowch. Szereg czasow sładowa ssemacza sładowa przpadowa red sał poziom sładowa oresowa wahaia clicze wahaia sezoowe Tred (edecja rozwojowa

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

Bardziej szczegółowo

MODELOWANIE I PROGNOZOWANIE

MODELOWANIE I PROGNOZOWANIE L.Kowalsk-Modelowae progozowae MODELOWANIE I PROGNOZOWANIE MATERIAŁY DYDAKTYCZNE o Podsawowe charakersk dach sasczch, o Ideks, o Progozowae- wadomośc wsępe, o Modele ekoomercze, o Jedorówaow model low,

Bardziej szczegółowo

Statystyka. Katarzyna Chudy Laskowska

Statystyka. Katarzyna Chudy Laskowska Statstka Katarza Chud Laskowska http://kc.sd.prz.edu.pl/ Aalza korelacj umożlwa stwerdzee wstępowaa zależośc oraz oceę jej atężea ZALEŻNOŚCI pomędz CECHAMI: CECHY: ILOŚCIOWA ILOŚCIOWA CECHY: JAKOŚCIOWA

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8 Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 5 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

Statystyka Opisowa Wzory

Statystyka Opisowa Wzory tatystyka Opsowa Wzory zereg rozdzelczy: x - wartośc cechy - lczebośc wartośc cechy - lczebość całej zborowośc Wskaźk atężea przy rysowau wykresu szeregu rozdzelczego przedzałowego o erówych przedzałach:

Bardziej szczegółowo

Materiały do wykładu 7 ze Statystyki

Materiały do wykładu 7 ze Statystyki Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj

Bardziej szczegółowo

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego D. Miszczńska,M.Miszczński, Maeriał do wkładu 6 ze Saski, 009/0 [] ANALIZA DYNAMIKI ZJAWISK (dok.). szereg czasow, chroologicz (momeów, okresów). średi poziom zjawiska w czasie (średia armecza, średia

Bardziej szczegółowo

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB WYKŁAD 2 BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB Przkład.

Bardziej szczegółowo

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1 PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,

Bardziej szczegółowo

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

Bardziej szczegółowo

FUNKCJE ZMIENNYCH LOSOWYCH. Uwagi o rozkładzie funkcji zmiennej losowej jednowymiarowej.

FUNKCJE ZMIENNYCH LOSOWYCH. Uwagi o rozkładzie funkcji zmiennej losowej jednowymiarowej. L.Kowals Fucje zmeych losowych FUNKCJE ZMIENNYCH LOSOWYCH Uwag o rozładze fucj zmeej losowej jedowymarowej. Jeśl - soowa, o fucj prawdopodobeńswa P( x ) p, g - dowola o fucja prawdopodobeńswa zmeej losowej

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych dr Ewa Wycka Wyższa Szkoła Bakowa w Gdańsku Wtold Komorowsk, Rafał Gatowsk TZ SKOK S.A. Statystycza aalza mesęczych zma współczyka szkodowośc kredytów hpoteczych Wskaźk szkodowośc jest marą obcążea kwoty/lczby

Bardziej szczegółowo

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

Bardziej szczegółowo

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe. INSTRUKCJA LABORATORIUM Metrologa techcza sstem pomarowe. MTSP pomar MTSP 00 Autor: dr ż. Potr Wcślok Stroa / 5 Cel Celem ćwczea jest wkorzstae w praktce pojęć: mezurad, estmata, błąd pomaru, wk pomaru,

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat Pytania teoretyczne: Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5 Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,

Bardziej szczegółowo

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =? Mary położea rozkładu Wykład 9 Statystyk opsowe Średa z próby, mea(y) : symbol y ozacza lczbę; arytmetyczą średą z obserwacj Symbol Y ozacza pojęce średej z próby Średa jest środkem cężkośc zboru daych

Bardziej szczegółowo

Podstawy opracowania wyników pomiarowych, analiza błędów

Podstawy opracowania wyników pomiarowych, analiza błędów Podstawy opracowaa wyków pomarowych, aalza błędów I Pracowa Fzycza IF UJ Grzegorz Zuzel Lteratura I Pracowa fzycza Pod redakcją Adrzeja Magery Istytut Fzyk UJ Kraków 2006 Wstęp do aalzy błędu pomarowego

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM

SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM SZEREGI CZASOWE W PLANOWANIU PRODUKCJI W PRZETWÓRSTWIE SPOŻYWCZYM Arur MACIĄG Sreszczee: W pracy przedsawoo echk aalzy szeregów czasowych w zasosowau do plaowaa progozowaa produkcj w przewórswe spożywczym.

Bardziej szczegółowo

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 7 Aaliza damiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE www.erapez.pl Sroa Część : TEST Zazacz poprawą odpowiedź (lko jeda jes prawdziwa). Paie Szereg damicz o: a) ciąg prędkości

Bardziej szczegółowo

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta Józef Beluch Akadema Górczo-Hutcza w Krakowe płw wag współrzędch a wk trasformacj Helmerta . zór a trasformację współrzędch sposobem Helmerta: = c + b = d + a + a b () 2 2. Dwa modele wzaczea parametrów

Bardziej szczegółowo

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10) Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,

Bardziej szczegółowo

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ Podstawowe pojęca rachuu prawdopodobeństwa: zdarzee losowe, zdarzee elemetare, prawdopodobeństwo, zbór zdarzeń elemetarych. Def. Nech E będze zborem

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 3.05.016 PORÓWNANIE WIĘCEJ NIŻ DWÓCH POPULACJI TESTY NIEPARAMETRYCZNE Pla a dzsaj 1. Porówywae węcej ż dwóch populacj test jedoczykowej aalzy waracj (ANOVA).

Bardziej szczegółowo

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZA. Wkład węp. Teora prawdopodobeńwa elemet kombatork 3. Zmee losowe 4. Populace prób dach 5. Teowae hpotez emaca parametrów 6. Te t 7. Te 8. Te F 9. Te eparametrcze 0. Podsumowae dotchczasowego

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław

Bardziej szczegółowo

Ćwiczenia 10 KORELACJA

Ćwiczenia 10 KORELACJA Ćwczea 0 KORELACJA Zadae W odażu przeprowadzom przed wboram prezdecm aazowao poparce da addatów A B W zaprezetowao w tabe: Y addat X płeć A B M 0 40 K 0 30 00 a Naeż prawdzć cz wbór addata a prezdeta zaeż

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Natalia Nehrebecka. Dariusz Szymański

Natalia Nehrebecka. Dariusz Szymański atala ehreecka Darusz Szmańsk Wkład . MK przpadek welu zmech. Własośc hperpłaszczz regresj 3. Doroć ć dopasowaa rówaa regresj. Współczk determacj R Dekompozcjawaracj zmeejzależejzależej Współczk determacj

Bardziej szczegółowo

Analiza współzależności

Analiza współzależności Aalza wsółzależośc Pozawae zwązków mędz cecham jes aalzą ze względów ozawczch. W rzeczwsośc rzadko jes ak ab jakaś cecha obeków lub zjawsko ewego rodzaju kszałowało sę zuełe ezależe od ch cech lub zjawsk.

Bardziej szczegółowo

MODEL SHARP A - MIARY WRAŻLIWOŚCI

MODEL SHARP A - MIARY WRAŻLIWOŚCI MODEL SHARP A - MIARY WRAŻLIWOŚCI Współzależość cech Rozważam jedostk zborowośc badae ze względu a dwe, lub węcej zmech W przpadku obserwacj opartch a dwóch zmech możem wkreślć dagram korelacj. Każda obserwacja

Bardziej szczegółowo

Pojęcie modelu. Model ekonometryczny. Przykład modelu ekonometrycznego. Klasyfikacja modeli ekonometrycznych. Etapy analizy ekonometrycznej

Pojęcie modelu. Model ekonometryczny. Przykład modelu ekonometrycznego. Klasyfikacja modeli ekonometrycznych. Etapy analizy ekonometrycznej Poęc modlu Modl s o uproszczo przdsw rzczwsośc Lwrc R Kl: Modl s o schmcz uproszcz pomąc so sp w clu wś wwęrzgo dzł form lub osruc brdz somplowgo mchzmu Główą zlą modlu s możlwość go bzpczgo przprowdz

Bardziej szczegółowo

$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI

$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI KASYCZNY ODE REGRESJI INIOWEJ Z WIEOA ZIENNYI NIEZAEŻNYI. gdz: wtor obsrwacj a zmj Y, o wmarach ( macrz obsrwacj a zmch zalżch, o wmarach ( ( wtor paramtrów struturalch (wtor współczów, o wmarach (( wtor

Bardziej szczegółowo

Statystyka powtórzenie (II semestr) Rafał M. Frąk

Statystyka powtórzenie (II semestr) Rafał M. Frąk Statstka powtórzee (II semestr) Rafał M. Frąk TEORIA, OZNACZENIA, WZORY Rodzaje mar statstczch mar położea - wzaczają przecęta wartość cech statstczej mar zróżcowaa (lub zmeośc, rozproszea, dspersj) -

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja Szereg czasowe, modele DL ADL, rzyczyowość, egracja Szereg czasowy, o cąg realzacj zmeej losowej, owedzmy y, w kolejych okresach czasu: { y } T, co rówoważe możemy zasać: = 1 y = { y1, y,..., y T }. Najogólej

Bardziej szczegółowo

Pojęcie statystyki. Definicja. Wektorową funkcję mierzalną T: X T(X)=(T 1 (X),...,T k (X)) R k wymiarową statystyką. próby X nazywamy k

Pojęcie statystyki. Definicja. Wektorową funkcję mierzalną T: X T(X)=(T 1 (X),...,T k (X)) R k wymiarową statystyką. próby X nazywamy k Statystya Wyład Adam Ćmel A4 5 cmel@agh.edu.pl Pojęce statysty Pojęce statysty w statystyce matematyczej jest odpowedem pojęca zmeej losowej w rachuu prawdopodobeństwa. Nech X(X,...,X ) będze próbą z pewej

Bardziej szczegółowo

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna Aalza zależośc Rodzaje zależośc mędzy zmeym występujące w praktyce: Fukcyja wraz ze zmaą wartośc jedej zmeej astępuje ścśle określoa zmaa wartośc drugej zmeej (p. w fzyce: spadek swobody gt s ) tochastycza

Bardziej szczegółowo

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu.

Sprzedaż finalna - sprzedaż dóbr i usług konsumentowi lub firmie, którzy ostatecznie je zużytkują, nie poddając dalszemu przetworzeniu. W 1 Rachu maroeoomcze 1. Produ rajowy bruo Sprzedaż fala - sprzedaż dóbr usług osumeow lub frme, órzy osaecze je zużyują, e poddając dalszemu przeworzeu. Sprzedaż pośreda - sprzedaż dóbr usług zaupoych

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

AKADEMIA MORSKA W SZCZECINIE

AKADEMIA MORSKA W SZCZECINIE AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej Rachek prawdopodobeńswa saysyka maemaycza Esymacja przedzałowa paramerów srkralych zborowośc geeralej Częso zachodz syacja, że koecze jes zbadae ogół poplacj pod pewym kąem p. średa oce z pewego przedmo.

Bardziej szczegółowo

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze

Bardziej szczegółowo

Testy oparte na ilorazie wiarygodności

Testy oparte na ilorazie wiarygodności Ts opar a loraz wargodośc Probl sowaa hpoz Nch B P=P będz przsrzą sasczą prz cz = =. Probl. Na podsaw prób wu spru zwrfować hpozę wobc alraw. Rozwąza powższgo problu s fuca [] zwaa s sascz zradozowa lub

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Progozowaie i smulacje Ramow pla wkładu. Wprowadzeie w przedmio. rafość dopuszczalość i błąd progoz 3. Progozowaie a podsawie szeregów czasowch 4. Progozowaie a podsawie modelu ekoomerczego 5. Heurscze

Bardziej szczegółowo

Reprezentacja krzywych...

Reprezentacja krzywych... Reprezeacja rzywych... Reprezeacja przy pomocy fcj dwóch zmeych rzywe płase płase - jedej: albo z z f x y x [ x x2] y [ y y2] f x y g x x [ x x2] Wady: rzywe óre dla pewych x y mogą przyjmować wele warośc

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

Bardziej szczegółowo

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym Pomary bezpośrede pośrede obarczoe błędem przypadkowym I. Szacowae wartośc przyblŝoej graczego błędu przypadkowego a przykładze bezpośredego pomaru apęca elem ćwczea jest oszacowae wartośc przyblŝoej graczego

Bardziej szczegółowo

ANALIZA SZEREGÓW CZASOWYCH

ANALIZA SZEREGÓW CZASOWYCH ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa

Bardziej szczegółowo

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5 L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH

ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH Na ogół oprócz obserwacj jedej zmeej zberam róweż formacje towarzszące, które mogą meć zaczee w aalze teresującej as welkośc. Iformacje te mogą bć p. wkorzstae

Bardziej szczegółowo

Ekonometria I materiały do ćwiczeń

Ekonometria I materiały do ćwiczeń lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne

Bardziej szczegółowo

MATERIAŁY POMOCNICZE DLA STUDENTÓW DO NAUKI STATYSTYKI

MATERIAŁY POMOCNICZE DLA STUDENTÓW DO NAUKI STATYSTYKI STATYSTYKA MATERIAŁY POMOCNICZE DLA STUDENTÓW DO NAUKI STATYSTYKI Mara Borowsa STATYSTYKA MATERIAŁY POMOCNICZE DLA STUDENTÓW DO NAUKI STATYSTYKI "Ale t, Pae wszsto pod marą lczbą, wagą urządzłeś" (Ks.

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 3,4

STATYSTYKA OPISOWA WYKŁAD 3,4 STATYSTYKA OPISOWA WYKŁAD 3,4 5 Szereg rozdzelczy przedzałowy (dae pogrupowae) (stosujemy w przypadku dużej lczby epowtarzających sę daych) Przedzał (w ; w + ) Środek x& Lczebość Lczebość skumulowaa s

Bardziej szczegółowo

Linie regresji II-go rodzaju

Linie regresji II-go rodzaju Lam regresj II-go rodzaju zmeej () względem () azwam zadae krzwe g(;,, ) oraz h(;,, ) gd spełają oe odpowedo waruk: E E Le regresj II-go rodzaju ( ( )) ( ) ( ) ( ) ( ) g ;,,... g ;,,... f, dd m,,... (

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

Bardziej szczegółowo

x, y środek ciężkości zbioru

x, y środek ciężkości zbioru Y ANALIZA REGRESJI I KORELACJI zwązek stochastyczy (losowy), probablstyczy Y X KAŻDEJ WARTOŚCI x ODPOWIADA CAŁY ZBIÓR WARTOŚCI y TWORZĄCYCH OKREŚLONY ROZKŁAD zwązek statystyczy ŷ a a x ŷ średa rozkładu

Bardziej szczegółowo

Wybór projektu inwestycyjnego ze zbioru wielu propozycji wymaga analizy następujących czynników:

Wybór projektu inwestycyjnego ze zbioru wielu propozycji wymaga analizy następujących czynników: Wybór projeu wesycyjego ze zboru welu propozycj wymaga aalzy asępujących czyów:. Korzyśc z przyjęca do realzacj daego projeu. 2. Ryzya z m zwązaego. 3. Czasu, óry powoduje zmaę warośc peądza. Czy czasu

Bardziej szczegółowo

Wyrażanie niepewności pomiaru

Wyrażanie niepewności pomiaru Wyrażae epewośc pomaru Adrzej Kubaczyk Wydzał Fzyk, Poltechka Warszawska Warszawa, 05 Iformacje wstępe Każdy pomar welkośc fzyczej dokoyway jest ze skończoą dokładoścą, co ozacza, że wyk tego pomaru dokoyway

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

Bardziej szczegółowo

ń Ę Ę Ę Ę ń ń Ś ź Ę ś ś Ę Ś Ą Ę Ę Ę Ę Ż Ę Ę ść Ą Ł Ę Ć ć Ś Ę Ę ś Ę Ż Ś Ę Ę ń Ż Ę Ć ź ć Ł ś Ę ś Ż ś Ś ś Ę ć Ł ś Ż ŚĆ Ę ń ŚĆ ść ś ś ń ś Ś ś ś Ęś Ę ć ś ść ń ń Ć ś Ą ń ć Ą Ś ń ś ś ć ć ś źć ć ź ś ń Ę ś Ę ć

Bardziej szczegółowo

PROGNOZOWANIE STOPY ZYSKU PORTFELA AKCJI. 1. Wstęp

PROGNOZOWANIE STOPY ZYSKU PORTFELA AKCJI. 1. Wstęp B A D A N I A O P A C Y J N I D C Y Z J Nr 004 Ja MIKUŚ POGNOZOWANI SOPY ZYSKU POFLA AKCJI Oreśoo sopę zysu porfea acj zarówo w orese rerospeywym ja progozowaym. Wyorzysując aprosymację erpoacyją wyzaczoo

Bardziej szczegółowo

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości parametrów rozkładu populacji.

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości parametrów rozkładu populacji. Botatytyka, 018/019 dla Fzyk Medyczej, tuda magterke etymacja etymacja średej puktowa przedzał ufośc średej rozkładu ormalego etymacja puktowa przedzałowa waracj rozkładu ormalego etymacja parametrów rozkładu

Bardziej szczegółowo