PROGNOZOWANIE SZEREGÓW CZASOWYCH WIELKOŚCI SPRZEDAŻY W ZAKŁADZIE ODLEWNICZYM
|
|
- Filip Szczepański
- 8 lat temu
- Przeglądów:
Transkrypt
1 40/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN PROGNOZOWANIE SZEREGÓW CZASOWYCH WIELKOŚCI SPRZEDAŻY W ZAKŁADZIE ODLEWNICZYM J. SZYMSZAL 1, G. PUCKA 2, A. GIEREK 3, J. PRZONDZIONO 4 Katedra Technologii Stopów Metali i Kompozytów; Politechnika Śląska, Katowice, ul. Krasińskiego 8 STRESZCZENIE W artykule przedstawiono wybrane metody prognozowania szeregów czasowych ujmujących liczbę sprzedanych odlewów w określonym okresie sprawozdawczym. Wykorzystano metody bazujące na modelach wyznaczonych dzięki zastosowaniu metod analizy regresji i korelacji, autokorelacji i autoregresji oraz statystyki Durbina-Watsona. Przedstawiono również metodę wygładzania szeregu czasowego w oparciu o średnie ruchome oraz wygładzanie wykładnicze wraz z wyznaczeniem miar dokładności prognozy. Keywords: methodology of predicting, time series, logistics 1. WSTĘP Termin prognoza używany jest dość powszechnie w języku codziennym, jednakże omawiając szczegółowo metody prognozowania musimy podać definicję samego pojęcia prognoza. Najczęściej pojęcie to definiujemy jako: zapowiedź, przewidywany skutek czegoś, wysuwany na podstawie specjalistycznych badań w danej dziedzinie [1]. Można zauważyć, że w tej klasycznej definicji pojęcia prognoza występują dwa czynniki: pierwszy to wskazanie co ma być przewidywane (p rognozzowane), drugi zaś, jakie wykorzystać metody by tego dokonać. Interesować nas będzie przyszły popyt na produkty (odlewy) wybranego zakładu odlewniczego. 1 dr inż., SZYMSZAL@polsl.katowice.pl 2 dr inż.,grzegorz.pucka@polsl.pl 3 prof. zw. dr. hab. inż.,gierek.adam@polsl.pl 4 dr inż., 325
2 Dodajmy, że prognoza popytu jest często traktowana jako równoznaczna z prog - nozą sprzedaży, a w rzeczywistości pomiędzy popytem i sprzedażą zachodzi istotna różnica gdyż wielkość popytu może zostać uznana za niezależną od wielkości oferty producenta, która może być mniejsza lub większa od popytu. W naszym przypadku założymy, że podaż w badanym okresie czasu przewyższała popyt. 2. AUTOKORELACJA I AUTOREGRESJA Autokorelacja i autoregresja należą do technik analizy szeregów czasowych danych charakteryzujących się takimi wahaniami, w których sąsiadujące obserwacje mają z reguły zbliżone wartości, natomiast różnice między obserwacjami odległymi mogą być dość duże. Dodajmy jeszcze, że jeśli wahania szeregu czasowego mają charakter sezonowy, to stosujemy regresję z użyciem flag kategorii, modele AR (wyższych rzędów) lub prowadzimy klasyczną dekompozycję szeregu czasowego [3]. Rozpatrzmy szereg czasowy ujmujący liczbę sprzedanych odlewów [szt.] na przestrzeni 20 miesięcy przez konkretny zakład odlewniczy [2]. Dane wprowadzone do arkusza kalkulacyjnego (Excela) wraz z wykresem ujmującym wielkość sprzedaży w przeciągu badanego okresu (20 miesięcy) przedstawia rys Rys. 1. Szereg czasowy ujmujący wielkość sprzedaży w ciągu 20 miesięcy wraz z wykresem Fig. 1. Time series including sale volume during 20 months with the relevant graph 2.1. Dopasowanie linii prostej Po dokładnym przyjrzeniu się wykresowi przedstawiającego wielkość sprzedaży w badanym okresie czasu (rys. 1) dochodzimy do wniosku, że do naszych danych wielkości sprzedaży można dopasować (wykorzystując metodą analityczną) linię pro stą. Dopasowanie linii prostej przeprowadzimy w Excelu, a do estymacji parametrów tego dopasowania wykorzystamy metodę najmniejszej sumy kwadratów. Do estymacji parametrów liniowej funkcji regresji zastosujemy metodę polegającą na wykorzystaniu narzędzia Regresja, jednego z wielu narzędzi Analizy danych Excela.
3 ARCHIWUM ODLEWNICTWA Po pojawieniu się okna dialogowego Regresja wypełniamy je w sposób pokazany na rys. 2a. Po zatwierdzeniu tego okna poleceniem OK - uzyskujemy wynik analizy regresji i korelacji (rys. 2b). a) b) Rys. 2. Wypełnione okno dialogowe narzędzia Regresja (a) wraz z fragmentem wyników (b) Fig. 2. Completed dialogue window of Regression tool (a) with fragment of results (b) Równanie prostej regresji ma postać: Dopasowana wielkość sprzedaży = 5827,47 + 9,812*miesiąc, z którego wynika, że miesięczny wzrost sprzedaży wynosił ok. 9,8 sztuk. Uzyskana wartość współczynnika determinacji R 2 (komórka E5) pokazuje, że około 84,25% odchyleń wielkości sprzedaży można wytłumaczyć liniowym trendem wzrostu w czasie. Wartość statystyki t (komórka G18) oraz wartość p (komórka H18) wskazują, że istnieje istotna zależność liniowa wielkości sprzedaży od czasu. Dokładna analiza uzyskanej krzywej regresji wyklucza jednak wykorzystanie jej do prognozo-wania wielkości sprzedaży w przyszłych okresach. Jeśli bowiem przeanalizujemy prostą dopasowaną, to zauważa-my, że przyjęte w tym modelu regresji założenie o losowym rozkładzie reszt (czyli ich wzajemnej niezależności) nie jest słuszne. Można to dostrzec na Rozkładzie reszt wygenerowanym przez narzędzie Regresja (rys. 3). Stwierdzamy więc, że następujące po sobie reszty są skorelowane dodatnio. Taki układ reszt nazywamy autokorelacją i analizujemy go za pomocą statystyki Durbina-Watsona. Autokorelacją nazywamy korelację wartości zmiennej z jej wartościami z okresów wcześniejszych. i e Rys. 3. Wykres rozkładu reszt wraz z danymi Fig. 3. Residulas distribution with the relevant data 327
4 2.2. Wyznaczenie statystyki Durbina-Watsona Statystykę Durbina-Watsona (oznaczaną jako d) można stosować do testowania korelacji reszt następujących po sobie w szeregu czasowym. Ma ona następującą formułę [3]: d n 2 ei ei 1 i 2 n 2 ei i 1 We wzorze tym e to błędy losowe (reszty), natomiast i to numer okresu (miesiąca) (rys.3). Aby obliczyć tę statystykę w komórce (np. H25), umieszczamy formułę: =SUMA.XMY.2(F26:F44;F25:F43)/SUMA.KWADRATÓW(F25:F44). Statystyka Durbina-Watsona może przyjmować wartości od 0 do 4. Wartości bliskie zeru wskazują na bardzo silną dodatnią autokorelację, wartość 2 oznacza brak autokorelacji, natomiast wartości bliskie 4 wskazują na silną ujemną autokorelację. Uzyskana wartość 0,9173 świadczy o istnieniu dość istotnej dodatniej autokorelacji reszt. Obecnie przeanalizujmy korelację wartości szeregu czasowego z samym sobą, czyli tzw. autokorelację. Bada się w niej korelację zachodzącą między wartością bieżącą a wartościami poprzednimi. Jeśli wartości poprzedniego okresu nazwiemy wartością wstecz, a czas między wartością aktualną a wartością przeszłą przesunięciem wstecz, to wartości oddalone o jeden odstęp czasowy względem bieżącej wartości nazwiemy: WSTECZ Wyznaczenie modelu autoregresji W przypadku gdy do analizowania danych (które wykazują istotne autoskorelowanie) zastosujemy regresję, to mamy tzw. autoregresję, a uzyskany dzięki tej technice model to tzw. model autoregresji. Model ten możemy wykorzystywać do badania funkcyjnej zależności pomiędzy bieżącą a poprzednimi wartościami danych. Przygotowanie arkusza do wykonania autokorelacji WSTECZ 1 polega na przeniesieniu do nowego arkusza naszych danych pierwotnych, wstawieniu nowej kolumny B, skopiowaniu do tej kolumny wartości sprzedaży od pierwszej do przedostatniej i wykasowaniu wiersza danych dla pierwszego miesiąca (rys. 4). Do wyznaczenia parametrów modelu AR(1), wartości błędu, który da dodatkowe informacje, oraz uzyskania wartości dopasowanych szeregu czasowego użyjemy ponownie narzędzia analitycznego Regresja. Z uzyskanego oszacowania wynika, że równanie prostej regresji AR(1) ma postać: Sprzedaż = 352,15 + 0,9418 *WSTECZ 1 lub Bieżąca Sprzedaż = 352,15 + 0,9418 *Poprzednia sprzedaż. Uzyskana wartość R 2 (komórka F5 - rys. 4) pokazuje, że około 85,3% odchyleń wielkości sprzedaży można wytłumaczyć prostą liniową autoregresją. Wartość standardowego błędu estymacji dla modelu AR(1) wynosi 25,01 (komórka F7- rys. 4). Wartość p<0,05 (komórka I18) wskazuje, że istnieje istotna statystycznie zależność liniowa AR(1). (1) 328
5 ARCHIWUM ODLEWNICTWA Rys. 4. Fragment arkusza z oszacowanymi parametrami modelu AR (1) Fig. 4. Spreadsheet with estimated parameters of AR(1) model W oparciu o uzyskaną zależność liniową możemy dokonać prognozy wielkości sprzedaży w kolejnych miesiącach. Wartość prognozowanej sprzedaży w 21 miesiącu można obliczyć jako: Y 21 = 352,15 + 0,9418* Y 20 Y 21 = 6012,37 W końcowym etapie budujemy wykres szeregu czasowego ukazującego wartości rzeczywiste i dopasowane (rys. 5). Rys. 5. Wykres szeregu czasowego ukazujący wartości rzeczywiste i dopasowane linią AR(1) Fig.5. Graph of time series showing true values and ones fitted by AR(1) line 3. METODY WYGŁADZANIA SZEREGU CZASOWEGO Głównym celem wygładzania jest eliminacja przypadkowych i sezonowych wahań, dzięki czemu można uwidocznić długookresowe zachowanie szeregu czaso - wego. Po wprowadzeniu danych do nowego arkusza kalkulacyjnego wykonujemy wykres przedstawiający wielkość sprzedaży w ciągu badanego okresu (rys. 6). 329
6 Rys. 6. Dane wielkości sprzedaży wraz z wykresem Fig.6. Selling volume data with the relevant graph 3.1. Wykorzystanie średniej ruchomej Metoda, która pozwoli nam w prosty sposób dołączyć do wykresu linię wyrażająca średnią ruchomą, oraz dane do jej wykreślenia polega na zastosowaniu Narzędzie analizy danych - Średnia ruchoma (rys. 7a). Na wstępie do komórek C1 i D1 (rys. 7b) wpisujemy odpowiednio etykiety: Średnia_Ruchoma i Błąd_Std. a) b) Rys. 7. Wypełnione okno dialogowe narzędzia Średnia ruchoma (a) wraz z wynikami (b) Fig. 7. Completed dialogue window of Movable mean tool (a) with the results (b) Po uzyskaniu wyników zauważamy, że Narzędzie analityczne Średnia ruchoma umieszcza w arkuszu nie wyniki, ale formuły. Każda średnia jest obliczana na podstawie czterech wartości: bieżącej i trzech poprzednich (przyjęliśmy Odstęp = 4), a każdy błąd standardowy jest obliczany dla czterech ostatnich wartości (rys. 7b). W uproszczonym prognozowaniu jako prognozę możemy wykorzystać ostatnią średnią ruchomą, tj. 8331,5 (komórka C21 - rys. 7b) z błędem standardowym równym 506,05 (komórka D21 - rys. 7b) jako miarą tolerancji. Aby jednak uzyskać najlepszą prognozę, na tę prognozę powinna zostać nałożona prognoza dotycząca wahań sezonowych. 330
7 ARCHIWUM ODLEWNICTWA 3.2. Wygładzanie wykładnicze Wygładzanie za pomocą średniej ruchomej wykorzystuje określoną liczbę wartości empirycznych. W przypadku szeregu czasowego z wahaniami sezonowymi liczba wartości do obliczenia średniej ruchomej wynika zazwyczaj z długości cyklu. W wygładzaniu wykładniczym szeregu czasowego (zamiast skończonej liczby wartości) bierze się pod uwagę (przynajmniej teoretycznie) wszystkie wartości szeregu. Najczęściej wygładzanie i prognozowanie prowadzimy wykorzystując prostą formułę rekurencyjną: prognoza t+1 = *bieżąca t + (1- )*prognoza t (2) gdzie: to tzw. stała wygładzania (parametr wagowy) - liczba z przedziału od 0 do 1. Prognozę na okres t+1 (prognoza t+1 ) możemy interpretować jako wypukłą kombinację liniową zrealizowanego wyniku bieżąca t. Przypomnijmy, że wypukła kombinacja liniowa dwóch liczb zwraca liczbę leżącą między nimi. Przyjmując zatem stałą wygładzania równą 1, otrzymamy wynik mało różniący się od bieżąca t, gdyż wtedy współczynnik (1- ) będzie bliski 0. Ponieważ stała wygładzania ustalana jest przez prognozującego, jej wybór można interpretować jako wyrażenie stopnia zaufania do powtórzenia się wyniku rzeczywistego. Przy wyborze stałej wygładzania bliskiej 1 prognozujący bardziej ufa realizacjom niż prognozom. Wybór stałej wygładzania bliskiej 0 możemy uznać za wyraz większego zaufania do wyniku prognozy. W celu wyznaczenia prognozy na okres t+1 niezbędne jest dokonywanie prognoz na wszystkie poprzedzające okresy, aby w ostatecznej fazie móc się odwołać do prognozy na okres t. Powyższa procedura wymaga wybrania dwóch wartości: wartości prognozy początkowej prognoza 1 dla naszej prognozy przyjmiemy średnią z pierwszych sześciu wartości empirycznych, właściwej wartości stałej wygładzania - wyznaczymy ją minimalizując wybrany błąd prognozy za pomocą narzędzia Solver. Z przytoczonej formuły wynika, że w wygładzaniu wykładniczym prognoza dla drugiego okresu jest oparta na wartości rzeczywistej z pierwszego okresu. Dodajmy jeszcze, że (1- ), to w Excelu jest tzw. współczynnik tłumienia, który wprowadzamy jako parametr. Czyli aby (stała wygładzania) była równa 0,2, to współczynnik tłumienia (wprowadzony do Excela) powinien być równy 0,8. Po wczytaniu danych wielkości sprzedaży do nowego arkusza do komórek C1 i D1 wpisujemy etykiety odpowiednio: Prognoza i BłądStd (rys. 8b). Nasze dane uzupełniamy o dodanie jednego wiersza (po wierszu nagłówka), i w komórce B2 obliczamy średnią z pierwszych sześciu wartości rzeczywistych szeregu. Wartość tę traktujemy jako początkową wielkość prognozy (rys. 8b). Następnie z menu Narzędzia wybieramy Analiza danych, a następnie Narzędzie analizy: Wygładzanie wykładnicze. Pojawia się okno dialogowe Wygładzania wykładnicze, które wypełniamy jak na rys. 8a. Do wyznaczenia optymalnej wartości stałej wygładzania, wykorzystamy kryterium błędu oparte o pierwiastek kwadratowy ze średniego błędu kwadratowego (RMSE - Root-Mean Square Error) [3]: 331
8 a) Rys. 8. Wypełnione okno dialogowe narzędzia Wygładzanie wykładnicze (a) wraz z wynikami (b) Fig. 8. Completed dialogue window of Exponential smoothing tool (a) with the results (b) 332 gdzie: Z t - wartość rzeczywista w okresie t Z (1) t 1 - prognoza zmiennej Z 1 okres do przodu, w której okresem wyjściowym prognozy jest okres t-1. Po wykorzystaniu narzędzia Solver minimalizującego wartość błędu RMSE stwierdzono, że wartość tego błędu jest najmniejsza (równa ok. 558), gdy a jest równe 0,424. Prognoza popytu na 21 miesiąc jest wtedy równa 8188 [szt.]. 4. PODSUMOWANIE Statystyczna analiza szeregu czasowego jest w obecnym okresie nieodzownym składnikiem działalności przedsiębiorstwa produkcyjnego, gdyż bez niej trudnym staje się utrzymanie i zwiększenie efektywności i konkurencyjności na rynku. LITERATURA [1] Słownik współczesnego języka polskiego. Wyd. WILGA, Warszawa, (1996). [2] Szymszal J., Blacha L.: Wspomaganie decyzji optymalnych w metalurgii i inżynierii materiałowej, Wyd. Pol. Śl., Wyd. II., Gliwice (2005). [3] Aczel A.D.: Statystyka w zarządzaniu. Wyd. Naukowe PWN, Warszawa (2004). METHODOLOGY OF PREDICTING TIME SERIES SALE VOLUME IN FOUNDRY PLANT SUMMARY RMSE n t 1 [ Z Z (1)] t n t 1 2 b) The paper has presented chosen methods of predicting time series embracing number of sold castings during specified reporting period. The methods based on models determined through use of regression and correlation analysis, autocorrelatio n and autoregression as well as Durbin-Watson statistic were applied. Methodology of time series smoothing on the basis of movable means and exponential smoothing with determination of prediction accuracy measures was presented as well. Recenzował: prof. dr hab. inż. Roman Wrona (3)
WYKORZYSTANIE 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 szczegółowoJ. SZYMSZAL 1, A. GIEREK 2, J. PIĄTKOWSKI 3, J. KLIŚ 4 Politechnika Śląska, 40-019 Katowice, ul. Krasińskiego 8
3/18 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 PROGNOZOWANIE SZEREGU CZASOWEGO WYKAZUJĄCEGO WAHANIA SEZONOWE
Bardziej szczegółowoPROGNOZA SPRZEDAŻY PRODUKCJI ODLEWNICZEJ OPARTA NA DEKOMPOZYCJI SZEREGU CZASOWEGO
4/18 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 PROGNOZA SPRZEDAŻY PRODUKCJI ODLEWNICZEJ OPARTA NA DEKOMPOZYCJI
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 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 szczegółowoANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO Wprowadzenie Zmienność koniunktury gospodarczej jest kształtowana przez wiele różnych czynników ekonomicznych i pozaekonomicznych. Znajomość zmienności poszczególnych
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 szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoZASTOSOWANIE TECHNOLOGII INFORMACYJNEJ DLA PROGNOZOWANIA SPRZEDAŻY WĘGLA JAKO ELEMENT SYSTEMU WSPOMAGANIA ZARZĄDZANIA
ZASTOSOWANIE TECHNOLOGII INFORMACYJNEJ DLA PROGNOZOWANIA SPRZEDAŻY WĘGLA JAKO ELEMENT SYSTEMU WSPOMAGANIA ZARZĄDZANIA Marcin MICHNA Streszczenie: Systemy wspomagania zarządzania, w szczególności systemy
Bardziej szczegółowoWYKORZYSTANIE KLASYFIKACJI ABC I XYZ DO OPTYMALIZACJI PRODUKCJI W ODLEWNI
38/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 WYKORZYSTANIE KLASYFIKACJI ABC I XYZ DO OPTYMALIZACJI PRODUKCJI W
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 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 szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej 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 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 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 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 szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoAnaliza Statystyczna
Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza
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 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 szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
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 szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
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 szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoStatystyka 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 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 szczegółowoWPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM
2/1 Archives of Foundry, Year 200, Volume, 1 Archiwum Odlewnictwa, Rok 200, Rocznik, Nr 1 PAN Katowice PL ISSN 1642-308 WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM D.
Bardziej szczegółowoProjekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski
Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoSzukanie rozwiązań funkcji uwikłanych (równań nieliniowych)
Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Funkcja uwikłana (równanie nieliniowe) jest to funkcja, która nie jest przedstawiona jawnym przepisem, wzorem wyrażającym zależność wartości
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej 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 szczegółowoEkonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej
Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Paweł Cibis pawel@cibis.pl 23 lutego 2007 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa
Bardziej szczegółowoWPŁYW WIELKOŚCI WYDZIELEŃ GRAFITU NA WYTRZYMAŁOŚĆ ŻELIWA SFEROIDALNEGO NA ROZCIĄGANIE
15/12 ARCHIWUM ODLEWNICTWA Rok 2004, Rocznik 4, Nr 12 Archives of Foundry Year 2004, Volume 4, Book 12 PAN Katowice PL ISSN 1642-5308 WPŁYW WIELKOŚCI WYDZIELEŃ GRAFITU NA WYTRZYMAŁOŚĆ ŻELIWA SFEROIDALNEGO
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w
Bardziej szczegółowoRegresja i Korelacja
Regresja i Korelacja Regresja i Korelacja W przyrodzie często obserwujemy związek między kilkoma cechami, np.: drzewa grubsze są z reguły wyższe, drewno iglaste o węższych słojach ma większą gęstość, impregnowane
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 szczegółowoEkonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007
Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
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 szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej 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 szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
Bardziej 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 szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 4 Temat: Analiza korelacji i regresji dwóch zmiennych
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 szczegółowoProjekt okładki: Aleksandra Olszewska. Redakcja: Leszek Plak. Copyright: Wydawnictwo Placet Wydanie ebook. Wydawca
1 Projekt okładki: Aleksandra Olszewska Redakcja: Leszek Plak Copyright: Wydawnictwo Placet 2011 Wydanie ebook Wszelkie prawa zastrzeżone. Publikacja ani jej części nie mogą być w żadnej formie i za pomocą
Bardziej szczegółowoDOBÓR ASORTYMENTU PRODUKCJI ZAKŁADU ODLEWNICZEGO
16/5 Archives of Foundry, Year 2002, Volume 2, 5 Archiwum Odlewnictwa, Rok 2002, Rocznik 2, Nr 5 PAN Katowice PL ISSN 1642-5308 DOBÓR ASORTYMENTU PRODUKCJI ZAKŁADU ODLEWNICZEGO J. PIĄTKOWSKI 1, J. SZYMSZAL
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 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 szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoEKONOMICZNE ASPEKTY ZRÓWNANIA KOSZTÓW Z ZYSKIEM WE WSPÓŁCZESNYM ZAKŁADZIE ODLEWNICZYM
1/8 ARCHIWUM ODLEWNICTWA Rok 2003, Rocznik 3, Nr 8 Archives of Foundry Year 2003, Volume 3, Book 8 PAN - Katowice PL ISSN 1642-5308 EKONOMICZNE ASPEKTY ZRÓWNANIA KOSZTÓW Z ZYSKIEM WE WSPÓŁCZESNYM ZAKŁADZIE
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej 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 szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoINFORMATYKA W SELEKCJI
INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: ZIE n Punkty ECTS: 6. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Statystyka opisowa i ekonomiczna Rok akademicki: 2013/2014 Kod: ZIE-1-205-n Punkty ECTS: 6 Wydział: Zarządzania Kierunek: Informatyka i Ekonometria Specjalność: - Poziom studiów: Studia I
Bardziej szczegółowoŚcieżka rozwoju polskiej gospodarki w latach gospodarki w latach W tym celu wykorzystana zostanie metoda diagramowa,
Barbara Batóg, Jacek Batóg Uniwersytet Szczeciński Ścieżka rozwoju polskiej gospodarki w latach - W artykule podjęta zostanie próba analizy, diagnozy i prognozy rozwoju polskiej gospodarki w latach -.
Bardziej szczegółowoZJAZD 4. gdzie E(x) jest wartością oczekiwaną x
ZJAZD 4 KORELACJA, BADANIE NIEZALEŻNOŚCI, ANALIZA REGRESJI Analiza korelacji i regresji jest działem statystyki zajmującym się badaniem zależności i związków pomiędzy rozkładami dwu lub więcej badanych
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoStochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych
PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy
Bardziej szczegółowoWykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego
Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
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 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 szczegółowoAnaliza Współzależności
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Współzależności Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoZad.2. Korelacja - szukanie zależności.
Ćw. III. MSExcel obliczenia zarządcze Spis zagadnień: Funkcje statystyczne Funkcje finansowe Tworzenie prognoz Scenariusze >>>Otwórz plik: excel_02.xls> przejdź do arkusza
Bardziej szczegółowoWYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI PROCESU WYTWARZANIA MASY FORMIERSKIEJ
168/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI
Bardziej szczegółowoIstota funkcjonowania przedsiębiorstwa produkcyjnego. dr inż. Andrzej KIJ
Istota funkcjonowania przedsiębiorstwa produkcyjnego dr inż. Andrzej KIJ 1 Popyt rynkowy agregacja krzywych popytu P p2 p1 D1 q1 D2 q2 Q 2 Popyt rynkowy agregacja krzywych popytu P p2 p1 D1 +D2 D1 D2 q1
Bardziej szczegółowoŚrednie. Średnie. Kinga Kolczyńska - Przybycień
Czym jest średnia? W wielu zagadnieniach praktycznych, kiedy mamy do czynienia z jakimiś danymi, poszukujemy liczb, które w pewnym sensie charakteryzują te dane. Na przykład kiedy chcielibyśmy sklasyfikować,
Bardziej szczegółowoZałóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb
Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę
Bardziej szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
Bardziej szczegółowoDodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?
Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? : Proces zmieniania wartości w komórkach w celu sprawdzenia, jak
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 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoLEJNOŚĆ KOMPOZYTÓW NA OSNOWIE STOPU AlMg10 Z CZĄSTKAMI SiC
38/9 Archives of Foundry, Year 23, Volume 3, 9 Archiwum Odlewnictwa, Rok 23, Rocznik 3, Nr 9 PAN Katowice PL ISSN 1642-538 LEJNOŚĆ KOMPOZYTÓW NA OSNOWIE STOPU AlMg1 Z CZĄSTKAMI SiC Z. KONOPKA 1, M. CISOWSKA
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoZastosowanie Excela w matematyce
Zastosowanie Excela w matematyce Komputer w dzisiejszych czasach zajmuje bardzo znamienne miejsce. Trudno sobie wyobrazić jakąkolwiek firmę czy instytucję działającą bez tego urządzenia. W szkołach pierwsze
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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoANALIZA REGRESJI SPSS
NLIZ REGRESJI SPSS Metody badań geografii społeczno-ekonomicznej KORELCJ REGRESJ O ile celem korelacji jest zmierzenie siły związku liniowego między (najczęściej dwoma) zmiennymi, o tyle w regresji związek
Bardziej szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Bardziej szczegółowoRok akademicki: 2012/2013 Kod: JFM s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne
Nazwa modułu: Statystyka inżynierska Rok akademicki: 2012/2013 Kod: JFM-1-210-s Punkty ECTS: 3 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Fizyka Medyczna Specjalność: Poziom studiów: Studia I stopnia
Bardziej szczegółowoPraktyczny Excel. 50 praktycznych formuł na każdą okazję
Praktyczny Excel 50 praktycznych formuł na każdą okazję 3 1 NUMER PRAWNICZY przygotowany przez + OCHRONA DANYCH OSOBOWYCH profesjonalnie i kompleksowo 1 2 + GRATIS 20% GRATIS 30%, tel. 22 518 29 29, email:
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 szczegółowo