1 Poj ¾ecie szeregu czasowego
|
|
- Daniel Marszałek
- 7 lat temu
- Przeglądów:
Transkrypt
1 Studia podyplomowe w zakresie przetwarzania, zarz¾adzania i statystycznej analizy danych Analiza szeregów czasowych godziny konwersatorium autor: Adam Kiersztyn 1 Poj ¾ecie szeregu czasowego Dane statystyczne zbierane sa¾ ka zdego dnia. Dane takie dotyczyć moga¾ ró znorakich dziedzin jak ilościowy opis produkcji rolnej buraka cukrowego w Polsce i migracji ludności w Europie, czy te z zmian cen kursu franka szwajcarskiego. Nie sa¾ to jedyne mo zliwe przyk ady danych poddawanych obróbce statystycznej. Do takich samych danych z punktu widzenia statystyka mo zemy zaliczyć aktywność źród a promieniowania czy b ¾ adzenie przypadkowe okruszka ciasta czekoladowego, który wpad nam w aśnie do kawy. Wszystkie powy zsze przyk ady maja¾ jedna¾ wspólna¾ cech¾e - wielkości, które mierzymy w ka zdym przypadku, je zeli tylko pouk adane sa¾ po kolei w czasie podpadaja¾ nam pod de nicj ¾e szeregu czasowego. W przypadku ekonometrii, czy szeroko poj ¾etych rynków nansowych i gospodarki, takie szeregi zwykle b ¾ed a¾ opisywać zmian ¾e wielkości jakiegoś instrumentu rynku. W tym przypadku Fizyka, Matematyka i Ekonometria zbudowa y i rozwin¾e y aparat s u z acy ¾ do analizy takich szeregów. W najogólniejszym z mo zliwych stwierdzeniu mo zna rzec, ze taka analiza daje szanse dla inwestora na prób ¾e przewidywania przysz ości na podstawie przesz ości. Przesz ość zawarta jest w danych, które zebrane sa¾ w szeregach czasowych. Przysz ość to tylko statystyczna predykcja mo zliwych zachowań badanego instrumentu rynku, oparta na mniej lub bardziej poprawnej analizie dost ¾epnych nam danych. Dane statystyczne mo zemy w ogólności podzielić na dane przekrojowe (cross sectional data) - wiele jednostek obserwowanych w jednej jednostce czasu, szeregi czasowe (time series data) - jedna jednostka czasowa obserwowana w wielu jednostkach czasu - to w aśnie tym rodzajem danych b ¾edziemy si¾e zajmować, dane panelowe (panel data, cross sectional time series data) - wiele jednostek czasowych obserwowanych w wielu jednostkach czasu. Na tym przedmiocie zajmiemy omówieniem w asności szeregów czasowych. W literaturze mo zna spotkać ró zne de nicje szeregu czasowego: - ciag ¾ obserwacji pokazujacy ¾ kszta towanie si¾e badanego zjawiska w kolejnych okresach czasu; - uporzadkowany ¾ chronologicznie zbiór wartości badanej cechy lub określonego zjawiska zaobserwowanych w ró znych momentach czasu - realizacja procesu stochastycznego, którego dziedzina¾ jest czas - pojedyncze obserwacje y t sa¾ realizacjami zmiennych losowych Y t. Proces stochastyczny 1
2 de niowany jest w tym przypadku jako ciag ¾ zmiennych losowych indeksowanych przez czas t, a szereg czasowy jest wtedy pojedyncza¾ realizacja¾ tego procesu. 2 Sk adowe szeregu czasowego Wśród sk adników szeregu czasowego zazwyczaj wyró znia si ¾e: - trend - wahania sezonowe - wahania cykliczne - wahania przypadkowe. W obrazowy sposób mo zna to przedstawić za pomoca¾ nast¾epujacego ¾ diagramu: Wyró znienie poszczególnych sk adowych nie jest sprawa¾ prosta, ¾ bowiem pomi ¾edzy poszczególnymi sk adnikami wyst ¾epuja¾ z o zone interakcje, ponadto mo ze zdarzyć si¾e tak, ze badanym przez Nas szeregu wyst¾epuja¾ sk adniki niejawne, których nie jesteśmy w stanie wyró znić. Przedstawimy teraz kilka przyk adów szeregów czasowych. 2
3 3 Przyk ady szeregów czasowych Najprostszym przyk adem szeregu czasowego jest obserwacja kolejnych rzutów moneta. ¾ Jeśli przyjmiemy, ze wyrzuceniu or a odpowiada wartość liczbowa 1, zaś wyrzuceniu reszki wartość liczbowa 0, to otrzymujemy przyk ad procesu dychotomicznego (zerojedynkowego, binarnego). Formalnie rozwa zamy ciag ¾ zmiennych losowych X t ; t = 1; 2; ::: o jednakowych rozk adach P [X t = 0] = P [X t = 1] = 1 2 : Poni zszy rysunek przedstawia¾ mo zliwa¾ realizacj ¾e takiego procesu. Rozwa zmy teraz inny typowy przyk ad szeregu czasowego. Na poni zszym rysunku przedstawiono liczb ¾e ludności USA w latach
4 Ludność USA w latach Ludność USA w latach Rozwa zmy teraz nieco bardziej skomplikowany przyk ad, w którym b ¾eda¾ ju z uwidocznione poszczególne wyró znione powy zej sk adowe szeregu czasowego. Na rysunku poni zej przedstawiono liczb ¾e sprzedawanych litrów paliwa na pewnej stacji benzynowej w jednym miesiacu. ¾ Poszczególnymi kolorami zaznaczono równie z sk adowe naszego szeregu czasowego. 4
5 Poziom stały Trend Wahania okresowe Wahania sezonowe Wahania losowe Poziom sprzedaży paliwa 4 Formalne uj ¾ecie problemu Z formalnego punktu widzenia szereg czasowy jest realizacja¾ procesu stochastycznego, aby lepiej zrozumieć ta¾ zale zność musimy wprowadzić niezb ¾edne ( nie do końca formalne) de nicje. Proces stochastyczny jest to rodzina zmiennych losowych określonych na pewnej przestrzeni probabilistycznej (; F; P ) o wartościach w pewnej przestrzeni mierzalnej - najcz ¾eściej zbiorze liczb rzeczywistych. W badaniu szeregów czasowych bardzo istotna¾ rol¾e odgrywaja¾ poj¾ecia kowariancji, autokowariancji, korelacji oraz autokorelacji. Dla dwóch zmiennych losowych X i Y funkcja cov (X; Y ) = E [(X EX) (Y EY )] = E (XY ) EXEY 5
6 określa liniowa¾ zale zność pomi ¾edzy zmiennymi X i Y: Stopień wspó zale zności mo zna podać za pomoca¾ wspó czynnika korelacji Pearsona r XY = cov (X; Y ) X Y : Wartość wspó czynnika korelacji Pearsona nale zy do przedzia u [ 1; 1] : Im wi ¾eksza jest jego wartość bezwzgl ¾edna, tym silniejsza jest zale zność zmiennych losowych. Rozwa zmy proces losowy fx t ; t 2 T g, którego wszystkie sk adowe maja¾ skończone wariancje, wtedy autokowariancja procesu zde niowana jest wzorem X (t; s) = cov (X t ; X s ) = E (X t X s ) EX t EX s ; t; s 2 T: Analogicznie jak kowariancja, autokowariancja określa liniowa¾ zale zność pomi ¾edzy wartościami procesu w ró znych chwilach czasu. Jeśli oznaczymy przez odchylenie standardowe procesu w dowolnej chwili t 2 T;to mo zna wprowadzić poj ¾ecie autokorelacji procesu za pomoca¾ wzoru R X (t; s) = X (t; s) : 5 Rodzaje modeli matematycznych Pierwszym krokiem wykonywanym podczas analizy szeregu czasowego jest wizualizacja danych. Zazwyczaj juz na tym poziomie jesteśmy w stanie wyró znić trend, czy wahania sezonowe. Celem dekompozycji szeregu czasowego jest oszacowanie i wyró znienie cz ¾eści sk adowych szeregu. Wyró znia si ¾e dwa matematyczne modele szeregów czasowych - model addytywny oraz model multiplikatywny. Model addytywny mo zna wyrazić jako X t = T t + S t + C t + L t gdzie X t - dane pomiarowe T t - funkcja trendu S t - wahania sezonowe C t - wahania cykliczne Y t - wahania losowe, cz¾esto zwane szumem Model multiplikatywny przyjmuje postać gdzie X t - dane pomiarowe T t - funkcja trendu S t - wahania sezonowe C t - wahania cykliczne X t = T t S t C t L t 6
7 Y t - wahania losowe, cz¾esto zwane szumem Stosowane sa¾ równie z modele mieszane. Ponadto w wielu przypadkach funkcja trendu jest funkcja¾ sta ¾ a. 6 Estymacja trendu Jednym z kluczowych punktów analizy szeregów czasowych jest wyodr ¾ebnienie oraz opisania funkcji trendu. W niektórych, bardzo prostych przypadkach jesteśmy w stanie oszacować funkcj ¾e trendu na podstawie gra cznej reprezentacji naszego szeregu, jednak ze w przypadku bardziej skomplikowanych szeregów nie jesteśmy w stanie tego dokonać i musimy zastosować narz ¾edzia matematyczne. Narz ¾edzia matematyczne s u z ace ¾ do wyznaczenia trendu mo zna podzielić na dwie zasadnicze grupy: - metody "mechaniczne", wśród których nale zy wymienić średnie ruchome - metody analityczne. takie jak MNK Modele średniej ruchomej s u zyć moga¾ zarówno do wyg adzania szeregu czasowego jak i do prognozowania. Kolejne wartości prognoz wygas ych powstaja¾ poprzez obliczanie średniej arytmetycznej dla wybranej liczby elementów i tak np: dla średniej ruchomej trzyelementowej uśredniamy 3 poprzednie obserwacje. Innym sposobem jest obliczanie średnich dla trzech obserwacji w okresach t 1,t oraz t + 1 zaś prognoza obliczana jest dla momentu t. Sposób obliczania prognozy na podstawie modelu średniej ruchomej prostej mo zna wyrazić wzorem: X t = 1 k Xt 1 i=t gdzie X t jest prognoza¾ zmiennej X w chwili t k jest sta a wyg adzenia W tym miejscu pojawia si ¾e naturalne pytanie. Dla jakiej sta ej wyg adzania otrzymamy najlepszy wynik? Odpowiedzi na to pytanie pomaga nam udzielić nast¾epujaca ¾ miara " S 1 = n k t=k+1 k X i X t X t 2 # 1 2 : Spośród badanych średnich wygrywa ta, która posiada b ¾ ad najmniejszy czyli mo zna powiedzieć, i z jest najlepiej dopasowana do danych rzeczywistych szeregu. 7
8 Średnia ruchoma prosta ma wad¾e polegajac ¾ a¾ na tym, i z ka zda z przyj¾etych do wyg adzania obserwacji ma jednakowa¾ równa¾ 1 wag¾e, czyli taki sam udzia w szacunku prognozy. Lepiej jest nadawać wi ¾eksze wagi obserwacjom nowszym, które sa¾ świe zsze i maja¾ wi ¾ekszy wp yw na prognoz ¾e. Wnioskowanie takie, określamy terminem postarzania informacji a spe nia go model średniej ruchomej wa zonej, wed ug którego prognoz¾e oblicza si¾e wg wzoru: Średnia ruchoma prosta ma wad¾e polegajac ¾ a¾ na tym, i z ka zda z przyj¾etych do wyg adzania obserwacji ma jednakowa¾ równa¾ 1 wag¾e, czyli taki sam udzia w szacunku prognozy. Lepiej jest nadawać wi ¾eksze wagi obserwacjom nowszym, które sa¾ świe zsze i maja¾ wi ¾ekszy wp yw na prognoz ¾e. Wnioskowanie takie, określamy terminem postarzania informacji a spe nia go model średniej ruchomej wa zonej, wed ug którego prognoz¾e oblicza si¾e wg wzoru: X t = Xt 1 i=t gdzie w t sa¾ wagami spe niajacymi ¾ warunki k X t w t 0 w 1 w 2 : : : w n 1 w i = 1 Wśród metod analitycznych wyznaczania funkcji treny prym wiedzie metoda najmniejszych kwadratów. Zazwyczaj rozwa za si ¾e przypadek liniowej funkcji trendu, czyli wyznacza si¾e prosta¾ regresji. W ogólnym przypadku wyznaczanie prostej regresji ma nast ¾epujacy ¾ przebieg: zak adamy, ze w pewnym doświadczeniu obserwujemy pary (x 1 ; y 1 ) ; (x 2 ; y 2 ) ;...,(x n ; y n ) : Naszym celem jest wyznaczenie funkcji postaci minimalizujacej ¾ wartość SSE = y = ax + b (y i ax i b) 2 : Okazuje si¾e, ze rozwiazaniami ¾ tego zagadnienia sa¾ wartości a = x i X y i Y x i X 2 8
9 b = Y x i X y i Y x i X 2 W naszym przypadku obserwuje si ¾e proces w kolejnych chwilach czasu, zatem rozwa zamy punkty postaci (1; X 1 ) ; (2; X 2 ) ; : : : ; (n; X n ). Dla zobrazowania omówionych powy zej metod rozwa zmy przyk ad. Za ó zmy, ze dysponujemy 20 obserwacjami x i Średnie kroczace ¾ o kroku 2 wynosza¾ wówczas X: x i X i 13 14; 5 16; 5 17; ; 5 17; ; 5 20; 5 21; 5 23; 5 24; ; ; ; 5 23; Średnie ruchome dla k = 3 oraz k = 4 wynosza¾ odpowiednio x i X i k = ; 5 16; 5 17; ; 5 17; ; 5 20; 5 X i k = 3 13; (6) 15; (6) 16; (6) 15; (3) 15; (3) 15; (3) 18 18; (6) 20 X i k = 4 14; ; ; 75 16; 25 18; 5 19; ; 5 23; 5 24; ; 5 23; ; (6) 23; (6) 23; (6) ; (3) ; ; 25 23; 5 23; 25 23; 75 25; Gra czna interpretacja tych wyników jest nast ¾epujaca ¾ 9
10 Dla tych samych danych postaramy si¾e za pomoca¾ MNK wyznaczyć prosta¾ regresji. Mamy zatem nast ¾epujace ¾ dane i x i dla których I = 10; 5 zaś X = 20; 3. W nast¾epnym kroku obliczmy ró znice i I, x i X oraz ich iloczyn. Wartości poszczególnych iloczynów sumujemy i otrzymujemy wartość 540: Musimy teraz jeszcze obliczyć wartość sumy 20X i I 2 = 665 Dysponujac ¾ tymi danymi mo zemy obliczyć wspó czynnik kierunkowy naszej prostej regresji a = = : Wspó czynnik przesuni¾ecia naszej prostej regresji ma wartość b = 20: :5 = 11: 774: Poni zszy rysunek przedstawia interpretacja¾ gra czna¾ otrzymanych wyników 10
11 dane model 11
Wyk ad II. Stacjonarne szeregi czasowe.
Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych
Bardziej szczegółowo1 Rozk ad normalny. Szczególnym przypadkiem jest standardowy rozk ad normalny N (0; 1), wartości
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Podstawy statystyki matematycznej Adam Kiersztyn 2 godziny lekcyjne 2011-10-23 8.20-9.50 1 Rozk ad normalny Jednym z najwa
Bardziej szczegółowoPochodne cz ¾astkowe i ich zastosowanie.
Pochodne cz ¾astkowe i ich zastosowanie. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Pochodne cz ¾astkowe i ich zastosowanie. maj 2013 1 / 18 Zanim przejdziemy do omawiania pochodnych funkcji wielu zmiennych
Bardziej szczegółowo1 Praktyczne metody wyznaczania podstawowych miar bez zastosowania komputerów
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 8.03.014 - godziny ćwiczeń autor: Adam Kiersztyn 1 Praktyczne metody wyznaczania podstawowych miar
Bardziej szczegółowo1 Wieloczynnikowa analiza wariancji
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Statystyczna analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-02-04 13.00-17.00 1 Wieloczynnikowa analiza wariancji
Bardziej szczegółowoRównania ró znicowe wg A. Ostoja - Ostaszewski "Matematyka w ekonomii. Modele i metody".
Równania ró znicowe wg A. Ostoja - Ostaszewski "Matematyka w ekonomii. Modele i metody". Przyk ad. Za ó zmy, ze w chwili t = 0 populacja liczy P 0 osób. Roczny wskaźnik urodzeń wynosi b = 00, a roczna
Bardziej szczegółowo1 Próba a populacja. Nasze rozwa zania zaczniemy od przedyskutowania podstawowych poj ¾eć statystycznych,
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 9.03.04 - godziny konwersatorium autor Adam Kiersztyn Próba a populacja Nasze rozwa zania zaczniemy
Bardziej szczegółowoOcena ryzyka kredytowego
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ocena ryzyka kredytowego (semestr letni 2013/14) 1 Informacje wst epne Celem tego rozdzia u jest powtórzenie pewnych wiadomości
Bardziej szczegółowo1 Regresja liniowa cz. I
Regresja liniowa cz. I. Model statystyczny Model statystyczny to zbiór za o zeń. Wprowadzamy model, który mo zliwie najlepiej opisuje ineresujacy ¾ nas fragment rzeczywistość. B ¾edy modelu wynikaja¾ z
Bardziej szczegółowo1 Analiza wariancji H 1 : 1 6= 2 _ 1 6= 3 _ 1 6= 4 _ 2 6= 3 _ 2 6= 4 _ 3 6= 4
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Statystyczna analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-02-04 13.00-17.00 1 Analiza wariancji Na wst¾epie zapoznamy
Bardziej szczegółowo1 Praktyczne metody wyznaczania podstawowych miar przy zastosowaniu programu EXCEL
Kurs w zakresie zaawansowanych metod komputerowej analizy danych Podstawy statystycznej analizy danych 9.03.2014-3 godziny ćwiczeń autor: Adam Kiersztyn 1 Praktyczne metody wyznaczania podstawowych miar
Bardziej szczegółowoFunkcje dwóch zmiennych
Funkcje dwóch zmiennych Je zeli ka zdemu punktowi P o wspó rzednych x; y) z pewnego obszaru D na p aszczyźnie R 2 przyporzadkujemy w sposób jednoznaczny liczb e rzeczywista z, to przyporzadkowanie to nazywamy
Bardziej szczegółowo1 Testy statystyczne. 2 Rodzaje testów
1 Testy statystyczne Podczas sprawdzania hipotez statystycznych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ na odrzuceniu hipotezy zerowej (H 0 ), gdy jest ona prawdziwa,
Bardziej szczegółowo1 Rekodowanie w podgrupach i obliczanie wartości w podgrupach
1 Rekodowanie w podgrupach i obliczanie wartości w podgrupach Czasami chcemy rekodować jedynie cz ¾eść danych zawartych w pewnym zbiorze. W takim przypadku stosujemy rekodowanie z zastosowaniem warunku
Bardziej szczegółowo1 Miary asymetrii i koncentracji
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Podstawy statystyki opisowej Adam Kiersztyn 3 godziny lekcyjne 2011-10-22 10.10-12.30 1 Miary asymetrii i koncentracji
Bardziej szczegółowoEkstrema funkcji wielu zmiennych.
Ekstrema funkcji wielu zmiennych. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Ekstrema funkcji wielu zmiennych. kwiecień 2013 1 / 13 Niech dana b ¾edzie funkcja f (x, y) określona w pewnym otoczeniu punktu
Bardziej szczegółowoBardzo silnie z poj ¾eciem populacji statystycznej zwiazane ¾ jest poj ¾ecie próby statystycznej.
Próba a populacja Nasze rozwa zania zaczniemy od przedyskutowania podstawowych poj eć statystycznych, poszczególne de nicje zostana wzbogacone o obrazowe przyk ady. Jednym z najistotniejszych poj eć jest
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 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 szczegółowo1 Wieloczynnikowa analiza wariancji ciag ¾ dalszy
Studia podyplomowe w zakresie technik internetowych i komputerowej analizy danych Wielowymiarowa analiza danych Adam Kiersztyn 5 godzin lekcyjnych 2012-03-18 08.20-12.30 1 Wieloczynnikowa analiza wariancji
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoKonkurs Matematyczny, KUL, 30 marca 2012 r.
Konkurs Matematyczny, KUL, 30 marca 01 r. W pustych kratkach obok liter A) B) C) D) nale zy wpisać s owo TAK lub NIE. Zadanie zostanie uznane za rozwiazane, jeśli wszystkie cztery odpowiedzi sa poprawne.
Bardziej szczegółowoWprowadzenie do równań ró znicowych i ró zniczkowych.
Wprowadzenie do równań ró znicowych i ró zniczkowych. Adam Kiersztyn Lublin 2013 Adam Kiersztyn () Wprowadzenie do równań ró znicowych i ró zniczkowych. maj 2013 1 / 11 Przyjmijmy nast ¾epuj ¾ace oznaczenia:
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 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 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 szczegółowoAnaliza współzależności zjawisk. dr Marta Kuc-Czarnecka
Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowo1 Przygotowanie ankiety
1 Przygotowanie ankiety Na dzisiejszych zaj ¾eciach skupimy si ¾e na zasadach tworzenia, wprowadzania oraz wst ¾epnej analizie danych zawartych w ankietach. Za ó zmy, ze ankieta sk ada si ¾e nast¾epujacych
Bardziej szczegółowoWyznaczniki, macierz odwrotna, równania macierzowe
Wyznaczniki, macierz odwrotna, równania macierzowe Adam Kiersztyn Katolicki Uniwersytet Lubelski Jana Paw a II Lublin 013 Adam Kiersztyn (KUL) Wyznaczniki, macierz odwrotna, równania macierzowe marzec
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
Bardziej szczegółowoAnaliza 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 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 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 szczegółowo1 Testy statystyczne. 2 Rodzaje testów
1 Testy statystyczne Podczas sprawdzania hipotez statystycznych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ na odrzuceniu hipotezy zerowej (H 0 ), gdy jest ona prawdziwa,
Bardziej szczegółowoStatystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35
Statystyka Wykład 7 Magdalena Alama-Bućko 16 kwietnia 2017 Magdalena Alama-Bućko Statystyka 16 kwietnia 2017 1 / 35 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoEkonometria, 3 rok. Jerzy Mycielski. Uwniwersytet Warszawski, Wydzia Nauk Ekonomicznych. Jerzy Mycielski (Institute) Ekonometria, 3 rok / 15
Ekonometria, 3 rok Jerzy Mycielski Uwniwersytet Warszawski, Wydzia Nauk Ekonomicznych 2009 Jerzy Mycielski (Institute) Ekonometria, 3 rok 2009 1 / 15 Sprawy organizacyjne Dy zur: wtorek godz. 14-15 w sali
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 szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej szczegółowoRyzyko inwestycji nansowych
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ryzyko inwestycji nansowych (semestr zimowy 2010/11) 1 Koncepcje i rodzaje ryzyka 1.1 Dwie koncepcje ryzyka 1. Negatywna koncepcja
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoStatystyczna analiza danych z wykorzystaniem pakietów SPSS i Statistica Skrypt dla studentów 2012 rok
Statystyczna analiza danych z wykorzystaniem pakietów SPSS i Statistica Skrypt dla studentów 2012 rok Adam Kiersztyn Katedra Teorii Prawdopodobieństwa Wydzia Matematyczno - Przyrodniczy Katolicki Uniwersytet
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. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 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 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 szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoPRAWA ZACHOWANIA. Podstawowe terminy. Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc
PRAWA ZACHOWANIA Podstawowe terminy Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc a) si wewn trznych - si dzia aj cych na dane cia o ze strony innych
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoWSTEP ¾ DO ANALIZY MATEMATYCZNEJ
st ep do analizy matematycznej STEP DO ANALIZY MATEMATYCZNEJ Rachunek zdań, funkcja zdaniowa, kwanty katory Zad. Udowodnić nastepujace prawa rachunku zdań (tautologie): a) p _ (s q) b) p, s (s p) c) (
Bardziej szczegółowoJoanna Kisielińska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
1 DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Joanna Kisielińska Szkoła Główna
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
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 szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 18 czerwca Magdalena Alama-Bućko Statystyka 18 czerwca / 36
Statystyka Wykład 13 Magdalena Alama-Bućko 18 czerwca 2018 Magdalena Alama-Bućko Statystyka 18 czerwca 2018 1 / 36 Agregatowy (zespołowy) indeks wartości określonego zespołu produktów np. jak zmianiała
Bardziej szczegółowoX Y 4,0 3,3 8,0 6,8 12,0 11,0 16,0 15,2 20,0 18,9
Zadanie W celu sprawdzenia, czy pipeta jest obarczona błędem systematycznym stałym lub zmiennym wykonano szereg pomiarów przy różnych ustawieniach pipety. Wyznacz równanie regresji liniowej, które pozwoli
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 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 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 szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
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 szczegółowoWielowymiarowa analiza danych z wykorzystaniem pakietów SPSS i Statistica Skrypt dla studentów 2012 rok
Wielowymiarowa analiza danych z wykorzystaniem pakietów SPSS i Statistica Skrypt dla studentów 2012 rok Adam Kiersztyn Katedra Teorii Prawdopodobieństwa Wydzia Matematyczno - Przyrodniczy Katolicki Uniwersytet
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2015/2016
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 015/016 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoSTATYSTYKA OPISOWA. Dr Alina Gleska. 12 listopada Instytut Matematyki WE PP
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 12 listopada 2017 1 Analiza współzależności dwóch cech 2 Jednostka zbiorowości - para (X,Y ). Przy badaniu korelacji nie ma znaczenia, która
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1
E k o n o m e t r i a S t r o n a Liniowy model ekonometryczny Jednorównaniowy liniowy model ekonometryczny (model regresji wielorakiej) można zapisać w postaci: y = α + α x + α x +... + α x + ε, t =,,...,
Bardziej szczegółowoROZWIĄZANIA PRZYKŁADOWYCH ZADAŃ. KORELACJA zmiennych jakościowych (niemierzalnych)
ROZWIĄZANIA PRZYKŁADOWYCH ZADAŃ KORELACJA zmiennych jakościowych (niemierzalnych) Zadanie 1 Zapytano 180 osób (w tym 120 mężczyzn) o to czy rozpoczynają dzień od wypicia kawy czy też może preferują herbatę.
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 23 kwietnia Magdalena Alama-Bućko Statystyka 23 kwietnia / 38
Statystyka Wykład 8 Magdalena Alama-Bućko 23 kwietnia 2017 Magdalena Alama-Bućko Statystyka 23 kwietnia 2017 1 / 38 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoAnaliza Zmian w czasie
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Zmian w czasie Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
Bardziej szczegółowoWYŻSZA SZKOŁA MENEDŻERSKA W WARSZAWIE WYDZIAŁ ZARZĄDZANIA W CIECHANOWIE KARTA PRZEDMIOTU - SYLABUS
WYŻSZA SZKOŁA MENEDŻERSKA W WARSZAWIE WYDZIAŁ ZARZĄDZANIA W CIECHANOWIE KARTA PRZEDMIOTU - SYLABUS Nazwa przedmiotu: Statystyka opisowa Profil 1 : ogólnoakademicki Cel przedmiotu: Zapoznanie studentów
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoKARTA PRZEDMIOTU. w języku polskim Statystyka opisowa Nazwa przedmiotu USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW. dr Agnieszka Krzętowska
KARTA PRZEDMIOTU Kod przedmiotu E/O/SOP w języku polskim Statystyka opisowa Nazwa przedmiotu w języku angielskim Statistics USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW Kierunek studiów Forma studiów Poziom
Bardziej szczegółowoprzedmiotu Nazwa Pierwsza studia drugiego stopnia
Nazwa przedmiotu K A R T A P R Z E D M I O T U ( S Y L L A B U S ) O p i s p r z e d m i o t u Kod przedmiotu EKONOMETRIA UTH/I/O/MT/zmi/ /C 1/ST/2(m)/1Z/C1.1.5 Język wykładowy ECONOMETRICS JĘZYK POLSKI
Bardziej szczegółowoRozdzia 5. Uog lniona metoda najmniejszych kwadrat w : ::::::::::::: Podstawy uog lnionej metody najmniejszych kwadrat w :::::: Zastos
Spis tre ci PRZEDMOWA :::::::::::::::::::::::::::::::::::::::::::::::::::::::: 11 CZ I. Wprowadzenie do modelowania ekonometrycznego ::::::::::: 13 Rozdzia 1. Modelowanie ekonometryczne ::::::::::::::::::::::::::::::
Bardziej szczegółowona dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej
Warszawa, dnia 16.10.2015r. ZAPYTANIE OFERTOWE na dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej Do niniejszego postępowania nie mają zastosowania przepisy
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 szczegółowowprowadzenie do analizy szeregów czasowych
19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoOcena ryzyka kredytowego
Marcin Studniarski http://math.uni.lodz.pl/marstud/ marstud@math.uni.lodz.pl Ocena ryzyka kredytowego (semestr zimowy 2017/18) Uwaga Niniejszy materia nie stanowi ca ości wyk adu i nie wystarcza do przygotowania
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoĆwiczenia 13 WAHANIA SEZONOWE
Ćwiczenia 3 WAHANIA SEZONOWE Wyrównanie szeregu czasowego (wyodrębnienie czystego trendu) mechanicznie Zadanie. Badano spożycie owoców i przetworów (yt) (w kg) w latach według kwartałów: kwartał lata 009
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowo