Probabilistyczne prognozowanie hurtowych cen energii elektrycznej
|
|
- Mariusz Olejnik
- 7 lat temu
- Przeglądów:
Transkrypt
1 Probabilistyczne prognozowanie hurtowych cen energii elektrycznej Rafał Weron Katedra Badań Operacyjnych, Finansów i Zastosowań Informatyki Politechnika Wrocławska (PWr) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 1 / 3
2 Wstęp: Co i jak prognozujemy? Rynki energii elektrycznej w Europie Nord Pool (DK, EST, FIN, NOR, SWE) N2EX (UK) Belpex (BE) EPEX Spot (AT,CH, DE, FR) APX-ENDEX (NL) PolPX (PL) OTE (CZ) OKTE (SK) OPCOM (RO) OMIE (ES, PT) GME (IT) HUPX (HU) EXAA (AT) Borzen (SLO) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 2 / 3
3 Wstęp: Co i jak prognozujemy?... w Ameryce Północnej i Australii Rafał Weron (PWr) Prognozowanie cen energii , KSiE 3 / 3
4 Wstęp: Co i jak prognozujemy? GEFCom214: electricity price track Ceny i zapotrzebowanie na energię elektryczną Data cont. Sezonowość, powracanie do średniej i piki cenowe (spikes) Zonal price Jan 1, 211 Jan 1, 212 Jan 1, 213 Jul 4, 213 Dec 17, 213 x System load Zonal load 3 Forecasted Load Jan 1, 211 Jan 1, 212 Jan 1, 213 Jul 4, 213 Dec 17, 213 K. Maciejowska, J. Nowotarski Price forecasting: a hybrid model London, / 31 Dane: Global Energy Forecasting Competition (GEFCom214) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 4 / 3
5 Wstęp: Co i jak prognozujemy? GEFCom214: electricity price track Ceny Data acont.: zapotrzebowanie price vs load Nieliniowa zależność inna w lecie, inna w zimie K. Maciejowska, J. Nowotarski Price forecasting: a hybrid model London, / 31 Rafał Weron (PWr) Prognozowanie cen energii , KSiE 5 / 3
6 Wstęp: Co i jak prognozujemy? Podaż i formowanie się cen Rafał Weron (PWr) Prognozowanie cen energii , KSiE 6 / 3
7 Wstęp: Co i jak prognozujemy? Cena spotowa Day d 2 Day d 1 Day d Bidding for day d 1 Bidding for day d 24 hours (48 half-hours) of day d 1 24 hours (48 half-hours) of day d Rafał Weron (PWr) Prognozowanie cen energii , KSiE 7 / 3
8 Wstęp: Co i jak prognozujemy? Ceny dla różnych okresów w ciągu doby Skorelowane ale podlegające innej dynamice Load period 6 (2:3 3:) Load period 36 (17:3 18:) Log price Nov Mar Aug Jan 213 Time Rafał Weron (PWr) Prognozowanie cen energii , KSiE 8 / 3
9 Wstęp: Co i jak prognozujemy? Towar... wyjątkowy Brak możliwości magazynowania (na masową skalę) Długotrwałe procedury wyłączania/włączania dla niektórych technologii Ekstremalne zmiany cen piki cenowe Dopuszczalne ujemne ceny Wysoka zmienność Wyraźne cykle dobowe i tygodniowe, sezonowość roczna Powracanie do średniej Rafał Weron (PWr) Prognozowanie cen energii , KSiE 9 / 3
10 Wstęp: Co i jak prognozujemy? Horyzonty prognoz Krótkoterminowe (short-term) Od kilku minut do kilku dni w przyszłość O fundamentalnym znaczeniu dla bieżących operacji handlowych Średnioterminowe (medium-term) Od kilku dni do kilku miesięcy w przyszłość Zarządzanie ryzykiem, wycena instrumentów pochodnych Napływ rozwiązań finansowych Długoterminowe (long-term) Horyzonty mierzone w miesiącach, kwartałach a nawet latach Planowanie i wycena inwestycji Rafał Weron (PWr) Prognozowanie cen energii , KSiE 1 / 3
11 Wstęp: Co i jak prognozujemy? Taksonomia modeli cen energii elektrycznej (Weron, 214, Int. J. Forecasting) Electricity price forecasting (EPF) and modeling approaches Multi-agent Fundamental Reduced-form Statistical Computational intelligence Nash- Cournot framework Parameter rich fundamental Jumpdiffusions Similar-day, exponential smoothing Feed-forward neural networks Supply function equilibrium Parsimonious structural Markov regimeswitching Regression models Recurrent neural networks Strategic productioncost AR, ARX-type Fuzzy neural networks Agent-based Threshold AR Support vector machines GARCH-type Hybrid models Rafał Weron (PWr) Prognozowanie cen energii , KSiE 11 / 3
12 Wstęp: Co i jak prognozujemy? Spojrzenie w przyszłość prognozowania cen (Weron, 214, Int.J.Forecasting) 1 Modelowanie i prognozowanie komponenty sezonowej 2 Więcej niż prognozy punktowe prognozy probabilistyczne 3 Uśrednianie prognoz Prognozy punktowe Prognozy probabilistyczne 4 Wielowymiarowe modele faktorowe 5 Zalecenia co do oceny jakości prognoz Rafał Weron (PWr) Prognozowanie cen energii , KSiE 12 / 3
13 Więcej niż prognozy punktowe Artykuły przeglądowe i zawody w prognozowaniu Rafał Weron (PWr) Prognozowanie cen energii , KSiE 13 / 3
14 Więcej niż prognozy punktowe Uśrednianie prognoz przedziałowych Dla prognoz punktowych: f c = m i=1 w i f i (np. model regresji liniowej) Dla prognoz przedziałowych ten wzór nie działa Liniowa kombinacja kwantyli rzędu q nie jest kwantylem rzędu q liniowej kombinacji zmiennych losowych m kc q w i k q i i=1 Potrzeba opracowania nowych metod Rafał Weron (PWr) Prognozowanie cen energii , KSiE 14 / 3
15 Individual point forecasts Quantile Regression Averaging (QRA) Quantile Regression Averaging (Nowotarski & Weron, 215, Computational Statistics) y 1,t y 2,t Quantile regression: min βq t q 1 yt<xtβq y t X t β q y t L, y t U y m,t X t = 1, y 1,t,, y m,t β q - vector of parameters Combined interval forecast (e.g. for q=.5 &.95) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 15 / 3
16 Quantile Regression Averaging (QRA) Jak wygląda funkcja oceny? Dla wektora X t = [1, ŷ 1,t,..., ŷ m,t ] prognoz punktowych, tj. zmiennych objaśniających, wagi β q są estymowane minimalizując: min β q {t:y t X t β q } q y t X t β q + {t:y t<x t β q } (1 q) y t X t β q q=5% q=25% q=5% Rafał Weron (PWr) Prognozowanie cen energii , KSiE 16 / 3
17 Quantile Regression Averaging (QRA) Regresja kwantylowa 3 25 Linear regression Quantile regression, q=.95, q= Y 1 5 Interval forecast X Rafał Weron (PWr) Prognozowanie cen energii , KSiE 17 / 3
18 Quantile Regression Averaging (QRA) Przykład I: Uśrednianie prognoz modeli indywidualnych Sześć modeli indywidualnych zwracających prognozy punktowe: Autoregression (AR) Threshold AR (TAR) Semi-parametric AR (SNAR) Mean-reverting jump diffusion (MRJD) Non-linear AR neural network (NAR) Factor model (FM) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 18 / 3
19 Quantile Regression Averaging (QRA) Dane z giełdy Nordpool 15 NP Price [EUR/MWh] Forecast (weeks 1 26) Aug 8, 212 Jul 3, 213 Dec 31, 213 Hours [Aug 8, 212 Dec 31, 213] Siedem miesięcy na kalibrację modeli indywidualnych Cztery tygodnie na kalibrację regresji kwantylowej 26 tygodni na ocenę jakości prognoz przedziałowych Rafał Weron (PWr) Prognozowanie cen energii , KSiE 19 / 3
20 Quantile Regression Averaging (QRA) Ocena jakości prognoz 5% i 9% dwustronne prognozy przedziałowe (dzień-przed) Dwa benchmarki: AR i SNAR Test Christoffersena (1998) na bezwarunkowe (unconditional) i warunkowe pokrycie (conditional coverage) 1 y t [ŷt L, ŷt U ] Analizujemy sekwencję trafień : I t = y t [ŷt L, ŷt U ] Warunkowe pokrycie (CC) Bezwarunkowe pokrycie (UC) (UC + niezależność) Asymptotycznie χ 2 (2) Asymptotycznie χ 2 (1) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 2 / 3
21 Quantile Regression Averaging (QRA) Wyniki: Pokrycie bezwarunkowe Przedział AR SNAR QRA Pokrycie bezwarunkowe 5% % Średnia szerokość (odch.st. szerokości przedziału) 5% 4.55 (1.34) 2.76 (.61) 2.23 (.81) 9% (3.31) 9.33 (2.45) 6.78 (2.2) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 21 / 3
22 Quantile Regression Averaging (QRA) Wyniki: Test Christoffersena 2 Conditional coverage LR 2 Unconditional coverage LR AR SNAR QRA Hour 5% PI 9% PI Rafał Weron (PWr) Prognozowanie cen energii , KSiE 22 / 3
23 Quantile Regression Averaging (QRA) GEFCom214 Price Track: 1-sze i 2-gie miejsce dla QRA! Rafał Weron (PWr) Prognozowanie cen energii , KSiE 23 / 3
24 Individual point forecasts Factor Quantile Regression Averaging (FQRA) Rozszerzenie: Duża liczba modeli prognostycznych (Maciejowska, Nowotarski & Weron, 216, Int.J.Forecasting) y 1,t y 2,t PCA f 1,t Quantile regression: y t L, y t U X t = 1, f 1,t,, f k,t y m,t f k,t k <m factors extracted from a panel of point forecasts Combined interval forecast (e.g. for q=.5 &.95) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 24 / 3
25 Factor Quantile Regression Averaging (FQRA) Przykład II (Maciejowska, Nowotarski & Weron, 216, Int.J.Forecasting) 35 APX Price [GBP/MWh] Start of calibration period (individual models) Start of QR calibration period Start of PI validation Jul 1, 21 Jul Jan 1, 212 Dec 31, 212 Hours [Jul 1, 21 Dec 31, 212] 32 modele indywidualne Rok na kalibrację modeli indywidualnych Pół roku na kalibrację regresji kwantylowej Rok na ocenę jakości prognoz przedziałowych Rafał Weron (PWr) Prognozowanie cen energii , KSiE 25 / 3
26 Factor Quantile Regression Averaging (FQRA) Ocena jakości prognoz 5% i 9% dwustronne prognozy przedziałowe (dzień-przed) Trzy metody: QRA, FQRA i ARX (benchmark) Test Christoffersena (1998) na bezwarunkowe i warunkowe pokrycie Funkcja oceny Winklera (Winkler score) dla symetrycznego przedziału prognozy (1 α) 1%: δ t dla y t [ŷt L, ŷt U ], W t = δ t + 2 (ŷ α t L y t ) dla y t < ŷt L, δ t + 2 (y α t ŷt U ) dla y t > ŷt U, gdzie δ t = ŷ U t ŷ L t jest szerokością przedziału Rafał Weron (PWr) Prognozowanie cen energii , KSiE 26 / 3
27 Factor Quantile Regression Averaging (FQRA) Wyniki: Test Christoffersena 2 ARX 2 QRA 2 FQRA CC UC Load period (h) Load period (h) Load period (h) 5% PI 9% PI Rafał Weron (PWr) Prognozowanie cen energii , KSiE 27 / 3
28 Factor Quantile Regression Averaging (FQRA) Wyniki: Funkcja oceny Winklera Relative Winkler score, 5% PI 25% 2% 15% 1% 5% % 5% 1 W h QRA /W h ARX 1 W h FQRA /W h ARX Relative Winkler score, 9% PI 25% 2% 15% 1% 5% % 5% Load period (h) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 28 / 3
29 Podsumowanie Nowy trend to prognozowanie probabilistyczne Uśrednianie prognoz przedziałowych (bądź gęstości rozkładu) jest trudniejsze niż prognoz punktowych QRA jest prostym sposobem na wykorzystanie opracowywanych przez lata metod prognozowania punktowego QRA prawdopodobnie można z powodzeniem zastosować w ocenie ryzyka (analizie Value-at-Risk) Ocena jakości prognoz jest kwestią fundamentalną Rafał Weron (PWr) Prognozowanie cen energii , KSiE 29 / 3
30 Ocena jakości prognoz probabilistycznych Dla prognoz przedziałowych Funkcja pinball, jak w GEFCom214 Funkcja oceny Winklera, zob. Maciejowska et al. (215) Dla prognoz gęstości rozkładu Continuous Ranked Probability Score (Gneiting i Raftery, 27) Testy statystyczne Test pokrycia warunkowego Christoffersena (1998); zob. też Berkowitz et al. (211) Podejście Berkowitza (21) do oceny prognoz gęstości rozkładu ( VaR backtesting) Rafał Weron (PWr) Prognozowanie cen energii , KSiE 3 / 3
Uśrednianie prognoz jako sposób na zmniejszenie ryzyka związanego z podejmowaniem decyzji w przedsiębiorstwie energetycznym
Uśrednianie prognoz jako sposób na zmniejszenie ryzyka związanego z podejmowaniem decyzji w przedsiębiorstwie energetycznym Jakub Nowotarski Promotor: prof. dr hab. Rafał Weron Promotor pomocniczy: dr
Bardziej szczegółowoCzynniki mające wpływ na kształtowanie się cen energii na rynku w Polsce
Czynniki mające wpływ na kształtowanie się cen energii na rynku w Polsce Robert Zajdler Marcin Gałczyński Warszawa, dnia września 25 r. Polski rynek energii elektrycznej jest obecnie dużym systemem stale
Bardziej szczegółowoPraca dyplomowa - magisterska
Wydział Matematyki kierunek studiów: Matematyka specjalność: Matematyka Finansowa i Ubezpieczeniowa Praca dyplomowa - magisterska Krótkoterminowe prognozowanie cen energii elektrycznej z wykorzystaniem
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 szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowoKlastry a międzynarodowa konkurencyjność sektorów rolno-żywnościowych w UE. Szczepan Figiel, Justyna Kufel, Dominika Kuberska
Klastry a międzynarodowa konkurencyjność sektorów rolno-żywnościowych w UE Szczepan Figiel, Justyna Kufel, Dominika Kuberska Warszawa, 14 grudzień 2012 Główne zagadnienia Uzasadnienie podjęcia problemu
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
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 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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej 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 szczegółowoTGE na rynku europejskim At the heart of Central European power and gas trading
TGE na rynku europejskim At the heart of Central European power and gas trading Warszawa, 22 kwietnia 2016 r. Rynek energii - projekty europejskie 2 lipca 2015 r. TGE została pełnoprawnym członkiem europejskiego
Bardziej szczegółowoSystem prognozowania rynków energii
System prognozowania rynków energii STERMEDIA Sp. z o. o. Software Development Grupa IT Kontrakt ul. Ostrowskiego13 Wrocław Poland tel.: 0 71 723 43 22 fax: 0 71 733 64 66 http://www.stermedia.eu Piotr
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoSytuacja gospodarcza w PL i EA. Tomasz Gibas, Komisja Europejska Wrocław, 25 kwietnia 2019 r.
Sytuacja gospodarcza w PL i EA Tomasz Gibas, Komisja Europejska Wrocław, 25 kwietnia 2019 r. PLAN WYSTĄPIENIA 1. Semestr europejski 2. Sytuacja gospodarcza w UE i strefie euro 3. Wyzwania strukturalne
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoKatedra Demografii i Statystki Ekonomicznej
Katedra Demografii i Statystki Ekonomicznej Wydział Informatyki i Komunikacji http://www.ue.katowice.pl/jednostki/katedry/katedry-wiik/ Skład osobowy Katedry Pracownicy: prof. zw. dr hab. Grażyna Trzpiot
Bardziej szczegółowoWpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption
Wpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption Wojciech Zalewski Politechnika Białostocka, Wydział Zarządzania,
Bardziej szczegółowoSystemy Wspomagania Decyzji
Regresja Szkoła Główna Służby Pożarniczej Zakład Informatyki i Łączności January 24, 2014 1 Wprowadzenie 2 Regresja liniowa 3 Regresja nieliniowa 4 Regresja logistyczna 5 Estymacja parametrów 6 Podsumowanie
Bardziej szczegółowoStanisław Jędrusik, Andrzej Paliński, Wojciech Chmiel, Piotr Kadłuczka Testowanie wsteczne modeli wartości narażonej na stratę
Stanisław Jędrusik, Andrzej Paliński, Wojciech Chmiel, Piotr Kadłuczka Testowanie wsteczne modeli wartości narażonej na stratę Managerial Economics 1, 175-182 2007 Ekonomia Menedżerska 2007, nr 1, s. 175
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 szczegółowoARMAX (ANN) : :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E27 C53 C45 :JEL
47-70 39 7 ARMAX (ANN) 39 9 : 39 :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E7 C53 C45 :JEL navid_moarrefzadeh@yahoo.com 7 48....... (ANN). ARMAX..... 90. (994)... Kuan & White Yousefi (994) 49... (993) (995).
Bardziej szczegółowoPROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM
"DIALOG 0047/2016" PROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM WYDZIAŁ ELEKT RYCZ N Y Prof. dr hab. inż. Tomasz Popławski Moc zamówiona 600 Rynek bilansujący Moc faktycznie pobrana Energia zakupiona
Bardziej szczegółowoRozwój współpracy międzyoperatorskiej w zakresie zarządzania połączonym systemem w Europie Środkowej
Rozwój współpracy międzyoperatorskiej w zakresie zarządzania połączonym systemem w Europie Środkowej Robert Paprocki PSE Operator S.A. / ENTSO-E VI Konferencja POWER RING Warszawa, 20 grudnia 2010 Electricity
Bardziej szczegółowoKRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież
KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl Plan prezentacji Wprowadzenie Ceny
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoDelegacje otrzymują w załączeniu dokument COM(2017) 112 final - ANNEXES 1-9.
Rada Unii Europejskiej Bruksela, 7 marca 2017 r. (OR. en) 7057/17 ADD 1 TRANS 97 PISMO PRZEWODNIE Od: Do: Sekretarz Generalny Komisji Europejskiej, podpisał dyrektor Jordi AYET PUIGARNAU Jeppe TRANHOLM-MIKKELSEN,
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 szczegółowoinwestycji w energetyce?
Dlaczego LCOE nie jest dobra miarą rentowności inwestycji w energetyce? Wydział Matematyki Stosowanej Akademia Górniczo-Hutnicza 1 lutego 2017 Seminarium Opcje rzeczowe - problemy naukowe i praktyczne
Bardziej szczegółowoRAPORT CENY CUKRU. 1. Ceny cukru w Polsce
KRAJOWY ZWIĄZEK PLANTATORÓW BURAKA CUKROWEGO 00-336 WARSZAWA, ul. Kopernika 34, tel. 22 826 41 04, fax. 22 827 74 21 NIP: 525-15-75-350 kzpbc@kzpbc.com.pl www.kzpbc.com.pl Warszawa, 30 listopada r. RAPORT
Bardziej szczegółowoGlobalizacja ryzyka cenowego na przykładzie rynku zbóż
Globalizacja ryzyka cenowego na przykładzie rynku zbóż Mariusz Hamulczuk IERiGŻ-PIB Warszawa "Ryzyko w gospodarce żywnościowej teoria i praktyka" Jachranka, 23-25 listopada 2016 Uzasadnienie Procesy globalizacji
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 szczegółowoZastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH
Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego Łukasz Kończyk WMS AGH Plan prezentacji Model regresji liniowej Uogólniony model liniowy (GLM) Ryzyko ubezpieczeniowe Przykład
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowoKeep on Track! - nasze działania dla monitorowania realizacji celów wspólnotowych w różnych krajach
Keep on Track! - nasze działania dla monitorowania realizacji celów wspólnotowych w różnych krajach Anna Pobłocka-Dirakis eclareon Consulting Warszawa, 24 Wrzesień 2014 Strategy Consulting Policy Consulting
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoRAPORT CENY CUKRU. 1. Ceny cukru w Polsce
KRAJOWY ZWIĄZEK PLANTATORÓW BURAKA CUKROWEGO 00-336 WARSZAWA, ul. Kopernika 34, tel. 22 826 41 04, fax. 22 827 74 21 NIP: 525-15-75-350 kzpbc@kzpbc.com.pl www.kzpbc.com.pl Warszawa, 31 lipca r. RAPORT
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 szczegółowoKATALOG KURSÓW PRZEDMIOTY KSZTACŁENIA PODSTAWOWEGO I OGÓLNEGO
1 KATALOG KURSÓW PRZEDMIOTY KSZTACŁENIA PODSTAWOWEGO I OGÓLNEGO ROK AKADEMICKI 2018/2019 2 Politechnika Wrocławska Katalog kursów przedmiotów kształcenia podstawowego i ogólnego Oferta Ogólnouczelniana
Bardziej szczegółowoMetody monitorowania poprawy efektywności energetycznej w organizacji; monitorowanie, modelowanie i prognozowanie. Marcin Trojnacki 2015-03-10 Kraków
Metody monitorowania poprawy efektywności energetycznej w organizacji; monitorowanie, modelowanie i prognozowanie. Marcin Trojnacki 2015-03-10 Kraków O EnMS Polska EnMS Polska - oficjalny partner Axpo
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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoModelowanie i prognozowanie zapotrzebowania oraz cen energii elektrycznej w warunkach rynkowych
Modelowanie i prognozowanie zapotrzebowania oraz cen energii elektrycznej w warunkach rynkowych Rafał Weron Centrum im. H.Steinhausa Politechnika Wrocławska Wprowadzenie Jakie jest pytanie? Jaka jest dynamika
Bardziej szczegółowoSTATUS SPOŁECZNO-EKONOMICZNY KOBIET A ZACHOWANIA PROKREACYJNE
Nowe wzorce formowania rodziny w Polsce Konferencja FAMWELL 18.06.2013 STATUS SPOŁECZNO-EKONOMICZNY KOBIET A ZACHOWANIA PROKREACYJNE ANNA MATYSIAK Instytut Statystyki i Demografii Szkoła Główna Handlowa
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium 30
Zał. nr 4 do ZW WYDZIAŁ CHEMICZNY KARTA PRZEDMIOTU Nazwa w języku polskim Wstęp do statystyki praktycznej Nazwa w języku angielskim Intriduction to the Practice of Statistics Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH. Mariusz Hamulczuk SGGW
ZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH Mariusz Hamulczuk SGGW 2 Wstęp Rola cen w gospodarce rynkowej, Funkcja celu uczestników rynku rolnego, Zmiany ceny jako źródło ekspozycji na ryzyko dochodowe (zmienność
Bardziej szczegółowoPolski wzrost - szanse i zagrożenia. Maciej Reluga Gdynia, 31 maja 2017
Polski wzrost - szanse i zagrożenia Maciej Reluga Gdynia, 31 maja 217 Gwinea Równikowa Chiny Wietnam Surinam Laos Nikaragua Malediwy Sri Lanka Nigeria Turkmenistan Liban Gujana Polska Słowacja 897 791
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoObciążenia samozatrudnionych w Polsce na tle wybranych państw UE. Adam Adamczyk
Obciążenia samozatrudnionych w Polsce na tle wybranych państw UE Adam Adamczyk EUROMOD Prezentowane wyniki zostały uzyskane z wykorzystaniem modelu EUROMOD w wersji H1.0 +. EUROMOD jest utrzymywany, rozwijany
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoPROGNOZOWANIE CEN ENERGII NA RYNKU SPOT GIEŁDY NORD POOL I TGE
PROGNOZOWANIE CEN ENERGII NA RYNKU SPOT GIEŁDY NORD POOL I TGE Autorzy: Tomasz Popławski, Monika Weżgowiec ( Rynek Energii luty 217 r.) Słowa kluczowe: prognozowanie, cena energii, giełda energii, rynek
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoIntegracja polskiego rynku energii z rynkiem europejskim aktualny stan realizacji regionalnych projektów w zakresie RDN (i RDB)
Integracja polskiego rynku energii z rynkiem europejskim aktualny stan realizacji regionalnych projektów w zakresie RDN (i RDB) Jacek Brandt Dyrektor ds. Współpracy Międzynarodowej i Regulacji VIII FORUM
Bardziej szczegółowoPerspektywy rozwoju rynku consumer finance w Polsce w warunkach zawirowań na rynkach finansowych. Instytut Badań nad Gospodarką Rynkową
Perspektywy rozwoju rynku consumer finance w Polsce w warunkach zawirowań na rynkach finansowych dr Błażej Lepczyński Marta Penczar dr Błażej Lepczyński, Marta Penczar Instytut Badań nad Gospodarką Rynkową
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoMaszyny wektorów podpierajacych w regresji rangowej
Maszyny wektorów podpierajacych w regresji rangowej Uniwersytet Mikołaja Kopernika Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie X X R d, Y R Z = (X, Y ), Z = (X, Y ) - niezależne
Bardziej szczegółowoRAPORT CENY CUKRU. 1. Ceny cukru w Polsce
KRAJOWY ZWĄZEK PLANTATORÓW BURAKA CUKROWEGO 00-336 WARSZAWA, ul. Kopernika 34, tel. 22 826 41 04, fax. 22 827 74 21 NP: 525-15-75-350 kzpbc@kzpbc.com.pl www.kzpbc.com.pl Warszawa, 12 lipca r. RAPORT CENY
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 szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoRynek telekomunikacyjny Warszawa, 28 października 2011r.
Rynek telekomunikacyjny 2010 Warszawa, 28 października 2011r. Agenda Ogólna charakterystyka rynku Telefonia stacjonarna Telefonia ruchoma Dostęp do Internetu Ogólna charakterystyka rynku Wartość rynku
Bardziej szczegółowoCzy opcje walutowe mogą być toksyczne?
Katedra Matematyki Finansowej Wydział Matematyki Stosowanej AGH 11 maja 2012 Kurs walutowy Kurs walutowy cena danej waluty wyrażona w innej walucie np. 1 USD = 3,21 PLN; USD/PLN = 3,21 Rodzaje kursów walutowych:
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 2 1 / 20 MIARY ROZPROSZENIA, Wariancja Wariancją z próby losowej X
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoBudowa portfela inwestycyjnego za pomocą siły relatywnej i elementy pairs trading
Budowa portfela inwestycyjnego za pomocą siły relatywnej i elementy pairs trading Krzysztof Borowski KBC Securities Krzysztof Borowski - Analiza techniczna 1 AT / AF Metody analizy na giełdzie: Analiza
Bardziej szczegółowoOgólnoeuropejskie badanie opinii publicznej na temat zdrowia i bezpieczeństwa w pracy
Ogólnoeuropejskie badanie opinii publicznej na temat zdrowia i bezpieczeństwa w pracy Reprezentatywne wyniki z 2 państw członkowskich Unii Europejskiej Pakiet obejmujący wyniki dla 2 państw UE i dla Polski
Bardziej szczegółowoRafał Weron. Institute of Organization and Management Wrocław University of Technology
Rafał Weron We współpracy z Joanną Janczurą, Kubą Nowotarskim, Kubą Tomczykiem (Wrocław), Stefanem Trückem (Sydney) oraz Rodney em Wolffem (Brisbane) Institute of Organization and Management Wrocław University
Bardziej szczegółowoKOBIETY W ZARZĄDACH I RADACH NADZORCZYCH. Partnerstwo w biznesie. Iwona Kozera Fundacja Liderek Biznesu, Fundator
KOBIETY W ZARZĄDACH I RADACH NADZORCZYCH. Partnerstwo w biznesie Iwona Kozera Fundacja Liderek Biznesu, Fundator Kontekst Badania wskazują, iż przedsiębiorstwa posiadające zróżnicowany skład najwyższych
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoImplementacja Agendy Cyfrowej 2020 w Polsce
Implementacja Agendy Cyfrowej 2020 w Polsce Czy Internet mobilny będzie substytutem stacjonarnego dostępu? Konferencja PIIT 28 października 2011 roku 2011, PIIT 1 PRAGNIENIA 2011, PIIT 2 Internet dobrem
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoInstytut Statystyki i Demografii Szkoła Główna Handlowa. Irena E.Kotowska. Czy Polska doświadcza kryzysu demograficznego?
Instytut Statystyki i Demografii Szkoła Główna Handlowa Irena E.Kotowska Czy Polska doświadcza kryzysu demograficznego? Ekonomia w Muzeum Warszawa, 2.04.2012 Przemiany struktur wieku ludności w Polsce
Bardziej szczegółowoWłasności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
Bardziej szczegółowoESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA
ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności
Bardziej szczegółowoWYKŁAD 2. Problem regresji - modele liniowe
Wrocław University of Technology WYKŁAD 2 Problem regresji - modele liniowe Maciej Zięba Politechnika Wrocławska Regresja Regresja (ang. Regression): Dysponujemy obserwacjami z odpowiadającymi im wartościami
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 szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowoUrząd Komunikacji Elektronicznej Departament Analiz Rynku Telekomunikacyjnego. Warszawa, kwiecień 2008 r. 1/16
Analiza penetracji rynku telefonii ruchomej w Polsce na tle pozostałych krajów Europy. Warszawa, kwiecień 2008 r. 1/16 Spis treści 1. Cel, zakres analizy...3 2. Polska w latach 1997-2007...4 2.1. Metoda
Bardziej szczegółowoKonstrukcja miernika szans na bankructwo firmy
Natalia Nehrebecka / Departament Statystyki Konstrukcja miernika szans na bankructwo firmy Statystyka Wiedza Rozwój, 17-18 października 2013 r. w Łodzi Konstrukcja miernika szans na bankructwo firmy 2
Bardziej szczegółowoOrganizacja i monitorowanie procesów magazynowych / Stanisław
Organizacja i monitorowanie procesów magazynowych / Stanisław KrzyŜaniak [et al.]. Poznań, 2013 Spis treści Przedmowa 11 1.1. Magazyn i magazynowanie 13 1.1.1. Magazyn i magazynowanie - podstawowe wiadomości
Bardziej szczegółowoMŚP w 7. Programie Ramowym UE. Badania na Rzecz Małych i Średnich Przedsiębiorstw specjalny program dedykowany MŚP
MŚP w 7. Programie Ramowym UE Badania na Rzecz Małych i Średnich Przedsiębiorstw specjalny program dedykowany MŚP Capacities Możliwości Działania podejmowane w programie Capacities mają na celu pomoc w
Bardziej szczegółowoSpołeczeństwo informacyjne w Unii Europejskiej
Notatka informacyjna Kwiecień 2008; http://www.stat.gov.pl, e mail: obslugaprasowa@stat.gov.pl Społeczeństwo informacyjne w Unii Europejskiej Badania gospodarstw domowych i przedsiębiorstw Główny Urząd
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
Bardziej szczegółowoSymulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty. Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu
Symulacyjne metody analizy ryzyka inwestycyjnego wybrane aspekty Grzegorz Szwałek Katedra Matematyki Stosowanej Uniwersytet Ekonomiczny w Poznaniu Plan prezentacji 1. Opis metody wyceny opcji rzeczywistej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoModelowanie Rynków Finansowych
Modelowanie Rynków Finansowych Modelowanie zmienności, modele GARCH Zajęcia 6 Katarzyna Lada, Paweł Sakowski, Paweł Strawiński 23 marca, 2009 Literatura na dziś Engle (2001), The Use of ARCH/GARCH Models
Bardziej szczegółowoSOLVIT JAKO SYSTEM ROZWIĄZYWANIA PROBLEMÓW RYNKU WEWNĘTRZNEGO
SOLVIT JAKO SYSTEM ROZWIĄZYWANIA PROBLEMÓW RYNKU WEWNĘTRZNEGO Seminarium z cyklu Europejskie Przedsiębiorstwo Zwalczanie opóźnień w płatnościach handlowych 26 czerwca 2013 roku PREZENTACJA Title of the
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowo