Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
|
|
- Lidia Janiszewska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II Sudia dzienne 2008/2009 1/7
2 1. Treść zadania: Dany jes 12-elemenowy szereg czasowy. Zbudować prognozy punkowe i przedziałowe, przy założeniu, że p = 0,95 dla T=13 oraz T=14. Nasępnie ocenić dopuszczalność zbudowanych prognoz punkowych, jeżeli wiadomo, że ɳ * = 4%. Szereg czasowy: y Kolejność wykonywanych kroków: 1. Wyznaczenie badanych modeli. 2. Znalezienie funkcji dla danych modeli. 3. Znalezienie prognozowanych warości punkowych dla wybranych modeli. 4. Obliczenie warość błędów względnych i bezwzględnych dla wybranych modeli. 5. Znalezienie prognoz przedziałowych dla wybranych modeli. 6. Ocena poprawności prognoz na podsawie orzymanych wyników. Wybór opymalnego modelu. 3. Wyznaczenie badanych modeli: Modele, kóre będą badane w ćwiczeniu, ograniczyliśmy do rzech: 1. Model liniowy. 2. Model poęgowy. 3. Model wielomianowy 2. sopnia. 4. Znalezienie funkcji dla danych modeli. Funkcje, po wprowadzeniu danych znaleźliśmy z pomocą narzędzia Microsof Excel. Dla każdej funkcji zosał eż wyznaczony współczynnik deerminacji R 2. Wyznaczony współczynnik deerminacji jes zmienną z przedziału [0, 1], kóra informuje o ym, w jakim sopniu model jes dopasowany. Dopasowanie jes ym większe, im warość ego współczynnika jes bliższa do 1. Wyznaczany jes z wzoru: y R 2 = y 2, y y 2 y rzeczywisa warość y w momencie y warość prognozowana zmiennej y w momencie y średnia arymeyczna warości 2/7
3 1. Funkcja dla modelu liniowego: 250,000 y = 6, ,41 R 2 = 0,9847 Model Liniowy 150,000 f(x) = 6,6965x + 120,4100 y() 100,000 Model liniowy Regresja liniowa dla Model liniowy 50,000 0, Funkcja dla modelu poęgowego: y = 119,2 0,1852 R 2 = 8868 Model poęgowy y() 180, , , , ,000 80,000 60,000 40,000 20,000 Model poęgowy 0, Funkcja dla modelu wielomianowego sopnia 2: 3/7
4 y = 0, , ,87 R 2 = 0, ,000 Model wielomianowy s ,000 y() 100,000 Model wielomianowy 50,000 0,000 Warości wyliczone funkcją REGLINP: 4. Znalezienie prognozowanych warości punkowych dla wybranych 4/7
5 modeli: Prognozy punkowe zosały oznaczone żółym kolorem: Dane Model liniowy Model poęgowy Model wielomianowy 1 128,6 127, , , , , , ,8 140, , , ,5 147, , , ,3 153, , , ,1 160, , , , , , , , , ,3 180, , , , , , ,6 194, , , , , , , , , , , , Obliczenie warość błędów względnych i bezwzględnych dla wybranych modeli: Błędy wyliczono z nasępujących wzorów: Błąd bezwzględny: T 2 ϑ T = i 2 1 n 1 T - okres, dla kórego liczymy błąd - średnia z danych rzeczywisych s - sandardowy błąd oceny modelu Błąd względny: 0,5 s η = ϑ y y - warość prognozowana dla okresu 6. Znalezienie prognoz przedziałowych dla wybranych modeli: 5/7
6 Model liniowy Model poęgowy Model wielomianowy Błędy bezwzględne: 13 3, ,0859 3, , ,4378 3,2356 Błędy względne: 13 1,7878 5,2618 1, ,7923 5,3712 1,4662 Prognozy przedziałowe wyznaczamy ze wzoru: p=p { y u ϑ T y T y u ϑ T } y - warość prognozy dla okresu u - współczynnik związany z wiarygodnością prognozy Naomias współczynnik u uzyskujemy z wykorzysaniem funkcji programy Microsof Excel Rozkład.T.odw. u = ROZKŁAD.T.ODW( 1 p; L) p prawdopodobieńswo podane w reści zadania L liczba sopni swobody 1. Model liniowy: 2. Model poęgowy: 3. Model wielomianowy: p=p {199,2003 y ,7287} p=p {205,6084 y ,7136 } p=p {169,2081 y ,1535} p=p {171,0728 y ,5865} p=p {204,9583 y ,8907} p=p {213,4711 y ,8897} 7. Ocena poprawności prognoz na podsawie orzymanych wyników. 6/7
7 Wybór opymalnego modelu. Porównanie modeli y() 210, , , , , , , , ,000 Dane Model liniow y Model poęgow y Model w ielomianow y 110,000 Z wykresu, jak i warunków zadania, kóre mówią, iż błąd bezwzględny musi być mniejszy niż 4%, od razu można zdyskwalifikować model poęgowy, gdyż jes zby mało dokładny, a końcowe punky na linii rendu mają zwiększające się odchylenie od danych rzeczywisych. Także współczynnik deerminacji dla ego modelu jes najbardziej oddalony od warości opymalnej. Pozosałe 2 modele, j. model liniowy i model wielomianowy sopnia drugiego, są wynikami zbliżone do siebie. Ich współczynniki deerminacji niewiele się od siebie różnią. Dla modelu wielomianowego orzymaliśmy najlepsze wyniki, jeżeli wziąć pod uwagę błędy. Wydaje się on więc najbardziej opymalnym modelem dla danego szeregu czasowego. Jednak przy ak małych różnicach w wymienionych współczynnikach, lepszym wyborem jes model liniowy, gdyż jes prosszy w zasosowaniu. Mieści się również w założonym w zadaniu błędzie bezwzględnym. 8. Wnioski: Po zaznajomieniu się z rzema modelami można powiedzieć, że model liniowy jes najbardziej rafny dla ego zadania. Daje on bardzo prawdopodobną prognozę przy zachowaniu prosoy i zadowalającym współczynniku deerminacji oraz małym błędzie. Dlaego można go uznać za opymalny model dla rozwiązywanego zadania. 7/7
PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej 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 szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
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 szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
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 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 szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowoWYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
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 szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
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 szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoRuch płaski. Bryła w ruchu płaskim. (płaszczyzna kierująca) Punkty bryły o jednakowych prędkościach i przyspieszeniach. Prof.
Ruch płaski Ruchem płaskim nazywamy ruch, podczas kórego wszyskie punky ciała poruszają się w płaszczyznach równoległych do pewnej nieruchomej płaszczyzny, zwanej płaszczyzną kierującą. Punky bryły o jednakowych
Bardziej szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoAnaliza popytu. Ekonometria. Metody i analiza problemów ekonomicznych. (pod red. Krzysztofa Jajugi), Wydawnictwo AE Wrocław, 1999.
Analiza popyu Eonomeria. Meody i analiza problemów eonomicznych (pod red. Krzyszofa Jajugi) Wydawnicwo AE Wrocław 1999. Popy P = f ( X X... X ε ) 1 2 m Zmienne onrolowane: np.: cena (C) nałady na relamę
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
Bardziej szczegółowoZagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA
Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA Zadanie 1 (Plik danych: Transport w Polsce (1990-2015)) Na
Bardziej szczegółowoPodstawowe człony dynamiczne
Podsawowe człony dynamiczne charakerysyki czasowe. Człon proporcjonalny = 2. Człony całkujący idealny 3. Człon inercyjny = = + 4. Człony całkujący rzeczywisy () = + 5. Człon różniczkujący rzeczywisy ()
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
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 szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoTRANZYSTOROWO-REZYSTANCYJNY UKŁAD KOMPENSACJI WPŁYWU TEMPERATURY WOLNYCH KOŃCÓW TERMOPARY
Oleksandra HOTRA Oksana BOYKO TRANZYSTOROWO-REZYSTANCYJNY UKŁAD KOMPENSACJI WPŁYWU TEMPERATURY WOLNYCH KOŃCÓW TERMOPARY STRESZCZENIE Przedsawiono układ kompensacji emperaury wolnych końców ermopary z wykorzysaniem
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 szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowo4.4. Obliczanie elementów grzejnych
4.4. Obiczanie eemenów grzejnych Po wyznaczeniu wymiarów przewodu grzejnego naeży zaprojekować eemen grzejny, a więc okreśić wymiary skręki grzejnej czy eemenu faisego (wężownicy grzejnej, meandra grzejnego).
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoZarządzanie Projektami. Wykład 3 Techniki sieciowe (część 1)
Zarządzanie Projekami Wykład 3 Techniki sieciowe (część ) Przedsięwzięcie wieloczynnościowe Przedsięwzięcie wieloczynnościowe skończona liczba wzajemnie ze sobą powiązanych czynności (eapów). Powiązania
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
Bardziej szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
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 szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoI. KINEMATYKA I DYNAMIKA
piagoras.d.pl I. KINEMATYKA I DYNAMIKA KINEMATYKA: Położenie ciała w przesrzeni można określić jedynie względem jakiegoś innego ciała lub układu ciał zwanego układem odniesienia. Ruch i spoczynek są względne
Bardziej szczegółowoWykład FIZYKA I. 2. Kinematyka punktu materialnego. Dr hab. inż. Władysław Artur Woźniak
Wykład FIZYKA I. Kinemayka punku maerialnego Kaedra Opyki i Fooniki Wydział Podsawowych Problemów Techniki Poliechnika Wrocławska hp://www.if.pwr.wroc.pl/~wozniak/fizyka1.hml Miejsce konsulacji: pokój
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 szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
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 szczegółowoZad. 1. Wartość pożyczki ( w tys. zł) kształtowała się następująco w pewnym banku:
Zad. 1. Wartość pożyczki ( w tys. zł) kształtowała się następująco w pewnym banku: Kwota Liczba pożyczek pożyczki 0 4 0 4 8 8 12 40 12 16 16 Zbadać asymetrię rozkładu kwoty pożyczki w tym banku. Wynik
Bardziej szczegółowoMatematyka finansowa 20.03.2006 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVIII Egzamin dla Aktuariuszy z 20 marca 2006 r.
Komisja Egzaminacyjna dla Akuariuszy XXXVIII Egzamin dla Akuariuszy z 20 marca 2006 r. Część I Maemayka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minu 1 1. Ile
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
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 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 szczegółowoRównania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.
Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii (2018) Autor prezentacji :dr hab. Paweł Korecki dr Szymon Godlewski e-mail: szymon.godlewski@uj.edu.pl
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowoUkłady zasilania tranzystorów. Punkt pracy tranzystora Tranzystor bipolarny. Punkt pracy tranzystora Tranzystor unipolarny
kłady zasilania ranzysorów Wrocław 28 Punk pracy ranzysora Punk pracy ranzysora Tranzysor unipolarny SS GS p GS S S opuszczalny oszar pracy (safe operaing condiions SOA) P max Zniekszałcenia nieliniowe
Bardziej szczegółowoWielkość dziennego obrotu w tys. zł. (y) Liczba ekspedientek (x) 6 2 4 5,5 6,6
Zad. 1. Zbadano wydajność odmiany pomidorów na 100 poletkach doświadczalnych. W wyniku przeliczeń otrzymano przeciętną wydajność na w tonach na hektar x=30 i s 2 x =7. Przyjmując, że rozkład plonów pomidora
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
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 szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowo1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:
Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK ANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK
1 ANALIZA, PROGNOZOWANIE I SYMULACJA 2 POBRAĆ Z INTERNETU Plaforma WSL on-line Nazwisko prowadzącego Maryna Kupczyk Folder z nazwą przedmiou - Analiza, prognozowanie i symulacja Plik o nazwie Baza do ćwiczeń
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
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 szczegółowoAnaliza statystyczna. Microsoft Excel 2010 PL.
Analiza statystyczna. Microsoft Excel 2010 PL. Autor: Conrad Carlberg Zaufaj posiadanym danym! Microsoft Excel 2010 to ukochane narzędzie studentów, analityków, księgowych, menedżerów i prezesów. Uniwersalność
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika
Bardziej szczegółowoANALIZA BIPOLARNEGO DYNAMICZNEGO MODELU DIAGNOSTYCZNEGO MONITOROWANIA WYPOSAśENIA ELEKTRYCZNEGO SAMOCHODU
LOGITRANS - VII KONFERENCJA NAUKOWO-TECHNICZNA LOGISTYKA, SYSTEMY TRANSPORTOWE, BEZPIECZEŃSTWO W TRANSPORCIE Radosław GAD 1 Moniorowanie diagnosyczne, model dynamiczny, diagnosyka pojazdowa ANALIZA BIPOLARNEGO
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
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 szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZĄDZEŃ ENERGETYCZNYCH
POLIECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGEYKI INSYU MASZYN i URZĄDZEŃ ENERGEYCZNYCH IDENYFIKACJA PARAMERÓW RANSMIANCJI Laboraorium auomayki (A ) Opracował: Sprawdził: Zawierdził:
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoZASTOSOWANIE DRZEW KLASYFIKACYJNYCH DO BADANIA KONDYCJI FINANSOWEJ PRZEDSIĘBIORSTW SEKTORA ROLNO-SPOŻYWCZEGO
120 Krzyszof STOWARZYSZENIE Gajowniczek, Tomasz Ząbkowski, EKONOMISTÓW Michał Goskowski ROLNICTWA I AGROBIZNESU Roczniki Naukowe om XVI zeszy 6 Krzyszof Gajowniczek, Tomasz Ząbkowski, Michał Goskowski
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoLABORATORIUM PODSTAW ELEKTRONIKI PROSTOWNIKI
ZESPÓŁ LABORATORIÓW TELEMATYKI TRANSPORTU ZAKŁAD TELEKOMUNIKJI W TRANSPORCIE WYDZIAŁ TRANSPORTU POLITECHNIKI WARSZAWSKIEJ LABORATORIUM PODSTAW ELEKTRONIKI INSTRUKCJA DO ĆWICZENIA NR 5 PROSTOWNIKI DO UŻYTKU
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
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 szczegółowo