Projekt z Ekonometrii
|
|
- Błażej Kowalewski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Akademia Górniczo-Hutnicza im. Stanis lawa Staszica w Krakowie Wydzia l Elektrotechniki, Automatyki, Informatyki i Elektroniki Projekt z Ekonometrii Maciej Fabia Rafa l Gibas Marcin Godlewski Tomasz Gryzio Piotr Jarmo lowicz S lawomir Lichoń Modele trendów technologicznych systemów eksperckich i analiza ich wp lywu na rozwój gospodarczy Prowadzacy przedmiotu: dr hab. inż. Andrzej M. J. Skulimowski prof. nadzw. AGH Kraków 5 marca 2010
2 Spis treści 1. Cel projektu Realizacja Opis danych wejściowych i sposobu ich pobierania Pozyskanie informacji o patentach i publikacjach Pozyskanie danych z google-trends Projekt implementacji Model systemu Implementacja Import danych Przetwarzanie i selekcja danych Wyniki A. Opis programu BiblioBot A.1. Koncepcja A.2. Opis dzia lania A.3. Plik konfiguracyjny
3 Rozdzia l 1 Cel projektu Celem projektu jest zbadanie wp lywu rozwoju systemów eksperckich na rozwój gospodarczy i budowa modeli trendów rozwoju gospodarki na ich podstawie na okres kilku najbliższych lat. Do badań pos luży nam wiedza zdobyta ze źróde l dotyczacych systemów eksperckich, w postaci publikacji naukowych, danych patentowych i trendów zainteresowań, a także wiedza dospodarcza wydobyta z urzedów statystycznych. Wynikiem projektu bedzie zbiór modeli trendów, które zostana przedstawione w postaci wykresów prognoz na lata najbliższe, z podaniem empirycznego wzoru oraz uzasadnienia. 3
4 Rozdzia l 2 Realizacja 2.1 Opis danych wejściowych i sposobu ich pobierania Danymi wejściowymi bed a publikacje i dane patentowe dotyczace systemów eksperckich, oraz dane dotyczace zainteresowania internautów w tej dziedzinie. Dane wejściowe s luż ace do otrzymania zmiennych objaśniajacych można podzielić na trzy typy. Sa to: Dane o ilości publikacji z danej dziedziny i danej technologii, wydanych w zadanym roku Dane o ilości zg loszonych patentów dla danej technologii i dziedziny w zadanym roku Wspó lczynnik zainteresowania internautów dana technologia w danym roku. Źród lo tych danych stanowi strona: Pozyskanie informacji o patentach i publikacjach Dane ilościowe o patentach i publikacjach zosta ly pobrane automatycznie przy pomocy programu BiblioBot (patrz za l acznik A), z nastepuj acych źróde l: Publikacje: Google scholar: ICM: CiteSeerX: DBLP: Patenty: Google patents: Baza patentów espacenet: Okres próbkowania danych to 1 rok. Dane zosta ly pobrane dla nastepuj acych technologii: 4
5 Eksploracja danych (data mining). Systemy wspomagania decyzji (decision support system). Bazy wiedzzy (knowledge base). Inżynieria wiedzy (knowledge engineering). Uczenie maszynowe (machine learning). Sieci semantyczne (semantic web). Dla każdej technologii dane sa podzielone wed lug dziedzin: Ogólna (dowolna dziedzina) Chemia, biologia, farmacja. S lowa kluczowe: chemiachemistry, pharmacology, biology. Ekonomia, biznes. S lowa kluczowe: business, economics, managment. Energia, elektryczność. S lowa kluczowe: energy, power, electricity. Transport, logistyka, pojazdy. S lowa kluczowe: transport, logistics vehicle. Produkcja, automatyzacja. S lowa kluczowe: manufacture, automation. Medycyna, ochrona zdrowia. S lowa kluczowe: medicine, medical. Socjologia, psychologia. S lowa kluczowe: social, human, psychology. Program BiblioBot dane wyjściowe zapisuje w plikach tekstowych. W celu latwiejszej akwizycji danych pliki te zosta ly zaimportowane do arkusza Excel-a (dane aktualne.xls). Import danych dokonany zosta l automatycznie dzieki makrom zawartym w arkuszu. Pojedyncza zak ladka arkusza zawiera dane dla jednej technologii (nazwa zak ladki stanowi nazwe technologii). Informacje na zak ladce sa zgrupowane wed lug dziedziny, typu i źród la danych Pozyskanie danych z google-trends Google-trends jest us lug a internetowa udostepnian a przez firme Google i pozwalajac a na uzyskanie danych ilościowych na temat popularności danej dziedziny wśród użytkowników wyszukiwarki Google. Dane takie można uzyskać w postaci trendów czestotliwości wyszukiwań konkretnych fraz. Wyniki uzyskuje sie w postaci wzglednych wartości odpowiadajacych danemu okresowi w stosunku to średniej uzyskanej w ca lym okresie. Takie wzgledne wartości sa jednak wystarczajace aby zaobserwować wystepuj ace trendy. Ponadto popularność us lug Google na świecie, a w szczególności w Europie pozwala na trkatowanie tak uzyskanych wyników jako wiarygodnych wskaźników popularności dziedziny wśród spo leczeństw. Dane można uzyskiwać również tylko dla konkretnego kraju. W przypadku systemów eksperckich ograniczenie sie do danych dla Polski nie prowadzi lo jednak do pożadanego celu, gdyż tak zaweżona dziedzina poszukiwań nie pozwala la systemowi na zwrócenie wiarygodnych wyników. System odmawia l udzielenia informacji z powodu zbyt ma lej ilości danych. Dlatego też zebrane zosta ly dane o charaketrze ogólnoświatowym. 5
6 Uzyskano dane dla nastepuj acych fraz: data mining, decision support system, decision support systems, expert system, expert systems, knowledge base, knowledge engineering, machine learning, semantic web. Wyniki otrzymuje sie dla tygodniowej rozdzielczości czasowej dla lat Rozdzielczość czasowa zosta la nastepnie w fazie obróbki danych zamieniona na roczna a okres czasu wyd lużony wstecz dane zosta ly ekstrapolowane na okres lat Do analizy, w celu pozyskania zmiennych objaśnianych, użyliśmy danych gospodarczych z GUS, w tym wartości nastepuj acych wskaźników: Rachunek obrotów bieżacych Rachunek obrotów kapita lowych Bezpośrednie inwestycje zagraniczne w Polsce Wydatki publiczne na edukacj e Nak lady na badania i rozwój Wykszta lcenie osób m lodych Saldo budżetu państwa Saldo budżetu państwa w stosunku do PKB D lug publiczny w stosunku do PKB D lug publiczny Saldo obrotów towarowych handlu zagranicznego Terms of trade Relacja salda obrotów towarowych handlu zagranicznego do PKB Śmiertelność noworodków na 1000 żywych urodzeń PKB w cenach bieżacych Bezrobocie Bezrobocie d lugotrwa le 6
7 2.2 Projekt implementacji Model systemu Nasz system (2.1) sk lada si e z: bota internetowego, pobierajacego dane w sposób automatyczny aplikacji matlabowej przetwarzajacej zgromadzone dane. Dane o publikacjach, patentach, zainteresowaniach pobierane sa z sieci Internet z wybranych serwerów. Niektóre dane zosta ly pozyskane manualnie. Po wstepnym przetworzeniu dane gromadzone sa w bazie wiedzy, wykorzystywanej przez modu l g lówny aplikacji. W module g lównym wykonywana jest weryfikacja i selekcja danych do użycia ich do obliczeń prognoz. Po wstepnej ocenie generowane sa wzory empiryczne na wartości zmiennych opisywanych zależnych od zmiennych opisujacych. Z otrzymanych wzorów tworzone sa prognozy, a na ich podstawie generowane sa raporty, które znajda sie w rozdziale Implementacja Projekt zaimplementowany zosta l z użyciem technologii i j ezyków: Java Matlab W przetwarzaniu inormacji przydatne okaza ly si e technologie skryptowe j ezyków Python, Perl, Bash, w tym wyrażenia regularne Import danych Dane wczytywane sa do programu przy wykorzystaniu serwera komunikacyjnego COM opracowanego przez firme Microsoft wbudowanego w program Microsoft Office. Matlab przy wykorzystaniu funkcji xlsread l aczy sie z wyżej wymienionym serwerem stajac sie w stosunku do niego klientem i odbiera odczytane przez niego dane. Serwer COM zwraca dane w postaci obiektu posiadajacego dwa pola; nag lówek, dane, zgodnie z filozofia bazy danych dla Microsoft Excel: nag lówek: typ tekstowy, dane nierozdzielne pusta kolumna, koniec nag lówka poprzez rozpoczecie danych liczbowych, dane: typy liczbowe zdefiniowane przez arkusz programu Excel, dane nierozdzielne pusta kolumna, koniec danych sygnalizuje pusty wiersz. Powyższe zastrzeżenie sprawia, że Matlab tworzy tablice zawierajac a dwa wiersze; tekstowa tablice nag lówka, liczbowa tablice danych. Importujac dane tworzona jest tablica wektorów zawierajaca wektory bed ace strukturami zawierajacymi nastepuj ace pola: nazwa 7
8 dope lniacz nazwy - pola budowane na podstawie nag lówka arkusza programu Excel typ dope lniacz typu - pola budowane na podstawie nag lówka arkusza programu Excel t - pole przechowujace tablice liczbowa bed ac a podstawa czasowa. Pole jest budowane na podstawie pierwszej kolumny arkusza programu Excel x - pole przechowujace tablice liczbowa bed ac a zbiorem danych. Pole jest budowane na podstawie kolejnych kolumn arkusza programu Excel Przetwarzanie i selekcja danych Okresem czasu branym pod uwage przy wyznaczaniu trendów i tworzeniu prognoz by ly lata Wszystkie szeregi czasowe zosta ly wiec odpowiednio przetworzone aby odpowiada ly wybranemu okresowi czasu. Szukane by ly zależności zarówno liniowe bezpośrednio pomiedzy zmiennymi jak i pomiedzy szeregami utworzonymi z logarytmów wartości zmiennych oraz z funkcji różnicowych. Dane opisujace wskaźniki gospodarcze przyjete zosta ly jako zmienne objaśniane, zaś pozosta le dane jako zmienne objaśniajace. Dla każdej pary szeregów: zmienna objaśniana zmienna objaśniajaca, zmienna objaśniana logarytm zmiennej objaśniajacej, zmienna objaśniana różniczka zmiennej objaśniajacej obliczony zosta l wspó lczynnik korelacji liniowej Pearsona. Nastepnie, w celu wyeliminowania korelacji nieistotnych, przypadkowych przeprowadzony zosta l test t-studenta istotności korelacji. Ma on s lużyć zminimalizowaniu ryzyka wystapienia sytuacji, w której korelacje wystepuj ace w analizowanej próbie nie sa w laściwe dla ca lej populacji. Ze wzgledu na stosunkowo niewielkie rozmiary szeregów czasowych test t-studenta by l jedynym możliwym do zastosowania powszechnie używanym testem. Jako graniczne, najwieksze dopuszczalne prawdopodobieństwo, że w ca lej próbie korelacja jest zerowa przyjeto wartość 0,05. Oznacza to, że poziom ufności ustalony zosta l na 0,95. Korelacje nieistotne na tym poziomie ufności zosta ly odrzucone jako zerowe. 8
9 Rysunek 2.1: Diagram modelu systemu i przep lywu danych 9
10 Rozdzia l 3 Wyniki 10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45 Dodatek A Opis programu BiblioBot A.1 Koncepcja Bot jest aplikacja desktopowa s luż ac a to automatycznego pobierania danych ilościowych. Bot pozwala na wyszukiwanie dwóch rodzajów danych: Publikacje. W obecnej wersji obs lugiwane sa portale: Google scholar: ICM: CiteSeerX: DBLP: Patenty. W obecnej wersji obs lugiwane sa portale: Google patents: Baza patentów espacenet: Program zosta l wykonany w technologi java (wersja kompilatora: 1.6) A.2 Opis dzia lania Rysunek A.1: Diagram przep lywu danych 45
46 Bot dzia la wed lug nastepuj acego scenariusza: Wczytanie danych konfiguracyjnych. Sa to dane zawierajace: list e technologii list e dziedzin zakres dat Nastepnie program dokonuje wyszukiwania na zadanych portalach. Odbywa sie to w nastepuj acy sposób: dla wszystkich zdefiniowanych technologii program dok lada po kolei s lowa kluczowe poszczególnych dziedzin. Dzieki temu uzyskuje warunek wyszukiwania publikacji, badź patentu. Ten warunek możemy zapisać: Nazwa technologii i ( s lowo kluczowe 1 dziedziny lub... lub s lowo kluczowe n dziedziny ). Dany artyku l/patent podlega warunkowi wyszukiwania, jeżeli w jego tytule, abstrakcie, lub wykazie s lów kluczowych znajduje sie fraza z nazwa technologii, oraz w jego tytule, abstrakcie, lub wykazie s lów kluczowych znajduje sie, choć jedno ze s lów kluczowych definicji dziedziny. Nastepnie zdefiniowany warunek zostaje wys lany do odpowiedniego portalu internetowego. W odpowiedzi program dostaje liste pozycji spe lniaj acych kryterium wyszukiwania. Zwrócona liste pozycji program grupuje po dacie publikacji i zapamietuj e sama ilość pozycji opublikowana w danym roku. Zapis wyniku dzia lania bot-a nastepuje do plików tekstowych. Dane z poszczególnych portali zapisywane sa w różnych katalogach (citeseerx, dblp, espacenet, googlepatents, scholar). Nazwa plików wynikowych stanowi wykaz s lów kluczowych poszczególnych dziedzin (dla jednej dziedziny powstaje jeden plik wynikowy). Dane w pliku sa zapisywane w kolejnych wierszach. Pojedynczy wiersz zawiera:,,rok ;,,Ilość dla technologii 1 ;,,Ilość pozycji dla technologii 2 A.3 Plik konfiguracyjny Sekcja citeseerx, dblp, googlepat, scholar i espacenet s luży do w l aczania i wy l aczania przeszukiwania na danych portalach. Sekcja fromyear i toyear s luży do definicji zakresu lat. Sekcja outputfolder ustawia katalog, w którym bedź zapisywane wyjściowe dane. Sekcja usecases definiuje liste dziedzin. Sekcja categories definiuje liste technologii. Zawartość przyk ladowego pliku: 46
47 <?xml version=,,1.0 encoding=,,utf-8?> <java version=,,1.6.0_14 class=,,java.beans.xmldecoder > <object class=,,botconfig > <void property="googlepat"> <boolean>true</boolean> <void property="citeseerx"> <boolean>true</boolean> <void property="dblp"> <boolean>true</boolean> <void property="espacenet"> <boolean>true</boolean> <void property="scholar"> <boolean>true</boolean> <void property="fromyear"> <int>1990</int> <void property="toyear"> <int>2009</int> <void property="outputfolder"> <string>c:\bibliobot</string> <void property="usecases"> <array class="java.lang.string" length="8"> <void index="0"> <string></string> <void index="1"> <string>chemistry pharmacology biology</string> <void index="2"> <string>business economics managment</string> <void index="3"> <string>energy power electricity</string> <void index="4"> <string>transport logistics vehicle</string> 47
48 <void index="5"> <string>manufacture automation</string> <void index="6"> <string>medicine medical</string> <void index="7"> <string>social human psychology</string> </array> <void property="categories"> <array class="java.lang.string" length="7"> <void index="0"> <string>data+mining</string> <void index="1"> <string>decision+support+system</string> <void index="2"> <string>expert+system</string> <void index="3"> <string>knowledge+base</string> <void index="4"> <string>knowledge+engineering</string> <void index="5"> <string>machine+learning</string> <void index="6"> <string>semantic+web</string> </array> </object> </java> 48
Politechnika Łódzka Biblioteka. Dokumentowanie i rozpowszechniania informacji o publikacjach naukowych pracowników Politechniki Łódzkiej
Politechnika Łódzka Biblioteka Dokumentowanie i rozpowszechniania informacji o publikacjach naukowych pracowników Politechniki Łódzkiej Baza SCOPUS SCOPUS to wielodziedzinowa, bibliograficzno-abstraktowa
Bardziej szczegółowoRozdział ten zawiera informacje o sposobie konfiguracji i działania Modułu OPC.
1 Moduł OPC Moduł OPC pozwala na komunikację z serwerami OPC pracującymi w oparciu o model DA (Data Access). Dzięki niemu można odczytać stan obiektów OPC (zmiennych zdefiniowanych w programie PLC), a
Bardziej szczegółowocelu przyjmijmy: min x 0 = n t Zadanie transportowe nazywamy zbilansowanym gdy podaż = popyt, czyli n
123456789 wyk lad 9 Zagadnienie transportowe Mamy n punktów wysy lajacych towar i t punktów odbierajacych. Istnieje droga od każdego dostawcy do każdego odbiorcy i znany jest koszt transportu jednostki
Bardziej szczegółowoInterfejs GSM/GPRS LB-431
LAB-EL Elektronika Laboratoryjna ul. Herbaciana 9, 05-816 Regu ly Witryna: http://www.label.pl/ Poczta: info@label.pl Tel. (22) 753 61 30, Fax (22) 753 61 35 Interfejs GSM/GPRS LB-431 modem LWA Instrukcja
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
23 kwietnia 2014 Korelacja - wspó lczynnik korelacji 1 Gdy badamy różnego rodzaju rodzaju zjawiska (np. przyrodnicze) możemy stwierdzić, że na każde z nich ma wp lyw dzia lanie innych czynników; Korelacja
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 szczegółowoOpis modułu pl.id w programie Komornik SQL-VAT
Opis modułu pl.id w programie Komornik SQL-VAT 2016 Currenda Sp. z o.o. Spis treści 1. Opis... 3 2. Konfiguracja programu... 3 3. Tworzenie zapytań o dane dłużników do pl.id... 4 3.1. Eksport danych dłużników
Bardziej szczegółowoOpis modułu pl.id w programie Komornik SQL-VAT
Opis modułu pl.id w programie Komornik SQL-VAT Nazwa: KSQLVAT.INS.PL.ID.002 Data: 02.01.2017 Wersja: 1.2.0 Cel: Opis działania funkcjonalności pl.id 2016 Currenda Sp. z o.o. Spis treści 1. Opis... 3 2.
Bardziej szczegółowoRozdzia l 3. Laboratorium 3. danych zawierajac
Rozdzia l 3 Laboratorium 3 3.1. Tablice Tablica jest struktura danych zawierajac a zmienne tego samego typu. CLR środowiska.net Framework wspiera tworzenie tablic jedno oraz wielo wymiarowych. 3.1.1. Tablice
Bardziej szczegółowoWyk lad 7 Baza i wymiar przestrzeni liniowej
Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoAutomatyczna klasyfikacja zespołów QRS
Przetwarzanie sygnałów w systemach diagnostycznych Informatyka Stosowana V Automatyczna klasyfikacja zespołów QRS Anna Mleko Tomasz Kotliński AGH EAIiE 9 . Opis zadania Tematem projektu było zaprojektowanie
Bardziej szczegółowoProjekty Zaliczeniowe Laboratorium Sieci Komputerowych
Projekty Zaliczeniowe Laboratorium Sieci Komputerowych Rok Akademicki 2015/2016 Micha l Kalewski, Lukasz Piatkowski Revision : 2.2 Spis treści 1 Proponowane tematy projektów zaliczeniowych 1 1.1 Uwagi...............................
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoInterfejs GSM/GPRS LB-431
LAB-EL Elektronika Laboratoryjna ul. Herbaciana 9, 05-816 Regu ly Witryna: http://www.label.pl/ Poczta: info@label.pl Tel. (22) 753 61 30, Fax (22) 753 61 35 Interfejs GSM/GPRS LB-431 modem LWA Instrukcja
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 6.0
ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 6.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu ECDL/ICDL Użytkowanie baz danych. Sylabus opisuje zakres wiedzy
Bardziej szczegółowoJeden przyk lad... czyli dlaczego warto wybrać MIESI.
Jeden przyk lad... czyli dlaczego warto wybrać MIESI. Micha l Ramsza Szko la G lówna Handlowa Micha l Ramsza (Szko la G lówna Handlowa) Jeden przyk lad... czyli dlaczego warto wybrać MIESI. 1 / 13 Dlaczego
Bardziej szczegółowoRachunek zdań - semantyka. Wartościowanie. ezyków formalnych. Semantyka j. Logika obliczeniowa. Joanna Józefowska. Poznań, rok akademicki 2009/2010
Logika obliczeniowa Instytut Informatyki Poznań, rok akademicki 2009/2010 1 formu l rachunku zdań Wartościowanie i sta le logiczne Logiczna równoważność 2 Model formu ly Formu la spe lniona Formu la spe
Bardziej szczegółowoFunctionalization. Jeszcze o funkcjach i strukturze projektu. Marcin Makowski. 3 grudnia Zak lad Chemii Teoretycznej UJ
Jeszcze o funkcjach i strukturze projektu Zak lad Chemii Teoretycznej UJ 3 grudnia 2008 1 2 3 4 5 typedef Plan typedef specyfikator typu nazwa S luży do stworzenia nowej nazwy dla jakiegoś typu. Nazwa
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 szczegółowoFunkcje. Piotr Zierhoffer. 7 października Institute of Computer Science Poznań University of Technology
Funkcje Piotr Zierhoffer Institute of Computer Science Poznań University of Technology 7 października 2012 Funkcje Funkcja podprogram. Nazwany blok kodu realizujacy jakieś zadanie. sin(x), arccos(x), min(a,
Bardziej szczegółowoParadygmaty programowania
Paradygmaty programowania Programowanie generyczne w C++ Dr inż. Andrzej Grosser Cz estochowa, 2016 2 Spis treści 1. Zadanie 3 5 1.1. Wprowadzenie.................................. 5 1.2. Obiekty funkcyjne................................
Bardziej szczegółowoPrzyk ladowe Zadania z MSG cz
mgr Leszek Wincenciak, Katedra Makroekonomii i Teorii Handlu Zagranicznego Przyk ladowe Zadania z MSG cz eść handlowa 1. W modelu Ricardo mamy do czynienia z dwoma krajami prowadzacymi wymiane handlowa.
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 szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2
Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2 1 Przypomnienie Jesteśmy już w stanie wyznaczyć tp x = l x+t l x, gdzie l x, l x+t, to liczebności kohorty odpowiednio
Bardziej szczegółowoWyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera
Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Określenie podpierścienia Definicja 9.. Podpierścieniem pierścienia (P, +,, 0, ) nazywamy taki podzbiór A P, który jest pierścieniem ze wzgledu
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar przestrzeni liniowej 1 Operacje elementarne na uk ladach wektorów Niech α 1,..., α n bed dowolnymi wektorami przestrzeni liniowej V nad cia lem K. Wyróżniamy nastepuj ace operacje
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 szczegółowoWymagania edukacyjne z informatyki w klasie VIII
Wymagania edukacyjne z informatyki w klasie VIII Wymagania konieczne K dotyczą zagadnień elementarnych, stanowiących swego rodzaju podstawę, powinien je zatem opanować każdy uczeń. Wymagania podstawowe
Bardziej szczegółowous lugi katalogowe? Czym różni si e serwer katalogowy od serwera bazy danych:
Co to sa us lugi katalogowe? Czym różni si e serwer katalogowy od serwera bazy danych: Dane w serwerze katalogowym sa przegladane dużo cz eściej, niż sa modyfikowane, inaczej niż w zwyk lej bazie danych.
Bardziej szczegółowoIndeks odwzorowania zmiennej zespolonej wzgl. krzywej zamknietej
Indeks odwzorowania zmiennej zespolonej wzgl edem krzywej zamkni etej 1. Liczby zespolone - konstrukcja Hamiltona 2. Homotopia odwzorowań na okr egu 3. Indeks odwzorowania ciag lego wzgledem krzywej zamknietej
Bardziej szczegółowoModuł mapowania danych
Moduł mapowania danych Grudzień 2013 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości. W przeciwnym przypadku, żadna część niniejszego dokumentu,
Bardziej szczegółowoParadygmaty programowania. Paradygmaty programowania
Paradygmaty programowania Paradygmaty programowania Dr inż. Andrzej Grosser Cz estochowa, 2013 2 Spis treści 1. Zadanie 2 5 1.1. Wprowadzenie.................................. 5 1.2. Wskazówki do zadania..............................
Bardziej szczegółowoWirtualne sieci prywatne
Rozdzia l 7 Wirtualne sieci prywatne Contents 7.1 Wirtualne sieci prywatne.................... 135 7.1.1 Przegl ad.............................. 137 7.2 Przyk ladowa implementacja VPN w Linuxie........
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoWebowy generator wykresów wykorzystujący program gnuplot
Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Marcin Nowak nr albumu: 254118 Praca inżynierska na kierunku informatyka stosowana Webowy generator wykresów wykorzystujący
Bardziej szczegółowo1 Wprowadzenie do koncepcji Microsoft Office BI 1 Zakres ksiąŝki 2 Cel ksiąŝki 3 Wprowadzenie do tematu 3 Zawartość rozdziałów 4
1 Wprowadzenie do koncepcji Microsoft Office BI 1 Zakres ksiąŝki 2 Cel ksiąŝki 3 Wprowadzenie do tematu 3 Zawartość rozdziałów 4 2 Tabele przestawne, wykresy przestawne i formatowanie warunkowe 11 Co to
Bardziej szczegółowoInstrukcja obsługi Zaplecza epk w zakresie zarządzania tłumaczeniami opisów procedur, publikacji oraz poradników przedsiębiorcy
Instrukcja obsługi Zaplecza epk w zakresie zarządzania tłumaczeniami opisów procedur, publikacji oraz poradników przedsiębiorcy Spis treści: 1 WSTĘP... 3 2 DOSTĘP DO SYSTEMU... 3 3 OPIS OGÓLNY SEKCJI TŁUMACZENIA...
Bardziej szczegółowoECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0
ECDL/ICDL Użytkowanie baz danych Moduł S1 Sylabus - wersja 5.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu ECDL/ICDL Użytkowanie baz danych. Sylabus opisuje zakres wiedzy
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA. Spis pojȩċ teoretycznych
1 RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA Spis pojȩċ teoretycznych 1. Podstawowe pojȩcia: doświadczenie losowe, zdarzenie elementarne, zdarzenie losowe, przestrzeń zdarzeń elementarnych, zbiór zdarzeń
Bardziej szczegółowoSystem kontroli eksploatacji maszyn i urządzeń
System kontroli eksploatacji maszyn i urządzeń Sprawne zarządzanie parkiem maszynowym w przedsiębiorstwie Vectan jest informatycznym systemem kontroli eksploatacji urządzeń, umożliwiającym stały monitoring
Bardziej szczegółowoWyk lad 14 Formy kwadratowe I
Wyk lad 14 Formy kwadratowe I Wielomian n-zmiennych x 1,, x n postaci n a ij x i x j, (1) gdzie a ij R oraz a ij = a ji dla wszystkich i, j = 1,, n nazywamy forma kwadratowa n-zmiennych Forme (1) można
Bardziej szczegółowoSuma i przeciȩcie podprzestrzeń, suma prosta, przestrzeń ilorazowa Javier de Lucas
Suma i przeciȩcie podprzestrzeń suma prosta przestrzeń ilorazowa Javier de Lucas Ćwiczenie 1 W zależności od wartości parametru p podaj wymiar przestrzeni W = v 1 v v 3 gdzie p 0 v 1 = 1 + p 3 v = 5 3
Bardziej szczegółowoData Mining w doborze parametrów układu testującego urządzenia EAZ 1
Rozdział 6 Data Mining w doborze parametrów układu testującego urządzenia EAZ 1 Streszczenie. W rozdziale został zaproponowany sposób doboru parametrów układu testującego urządzenia elektroenergetycznej
Bardziej szczegółowoInformatyka wspomaga przedmioty ścisłe w szkole
Informatyka wspomaga przedmioty ścisłe w szkole Prezentuje : Dorota Roman - Jurdzińska W arkuszu I na obu poziomach występują dwa zadania związane z algorytmiką: Arkusz I bez komputera analiza algorytmów,
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 szczegółowoRozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym.
Rozdzia l 11 Przestrzenie Euklidesowe 11.1 Definicja, iloczyn skalarny i norma Definicja 11.1 Przestrzenia Euklidesowa nazywamy par e { X K,ϕ }, gdzie X K jest przestrzenia liniowa nad K, a ϕ forma dwuliniowa
Bardziej szczegółowoWebMobile7 and Sello Integrator wersja 1.1.2
Instrukcja obsługi aplikacji WebMobile7 and Sello Integrator wersja 1.1.2 Piotr Taraszkiewicz Strona 1 Spis treści 1 WSTĘP O APLIKACJI 3 2 KONFIGURACJA APLIKACJI 4 2.1 KONFIGURACJA POŁĄCZENIA 4 2.2 POZOSTAŁE
Bardziej szczegółowoSPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD
Dr inż. Jacek WARCHULSKI Dr inż. Marcin WARCHULSKI Mgr inż. Witold BUŻANTOWICZ Wojskowa Akademia Techniczna SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD Streszczenie: W referacie przedstawiono możliwości
Bardziej szczegółowoPOLITECHNIKA WARSZAWSKA
POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRONIKI I TECHNIK INFORMACYJNYCH Repozytorium PW Instrukcja importowania danych Opracowanie: mgr inż. Wacław Struk Warszawa, lipiec 2013 Spis treści 1. Generowanie formatu
Bardziej szczegółowoĆwiczenie: Wybrane zagadnienia z korelacji i regresji.
Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. W statystyce stopień zależności między cechami można wyrazić wg następującej skali: Skala Guillforda Przedział Zależność Współczynnik [0,00±0,20)
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoAnalizy na podstawie danych sprawozdawczych - Moduł analiz z obsługą broszur
Analizy na podstawie danych sprawozdawczych - Moduł analiz z obsługą broszur Marzec 2013 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości. W
Bardziej szczegółowoANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?
Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y
Bardziej szczegółowoPL 198457 B1. ABB Sp. z o.o.,warszawa,pl 17.12.2001 BUP 26/01. Michał Orkisz,Kraków,PL Mirosław Bistroń,Jarosław,PL 30.06.
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 198457 (13) B1 (21) Numer zgłoszenia: 340813 (51) Int.Cl. G06F 17/21 (2006.01) G06Q 10/00 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
Bardziej szczegółowoTematyka seminariów z informatyki dla studentów I roku kierunku lekarsko-dentystycznego w roku akademickim 2017/2018.
Tematyka seminariów z informatyki dla studentów I roku kierunku lekarsko-dentystycznego w roku akademickim 2017/2018. 1. Sieci komputerowe rodzaje, budowa, model ISO/OSI. 2. Istota kompresji danych. Zastosowania.
Bardziej szczegółowoSterowalność liniowych uk ladów sterowania
Sterowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t), u(t), t), t [t,
Bardziej szczegółowoIntegracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API
Dr inż. Janusz Pobożniak, pobozniak@mech.pk.edu.pl Instytut Technologii Maszyn i Automatyzacji produkcji Politechnika Krakowska, Wydział Mechaniczny Integracja systemu CAD/CAM Catia z bazą danych uchwytów
Bardziej szczegółowoModuł mapowania danych
Moduł mapowania danych Styczeń 2011 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości. W przeciwnym przypadku, żadna część niniejszego dokumentu,
Bardziej szczegółowoWprowadzenie do pakietu STATA
Wprowadzenie do pakietu Ma lgorzata Kalbarczyk-Stȩclik Uniwersytet Warszawski mkalbarczyk@wne.uw.edu.pl Październik 02, 2014 Plan 1 Podstawowe informacje o kursie Warunki zaliczenia Prezentacje Zaliczenie
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS)
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS) Temat: Platforma Systemowa Wonderware cz. 2 przemysłowa baza danych,
Bardziej szczegółowoSieci komputerowe i bazy danych
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Sieci komputerowe i bazy danych Sprawozdanie 5 Badanie protokołów pocztowych Szymon Dziewic Inżynieria Mechatroniczna Rok: III Grupa: L1 Zajęcia
Bardziej szczegółowoAnaliza zrekonstruowanych śladów w danych pp 13 TeV
Analiza zrekonstruowanych śladów w danych pp 13 TeV Odtwarzanie rozk ladów za pomoc a danych Monte Carlo Jakub Cholewiński, pod opiek a dr hab. Krzysztofa Woźniaka 31 lipca 2015 r. Jakub Cholewiński, pod
Bardziej szczegółowoAnaliza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32
Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:
Bardziej szczegółowo7. Szybka transformata Fouriera fft
7. Szybka transformata Fouriera fft Dane pomiarowe sygnałów napięciowych i prądowych często obarczone są dużym błędem, wynikającym z istnienia tak zwanego szumu. Jedną z metod wspomagających analizę sygnałów
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 szczegółowoInstalacja. Zawartość. Wyszukiwarka. Instalacja... 1. Konfiguracja... 2. Uruchomienie i praca z raportem... 4. Metody wyszukiwania...
Zawartość Instalacja... 1 Konfiguracja... 2 Uruchomienie i praca z raportem... 4 Metody wyszukiwania... 6 Prezentacja wyników... 7 Wycenianie... 9 Wstęp Narzędzie ściśle współpracujące z raportem: Moduł
Bardziej szczegółowoKonwerter XML Dla Programów Symfonia Kadry i Płace oraz Forte Kadry i Płace
Konwerter XML Dla Programów Symfonia Kadry i Płace oraz Forte Kadry i Płace i Aplikacja pozwala przygotować pliki w formacie XML do importu do systemu Kady i Płace na podstawie danych pochodzących z plików
Bardziej szczegółowoEkonomia matematyczna i dynamiczna optymalizacja
Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać
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 szczegółowoKOLOKWIUM PODSTAWY PROGRAMOWANIA
KOLOKWIUM PODTAWY PROGRAMOWANIA BARTOZ ZIELIŃKI pis treści 1. Zasady ogólne 2 2. Zadanie cześć wspólna 3 2.1. Cel zadania 3 2.2. Wskazówki 4 2.3. Uwagi na temat uruchamiania programów 5 3. Zestawy 7 3.1.
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 szczegółowoAKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT. Instrukcja do zajęc laboratoryjnych nr 7 TECHNOLOGIE INFORMACYJNE
AKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT Instrukcja do zajęc laboratoryjnych nr 7 TECHNOLOGIE INFORMACYJNE I rok Kierunek Zarządzanie i Inżynieria Produkcji Temat: Wprowadzenie do arkusza kalkulacyjnego
Bardziej szczegółowoWyk lad 9 Przekszta lcenia liniowe i ich zastosowania
Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania 1 Przekszta lcenia liniowe i ich w lasności Definicja 9.1. Niech V i W bed przestrzeniami liniowymi. Przekszta lcenie f : V W spe lniajace warunki:
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoAnalizy sprzedażowe w Excelu tabele i wykresy przestawne
Analizy sprzedażowe w Excelu Spis treści Zasady poprawnego przygotowania listy źródłowej dla raportu przestawnego... 2 Tabele przestawne... 3 Tworzenie przykładowej tabeli przestawnej... 3 Analiza sprzedaży
Bardziej szczegółowoTabele przestawne tabelą przestawną. Sprzedawcy, Kwartały, Wartości. Dane/Raport tabeli przestawnej i wykresu przestawnego.
Tabele przestawne Niekiedy istnieje potrzeba dokonania podsumowania zawartości bazy danych w formie dodatkowej tabeli. Tabelę taką, podsumowującą wybrane pola bazy danych, nazywamy tabelą przestawną. Zasady
Bardziej szczegółowoWPROWADZENIE DO BAZ DANYCH
WPROWADZENIE DO BAZ DANYCH Pojęcie danych i baz danych Dane to wszystkie informacje jakie przechowujemy, aby w każdej chwili mieć do nich dostęp. Baza danych (data base) to uporządkowany zbiór danych z
Bardziej szczegółowoJednolity Plik Kontrolny w IFK
Strona 1 z 19 w IFK 1. Wersja programu INSIGNUM Finanse Księgowość (ifk) 18.1.0 2. System operacyjny Windows 7 lub nowszy 3. WAŻNE! W konfiguracji ifk należy wprowadzić niezbędne ustawienia, np. KOD swojego
Bardziej szczegółowoWPROWADZENIE WYSZUKIWANIE OGŁOSZEŃ
WPROWADZENIE 1. Cel dokumentu Celem dokumentu jest: Zapoznanie internauty z funkcjonalnością realizowaną przez Bazę Konkurencyjności. Dostarczenie szczegółowych informacji na temat podstron, które znajdują
Bardziej szczegółowoRok akademicki: 2014/2015 Kod: CCB s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Technologie informacyjne Rok akademicki: 2014/2015 Kod: CCB-1-104-s Punkty ECTS: 3 Wydział: Inżynierii Materiałowej i Ceramiki Kierunek: Chemia Budowlana Specjalność: - Poziom studiów: Studia
Bardziej szczegółowoFunkcje systemu Unix
Funkcje systemu Unix Witold Paluszyński witold@ict.pwr.wroc.pl http://sequoia.ict.pwr.wroc.pl/ witold/ Copyright c 2002 2005 Witold Paluszyński All rights reserved. Niniejszy dokument zawiera materia ly
Bardziej szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
Bardziej szczegółowoDane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą w oddzielnej kolumnie.
STATISTICA INSTRUKCJA - 1 I. Wprowadzanie danych Podstawowe / Nowy / Arkusz Dane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą
Bardziej szczegółowoTOPWEB Microsoft Excel 2013 i PowerBI Przygotowanie danych, analiza i efektowna prezentacja wyników raportów
TOPWEB Microsoft Excel 2013 i PowerBI Przygotowanie danych, analiza i efektowna prezentacja wyników raportów Przeznaczenie szkolenia Szkolenie dla osób chcących: Profesjonalnie przygotowywać dane do dalszej
Bardziej szczegółowo1. Protokołowanie operacji wykonywanych na danych osobowych
Szanowni Państwo, W związku ze zbliżającym się terminem wejścia w życie (25 maja 2018 r.) rozporządzenia Parlamentu Europejskiego dotyczącego ochrony danych osobowych (RODO) chcielibyśmy poinformować Państwa,
Bardziej szczegółowoAnalizy na podstawie danych sprawozdawczych - Moduł Analiz dla Banków Spółdzielczych
Analizy na podstawie danych sprawozdawczych - Moduł Analiz dla Banków Spółdzielczych Kwiecień 2012 Wszelkie prawa zastrzeżone. Dokument może być reprodukowany lub przechowywany bez ograniczeń tylko w całości.
Bardziej szczegółowoModuł Media backup oraz konfiguracja serwera zapasowego
oraz konfiguracja serwera zapasowego Kraków, 2015 Spis treści I. Moduł Media backup... 3 1. Instalacja... 3 2. Widok... 3 3. Generowanie kopii zapasowej... 4 a. Manualnie... 4 b. Automatyczne... 4 4. Przywrócenie
Bardziej szczegółowoZastosowanie Robotów. Ćwiczenie 6. Mariusz Janusz-Bielecki. laboratorium
Zastosowanie Robotów laboratorium Ćwiczenie 6 Mariusz Janusz-Bielecki Zak lad Informatyki i Robotyki Wersja 0.002.01, 7 Listopada, 2005 Wst ep Do zadań inżynierów robotyków należa wszelkie dzia lania
Bardziej szczegółowoSposoby prezentacji problemów w statystyce
S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoImplementacja prototypu modułu dostępu do danych SkOs przy pomocy protokołu LDAP
Implementacja prototypu modułu dostępu do danych SkOs przy pomocy protokołu LDAP Wojciech Kowalczyk, Przemysław Curzytek 1 grudnia 2009 1 Częśćkonceptualna 1.1 Sformułowanie zadania projektowego SkOs,
Bardziej szczegółowoJednolity Plik Kontrolny w IFK
Strona 1 z 10 w IFK 1. Wersja programu INSIGNUM Finanse Księgowość (ifk) 17.2.0.xx 2. System operacyjny Windows 7 lub nowszy Program IFK umożliwia tworzenie i przesyłanie Jednolitych Plików Kontrolnych
Bardziej szczegółowoPWSZ w Nowym Sa czu. Karta przedmiotu. Państwowa Wyższa Szko la Zawodowa w Nowym Sa czu. 1 Przedmiot. 2 Rodzaj zaje ć, liczba godzin w planie studiów
Państwowa Wyższa Szko la Zawodowa w Nowym Sa czu Karta przedmiotu Instytut Kultury Fizycznej obowiązuje studentów rozpoczynających studia w roku akademickim 201/201 Kierunek studiów: Fizjoterapia Profil:
Bardziej szczegółowoECDL zaawansowany, moduł EXCEL
ECDL zaawansowany, moduł EXCEL Szkolenie współfinansowane przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Czas trwania szkolenia - 20h (3 dni szkoleniowe) Grupa- 10 osób Terminy - 18-20
Bardziej szczegółowo