Analiza i prognozowanie szeregów czasowych

Wielkość: px
Rozpocząć pokaz od strony:

Download "Analiza i prognozowanie szeregów czasowych"

Transkrypt

1 Analiza i pognozowanie szeegów czasowych

2 Pojęcie szeegu czasowego Szeeg czasowy (chonologiczny, dynamiczny, ozwojowy) pezenuje ozwój wybanego zjawiska w czasie; zawiea waości zjawiska y w jednoskach czasu,, 2,..., n. Czas Poziom zjawiska y y 2 y2 : : n yn 2

3 Pzykłady szeegów czasowych 3

4 Zwolnienia lekaskie iczba dni niepzepacowanych z powodu chooby wśód pacujących na achunek własny w laach (w ys.; dane kwaalne) 28 95_ _4 94_ _4 95_ 22 9_4 93_ 94_ 95_2 20 9_ 92_ 93_2 94_2 94_3 95_3 8 9_2 92_2 93_3 6 9_3 92_3 4 9_ 9_2 9_3 9_4 92_ 92_2 92_3 92_4 93_ 93_2 93_3 93_4 94_ 94_2 94_3 94_4 95_ 95_2 95_3 95_4 4

5 Skup mleka Wielkość skupu mleka w Polsce w laach (w mln l; dane miesięczne) 5

6 Zużycie enegii elekycznej Zużycie enegii elekycznej w Łodzi w laach (w MW; dane dzienne) 6

7 oy pasażeskie iczba pasażeów międzynaodowej linii loniczej w laach (w ys.; dane miesięczne) 7

8 Huowa spzedaż poduku B Wielkość huowej spzedaży poduku B (dane dzienne ze 80 kolejnych dni). 8

9 Ceny sea Ceny skupu sea w laach (w zł/kg; dane miesięczne) 9

10 Ceny wołowiny Ceny wołowiny-żywca w laach (w zł/kg; dane miesięczne) 0

11 Aykuł piekaniczy Spzedaż aykułu w dniach w. ś. czw. p. sob. pon. w. ś. czw. p. sob. pon. w. ś. czw. p. sob niedz. niedz. 0 w. ś. c z w. p. s o b. n ie d z. p o n. w. ś. c z w. p. s o b. n ie d z. p o n. w. ś. c z w. p. s o b.

12 Aykuł piekaniczy Spzedaż aykułu w dniach

13 Aykuł piekaniczy Spzedaż aykułu w dniach

14 Modele szeegu czasowego 4

15 Model z endem, bez sezonowości Model zawieający end (bez wahań sezonowych) ( ) z y f Oznaczenia: y poziom zjawiska w jednosce czasu f() funkcja endu z składnik losowy 5

16 Modele z endem i sezonowością Model z sezonowością - addyywny ( ) g ( ) z i y f Model z sezonowością muliplikaywny y f ( ) g ( ) z i Oznaczenia: gi() funkcja chaakeyzująca wahania sezonowe Uwaga. Sosuje się akże modele mieszane 6

17 Pzykład hu. spzedaży pod. B Model dopasowany pzez pof. A. Sokołowskiego dla spzedaży poduku B; źódło: Bˆ 0670,58 6,3 0,27 2 0,49B 0,20B 5 0,27 B 6 0,9B ,94RMIN 933,98RPUS 2 7

18 Pzykład hu. spzedaży pod. B cd. Wykesy szeegu piewonego i waości eoeycznych wyznaczonych wg modelu dla spzedaży poduku B (źódło: 8

19 Ocena modelu 9

20 Ocena modelu Ocena modelu opiea się na miaach dopasowania waości wyznaczonych pzez model do danych empiycznych. Czas Poziom zjawiska y Waość z modelu ŷ y 2 y2 2 : : ŷ ŷ n yn ŷ n 20

21 błąd: (eo) Miay dopasowania modelu E y yˆ y ˆ y błąd pocenowy: PE 00 % y (pecenage eo) błąd śedni: ME ( y ) yˆ (mean eo) śedni błąd pocenowy: (mean pecenage eo) n MPE n n n PE 2

22 Miay dopasowania modelu cd. śedni błąd bezwzględny: (mean absolue eo) MAE n n y yˆ śedni bezwzględny błąd pocenowy: (mean absolue pecenage eo) n MAPE n y y yˆ 00% błąd śedniokwadaowy: MSE ( y ) yˆ (mean squae eo) n n 2 22

23 Pzykład hu. spzedaży pod. B Poównanie pognoz w pzykładzie o huowej spzedaży poduku B ( Błędy pognozy ex pos 23

24 Modele wygładzania wykładniczego Modele wygładzania (wyównywania) wykładniczego należą do modeli adapacyjnych. Nie ma w nich założeń o posaci analiycznej mechanizmu opisującego zjawisko, a paamey modeli dososowują się do zmian w czasie. Tzy podsawowe modele: - dla danych sacjonanych (bez endu i wahań sezonowych) - dla danych z endem - dla danych z endem i sezonowością 24

25 Posy model wygładzania wykładniczego Posy model wygładzania wykładniczego (Bowna) dla zjawisk bez endu i bez wahań sezonowych. Poceduę wyównywania wykładniczego można ozpocząć od pzyjmując ˆ ˆ α α ˆ ( 0; ) ( α) 2, 3,, n sała wygładzania Równanie na pognozę ˆ h α ˆ K ( α) 2, 3,, n K Pognoza wyznaczona na piewszy okes jes akże pognozą na okesy dalsze. 25

26 26 Uwaga Waość wyównaną można pzedsawić w posaci: ( ) ( ) ( ) n, 3, 2, α α α α α α ˆ 2 2 K Ŷ jes śednią ważoną obsewacji z piewonego szeegu czasowego z wagami malejącymi w posępie geomeycznym pzy pzechodzeniu do coaz saszych obsewacji.

27 27 Model Hola Model Hola dla zjawisk z endem i bez wahań sezonowych: ( )( ) ( ) ( ) h ht T β β T T ˆ α α gdzie: poziom zjawiska w czasie, α sała do wygładzania poziomu zjawiska, T end w czasie, β sała do wygładzania zmian endu; ( ) 0, β α, Waości saowe ( ) ( ) / 2 / T T

28 28 Model Hola z endem gasnącym Model Hola zmodyfikowany pzez dodanie czynnika ψ łumiącego end: ( )( ) ( ) ( ) ( ) h h T ψ ψ ψ ψ ψt β β T ψt α α K 3 2 ˆ gdzie: ψ sała łumiąca end, ( ) 0,, ψ β α, Waości saowe jak w modelu bez sałej ψ.

29 29 Model Hola-Winesa z endem gasnącym (/2) Model Hola ozszezony o wahania sezonowe powadzi do modelu Hola-Winesa ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) h h h S T ψ ψ ψ ψ S γ ψt γ S ψt β β T ψt α S α K 3 2 ˆ gdzie: S sezonowy komponen w czasie γ sała wygładzania wahań sezonowych okes wahań sezonowych

30 30 Model Hola-Winesa z endem gasnącym (2/2) Waości saowe ( ) ( ) ( ) ( ) [ ] ( ) ( ) ( ) ( ) S T T i i i K K K K i, 2,...

31 3

32 32

33 33

Wykład 6. Badanie dynamiki zjawisk

Wykład 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 szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 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 szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez

Bardziej szczegółowo

Analiza rynku projekt

Analiza 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 szczegółowo

Wydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas

Wydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas Wydatki [zł] Zestaw zadań z Zastosowania metod progn. Zadanie 1 Dany jest następujący szereg czasowy: t 1 2 3 4 5 6 7 8 y t 11 14 13 18 17 25 26 28 Dokonaj jego dekompozycji na podstawowe składowe. Wykonaj

Bardziej szczegółowo

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Statystyka 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 szczegółowo

METODA ZDYSKONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH

METODA ZDYSKONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH METODA ZDYSONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH W meodach dochodowych podsawową wielkością, kóa okeśla waość pzedsiębioswa są dochody jakie mogą być geneowane z powadzenia działalności gospodaczej

Bardziej szczegółowo

Zarządzanie ryzykiem. Lista 3

Zarządzanie 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 szczegółowo

Arytmetyka finansowa Wykład 5 Dr Wioletta Nowak

Arytmetyka finansowa Wykład 5 Dr Wioletta Nowak Aymeyka finansowa Wykład 5 D Wiolea Nowak Bon skabowy Insumen dłużny, emiowany pzez Skab ańswa za pośednicwem Miniseswa Finansów. Temin wykupu dzień w kóym emien dokonuje wykupu, Skab ańswa zwaca dług

Bardziej szczegółowo

BADANIE DYNAMICZNEGO TŁUMIKA DRGA

BADANIE DYNAMICZNEGO TŁUMIKA DRGA Ćwiczenie 3 BDNIE DYNMICZNEGO TŁUMIK DRGŃ. Cel ćwiczenia yłumienie dgań układu o częsości ezonansowej za pomocą dynamicznego łumika dgań oaz wyznaczenie zakesu częsości wymuszenia, w kóym łumik skuecznie

Bardziej szczegółowo

PROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI

PROGNOZOWANIE BRAKUJĄCYCH DANYCH DLA SZEREGÓW O WYSOKIEJ CZĘSTOTLIWOŚCI OCZYSZCZONYCH Z SEZONOWOŚCI Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-8611 Nr 289 2016 Maria Szmuksa-Zawadzka Zachodniopomorski Uniwersye Technologiczny w Szczecinie Sudium Maemayki Jan Zawadzki

Bardziej szczegółowo

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?

Metody 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 szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE 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 szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE 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 szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. 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 szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w

Bardziej szczegółowo

LABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ

LABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ LABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ INSTRUKCJA LABORATORYJNA Teat ćwiczenia: ZASTOSOWANIE RACHUNKU WYRÓWNAWCZEGO

Bardziej szczegółowo

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t zeeg czasow z edem. Model Hola. osujem dwa ówaia ekuecje: I - słu do wzaczaia wgładzoch waoci szeegu czasowego w chwili F = + ( )( + α α F ) II - słu do wzaczaia wgładzoch waoci pzosu edu w chwili = β

Bardziej szczegółowo

Wprowadzenie do teorii prognozowania

Wprowadzenie 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 szczegółowo

Ćwiczenie 5 PROGNOZOWANIE

Ćwiczenie 5 PROGNOZOWANIE Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA W OPARCIU O KONCEPCJĘ FUNKCJI DOPASOWAŃ Adam Kowol 2 1. Sformułowanie zadania prognostycznego Celem niniejszej pracy jest próba prognozy kształtowania się

Bardziej szczegółowo

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, 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 szczegółowo

O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI

O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/, 0, s. 3 O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI Maia Szmuksa Zawadzka Sudium Maemayki Zachodniopomoski

Bardziej szczegółowo

N a l e W y u n i k a ć d ł u g o t r w a ł e g o k o n t a k t u p o l a k i e r o w a n y c h p o w i e r z c h n i z w y s o k i m i t e m p e r a

N a l e W y u n i k a ć d ł u g o t r w a ł e g o k o n t a k t u p o l a k i e r o w a n y c h p o w i e r z c h n i z w y s o k i m i t e m p e r a J L G 3 6 6 P A W I L O N O G R O D O W Y J L G 3 6 6 I N S T R U K C J A M O N T A V U I B E Z P I E C Z E Ń S T W A S z a n o w n i P a s t w o, D z i ę k u j e m y z a z a k u p p a w i l o n u o g

Bardziej szczegółowo

Ę ą Ó Ó Ó Ż ę Ę Ę Ź ó ć Ń Ą ć Ę Ę ó ó ę Ź ą ą ą ź ó Ś ęć Ś Ć ęć ą ą ą Ę ć Ó ó Ż ó Ż ó Ź ęó ą Ś ęć ą ą Ć ć ć Ó Ś Ą ć ć ó ć Ą ó ó ć ć Ą ę Ę ą ęć Ż ó Ę Ę Ó Ę Ą Ń Ę Ą ę ą ęć ą ą ą ć ę ć ć ó Ó ó ó ę Ż Ę ęó

Bardziej szczegółowo

Ą Ę Ó ć ż ż ż ż ĘĆ Ą ź ć ż Ę ĘÓ Ł Ó Ś Ó ź ć ż ć ż ż ć ż ć ć ć ż ć ć ż ż ć Ę Ą Ó ć ż ć ż ć ż ć ć ć ż ć ć ć ż ć ć ż ć ż ć ć ć ż Ę ć ż ż ż ż ż ć ż ć ć ż ć ć ż ć ć ć ć ź ź ć Ł Ę Ó ź ć ż ż ć ć ż Ą ź ć ż ć ż

Bardziej szczegółowo

Ekonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE

Ekonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego

Bardziej szczegółowo

MODEL TENDENCJI ROZWOJOWEJ

MODEL TENDENCJI ROZWOJOWEJ MODEL TENDENCJI ROZWOJOWEJ Model endencji rozwojowej o konsrukcja eoreczna (równanie lub układ równań) opisująca kszałowanie się określonego zjawiska jako funkcji: zmiennej czasowej wahań okresowch (sezonowe

Bardziej szczegółowo

1. Szereg niesezonowy 1.1. Opis szeregu

1. 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 szczegółowo

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna

Bardziej szczegółowo

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006 Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap

Bardziej szczegółowo

ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH

ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XV/4, 214, sr. 181 194 ZASTOSOWANIE WYBRANYCH MODELI ADAPTACYJNYCH W PROGNOZOWANIU BRAKUJĄCYCH DANYCH W SZEREGACH ZE ZŁOŻONĄ SEZONOWOŚCIĄ DLA LUK NIESYSTEMATYCZNYCH

Bardziej szczegółowo

WYKORZYSTANIE MODELI SIGN RCA DO PROGNOZY

WYKORZYSTANIE MODELI SIGN RCA DO PROGNOZY Joanna Góka Wyższa Szkoła Infomayki i Ekonomii WP w Olszynie WYKORZYSANIE MODELI SIGN RCA DO PROGNOZY WAROŚCI NARAŻONEJ NA RYZYKO Do kwanyfikowania yzyka ynkowego używana jes częso waość naażona na yzyko

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

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 szczegółowo

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION

Bardziej szczegółowo

5. Model sezonowości i autoregresji zmiennej prognozowanej

5. 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 szczegółowo

Ekonometria. 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 Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

4. Średnia i autoregresja zmiennej prognozowanej

4. Średnia i autoregresja zmiennej prognozowanej 4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)

Bardziej szczegółowo

Grzegorz Kornaś. Powtórka z fizyki

Grzegorz Kornaś. Powtórka z fizyki Gzegoz Konaś Powóka z fizyki - dla uczniów gimnazjów, kózy chcą wiedzieć o co zeba, a nawe więcej, - dla uczniów liceów, kózy chcą powózyć o co zeba, aby zozumieć więcej, - dla wszyskich, kózy chcą znać

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK

PROGNOZOWANIE 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

Wybrane problemy prognozowania cen produktów rolnych

Wybrane problemy prognozowania cen produktów rolnych V EUROPEJSKI KONGRES MENADŻERÓW AGROBIZNESU, ŁYSOMICE 14.11.218 Wybrane problemy prognozowania cen produków rolnych Cezary Klimkowski INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT

Bardziej szczegółowo

Prognozowanie krótkoterminowe w procesie planowania zasobów

Prognozowanie krótkoterminowe w procesie planowania zasobów Analiza danych Data mining Sterowanie jakością Analityka przez Internet Prognozowanie krótkoterminowe w procesie planowania zasobów Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska

Bardziej szczegółowo

Zapraszamy 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 szczegółowo

3. Modele tendencji czasowej w prognozowaniu

3. 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 szczegółowo

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar. EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji

Bardziej szczegółowo

Graf skierowany. Graf zależności dla struktur drzewiastych rozgrywających parametrycznie

Graf skierowany. Graf zależności dla struktur drzewiastych rozgrywających parametrycznie Gaf skieowany Gaf skieowany definiuje się jako upoządkowaną paę zbioów. Piewszy z nich zawiea wiezchołki gafu, a dugi składa się z kawędzi gafu, czyli upoządkowanych pa wiezchołków. Ruch po gafie możliwy

Bardziej szczegółowo

Przykład 2. Stopa bezrobocia

Przykład 2. Stopa bezrobocia Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w

Bardziej szczegółowo

Indeksy dynamiki (o stałej i zmiennej podstawie)

Indeksy 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 szczegółowo

Implementacja metod prognozowania szeregów czasowych w pakiecie TSprediction środowiska R

Implementacja metod prognozowania szeregów czasowych w pakiecie TSprediction środowiska R D nż. Tomasz Bałomowcz Unwese Ekonomczn we Wocławu Kaeda Ekonome Infomak Implemenacja meod pognozowana szeegów czasowch w pakece TSpedcon śodowska R Seszczene. Celem akułu jes pezenacja pakeu TSpedcon

Bardziej szczegółowo

Rodzajowy rachunek kosztów Wycena zuŝycia materiałów

Rodzajowy rachunek kosztów Wycena zuŝycia materiałów Rodzajowy achunek kosztów (wycena zuŝycia mateiałów) Wycena zuŝycia mateiałów ZuŜycie mateiałów moŝe być miezone, wyceniane, dokumentowane i ewidencjonowane w óŝny sposób. Stosowane metody wywieają jednak

Bardziej szczegółowo

Transport masy, pędu energii. Prawo zachowania

Transport masy, pędu energii. Prawo zachowania Pzedmio wykładu 5 Makoskopowy i mikoskopowy punk widzenia sysemu fizycznego an i własności subsancji Własności eksensywne i inensywne subsancji Ogólna foma zasady zachowania Pawo zachowania wielkości skalanej

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między

Bardziej szczegółowo

Przygotowanie do Egzaminu Potwierdzającego Kwalifikacje Zawodowe

Przygotowanie do Egzaminu Potwierdzającego Kwalifikacje Zawodowe Pzygotowanie do Egzaminu Potwiedzającego Kwalifikacje Zawodowe Powtózenie mateiału Opacował: mg inż. Macin Wieczoek Jednostki podstawowe i uzupełniające układu SI. Jednostki podstawowe Wielkość fizyczna

Bardziej szczegółowo

Zastosowanie metod prognostycznych w planowaniu strategii przedsiębiorstwa

Zastosowanie metod prognostycznych w planowaniu strategii przedsiębiorstwa Zastosowanie metod prognostycznych w planowaniu strategii przedsiębiorstwa Dr Adam Kucharski Spis treści 1 Czym jest prognozowanie i jakie pełni funkcje 2 2 Prognozowanie heurystyczne 4 2.1 Burza mózgów.....................................

Bardziej szczegółowo

II.6. Wahadło proste.

II.6. Wahadło proste. II.6. Wahadło poste. Pzez wahadło poste ozumiemy uch oscylacyjny punktu mateialnego o masie m po dolnym łuku okęgu o pomieniu, w stałym polu gawitacyjnym g = constant. Fig. II.6.1. ozkład wektoa g pzyśpieszenia

Bardziej szczegółowo

ANALIZA MOŻLIWOŚCI WYKORZYSTANIA MODELU HOLTA- WINTERSA DO OCENY POPYTU NA CZĘŚCI ZAMIENNE DO POJAZDÓW ROLNICZYCH 3

ANALIZA MOŻLIWOŚCI WYKORZYSTANIA MODELU HOLTA- WINTERSA DO OCENY POPYTU NA CZĘŚCI ZAMIENNE DO POJAZDÓW ROLNICZYCH 3 Wojciech Pzsupa, Sławomi Juściński 2 Uniwese Pzodnicz w Lublinie ANALIZA MOŻLIWOŚI WYKORZYSANIA MODELU HOLA- WINERSA DO OENY POPYU NA ZĘŚI ZAMIENNE DO POJAZDÓW ROLNIZYH 3 Wsęp Współczesn nek zbu, zapewniając

Bardziej szczegółowo

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie

Bardziej szczegółowo

RYNEK MIĘSA. Biuro Analiz i Programowania ARR Nr 36/2010

RYNEK MIĘSA. Biuro Analiz i Programowania ARR Nr 36/2010 RYNEK MIĘSA TENDENCJE CENOWE Ceny skupu żywca Na przełomie sierpnia i września br. odnotowano obniżkę cen skupu trzody chlewnej. Według danych Zintegrowanego Systemu Rolniczej Informacji Rynkowej MRiRW

Bardziej szczegółowo

Ćwiczenia IV

Ćwiczenia IV Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie

Bardziej szczegółowo

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model

Bardziej szczegółowo

WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA SIECI DRÓG MIEJSKICH

WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA SIECI DRÓG MIEJSKICH dr hab. inŝ. Kazimierz Kłosek Prof. nzw. Poliechniki Śląskiej, Kierownik Kaedry Dróg i Mosów dr inŝ. Anna Olma Wydział Budownicwa Poliechniki Śląskiej Gliwice, Polska WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA

Bardziej szczegółowo

Pojęcia podstawowe 1

Pojęcia podstawowe 1 Tomasz Lubera Pojęcia podsawowe aa + bb + dd + pp + rr + ss + Kineyka chemiczna dział chemii fizycznej zajmujący się przebiegiem reakcji chemicznych w czasie, ich mechanizmami oraz wpływem różnych czynników

Bardziej szczegółowo

( 3 ) Kondensator o pojemności C naładowany do różnicy potencjałów U posiada ładunek: q = C U. ( 4 ) Eliminując U z równania (3) i (4) otrzymamy: =

( 3 ) Kondensator o pojemności C naładowany do różnicy potencjałów U posiada ładunek: q = C U. ( 4 ) Eliminując U z równania (3) i (4) otrzymamy: = ROZŁADOWANIE KONDENSATORA I. el ćwiczenia: wyznaczenie zależności napięcia (i/lub prądu I ) rozładowania kondensaora w funkcji czasu : = (), wyznaczanie sałej czasowej τ =. II. Przyrządy: III. Lieraura:

Bardziej szczegółowo

Budowa modelu i testowanie hipotez

Budowa modelu i testowanie hipotez Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella

Bardziej szczegółowo

Copyright by Politechnika Białostocka, Białystok 2017

Copyright by Politechnika Białostocka, Białystok 2017 Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:

Bardziej szczegółowo

3. Analiza własności szeregu czasowego i wybór typu modelu

3. Analiza własności szeregu czasowego i wybór typu modelu 3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej

Bardziej szczegółowo

OCENA PRZYDATNOŚCI MODELU WINTERSA DO PROGNOZOWANIA CEN SKUPU MLEKA

OCENA PRZYDATNOŚCI MODELU WINTERSA DO PROGNOZOWANIA CEN SKUPU MLEKA STOWARZYSZENIE Ocena przydatności EKONOMISTÓW modelu Wintersa ROLNICTWA do prognozowania I AGROBIZNESU cen skupu mleka Roczniki Naukowe tom XV zeszyt 4 231 Jarosław Lira Uniwersytet Przyrodniczy w Poznaniu

Bardziej szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan

Bardziej szczegółowo

MIERNICTWO WIELKOŚCI ELEKTRYCZNYCH I NIEELEKTRYCZNYCH

MIERNICTWO WIELKOŚCI ELEKTRYCZNYCH I NIEELEKTRYCZNYCH Politechnika Białostocka Wydział Elektyczny Kateda Elektotechniki Teoetycznej i Metologii nstukcja do zajęć laboatoyjnych z pzedmiotu MENCTWO WEKOŚC EEKTYCZNYCH NEEEKTYCZNYCH Kod pzedmiotu: ENSC554 Ćwiczenie

Bardziej szczegółowo

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

PROGNOZOWANIE 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 szczegółowo

POLITECHNIKA OPOLSKA Wydział Elektrotechniki i Automatyki

POLITECHNIKA OPOLSKA Wydział Elektrotechniki i Automatyki POLITECHNIKA OPOLSKA Wydział Elektotechniki i Automatyki Mg inż. Michał Tomaszewski MODEL PRZEDSIĘBIORSTWA DYSTRYBUCYJNEGO DZIAŁAJĄCEGO NA OTWARTYM RYNKU ENERGII ELEKTRYCZNEJ Autoefeat pacy doktoskiej

Bardziej szczegółowo

Analiza autokorelacji

Analiza 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 szczegółowo

ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH

ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/1, 2012, sr. 224 233 ANALIZA SZEREGU CZASOWEGO CEN ŻYWCA BROJLERÓW W LATACH 1991-2011 Kaarzyna Unik-Banaś Kaedra Zarządzania i Markeingu w Agrobiznesie

Bardziej szczegółowo

Przepięcia i sieci odciążające

Przepięcia i sieci odciążające Pzepięcia i sieci odciążające Cel ćwiczenia: apoznanie sudenów z zjawiskami pzepięć komuacyjnych na yysoach i sposobami ochony elemenów półpzewodnikowych, oaz poznanie sposobów ochony elemenów w pełni

Bardziej szczegółowo

Statystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30

Statystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30 Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na

Bardziej szczegółowo

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ekonometria 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 szczegółowo

6.4. Model zdyskontowanych zysków Metoda skorygowanej wartości bieżącej (APV)

6.4. Model zdyskontowanych zysków Metoda skorygowanej wartości bieżącej (APV) 6.4. Model zdyskonowanych zysków Jeśli za mienik waości pzyjęy zosanie zysk neo, obliczenie waości wewnęznej odbywać się będzie ak samo, jak miało o miejsce w pzypadku modeli dywidendowych i cash flow.

Bardziej szczegółowo

ANALIZA DANYCH W STATA 8.0

ANALIZA DANYCH W STATA 8.0 ANALIZA DANYCH W STATA 8.0 ZAJĘCIA 3 1. Rozpoczęcie 1. Stwozyć w katalogu C:/temp katalog stata_3 2. Ściągnąć z intenetu ze stony http://akson.sgh.waw.pl/~mpoch plik zajecia3.zip (kyje się on pod tekstem

Bardziej szczegółowo

Zagadnienie 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 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 szczegółowo

Model AS-AD. Krzywa AD M P = (1)

Model AS-AD. Krzywa AD M P = (1) Model AS-AD modelu IS-LM oaz w podsawowym modelu keynesowskim zakładaliśmy, że ceny w gospodace są sałe. Teaz uchylamy o założenie. Model AS-AD pezenujemy w pzeszeni poduk poziom cen (lub inflacja. Równowagę

Bardziej szczegółowo

00502 Podstawy kinematyki D Część 2 Iloczyn wektorowy i skalarny. Wektorowy opis ruchu. Względność ruchu. Prędkość w ruchu prostoliniowym.

00502 Podstawy kinematyki D Część 2 Iloczyn wektorowy i skalarny. Wektorowy opis ruchu. Względność ruchu. Prędkość w ruchu prostoliniowym. 1 00502 Kinematyka D Dane osobowe właściciela akusza 00502 Podstawy kinematyki D Część 2 Iloczyn wektoowy i skalany. Wektoowy opis uchu. Względność uchu. Pędkość w uchu postoliniowym. Instukcja dla zdającego

Bardziej szczegółowo

m q κ (11.1) q ω (11.2) ω =,

m q κ (11.1) q ω (11.2) ω =, OPIS RUCHU, DRGANIA WŁASNE TŁUMIONE Oga Kopacz, Adam Łodygowski, Kzysztof Tymbe, Michał Płotkowiak, Wojciech Pawłowski Konsutacje naukowe: pof. d hab. Jezy Rakowski Poznań 00/00.. Opis uchu OPIS RUCHU

Bardziej szczegółowo

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

WYKORZYSTANIE 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 szczegółowo

Optyka falowa. polaryzacja. dwójłomność optyczna. czym jest zjawisko polaryzacji stan a stopień polaryzacji sposoby polaryzacji

Optyka falowa. polaryzacja. dwójłomność optyczna. czym jest zjawisko polaryzacji stan a stopień polaryzacji sposoby polaryzacji W-21 (Jaoszewicz) 16 slajdów Na podsawie pezenacji pof. J. Rukowskiego Opyka falowa polayzacja czym jes zjawisko polayzacji san a sopień polayzacji sposoby polayzacji dwójłomność opyczna pzyczyny mikoskopowe

Bardziej szczegółowo

Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego

Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego 61 Barometr Regionalny Nr 2(24) 2011 Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego Jarosław Bielak Wyższa Szkoła Zarządzania i Administracji w Zamościu Streszczenie:

Bardziej szczegółowo

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer

Bardziej szczegółowo

KIERUNKI ZMIAN STRUKTURY AGRARNEJ WOJEWÓDZTW WEDŁUG GRUP TYPOLOGICZNYCH (PROGNOZA DO ROKU 2020)

KIERUNKI ZMIAN STRUKTURY AGRARNEJ WOJEWÓDZTW WEDŁUG GRUP TYPOLOGICZNYCH (PROGNOZA DO ROKU 2020) METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/, 202, st. 58 68 KIERUNKI ZMIAN STRUKTURY AGRARNEJ WOJEWÓDZTW WEDŁUG GRUP TYPOLOGICZNYCH (PROGNOZA DO ROKU 2020) Jadwiga Bożek Kateda Statystyki Matematycznej,

Bardziej szczegółowo

Ocena siły oddziaływania procesów objaśniających dla modeli przestrzennych

Ocena siły oddziaływania procesów objaśniających dla modeli przestrzennych Michał Benad Pietzak * Ocena siły oddziaływania pocesów objaśniających dla modeli pzestzennych Wstęp Ekonomiczne analizy pzestzenne są ważnym kieunkiem ozwoju ekonometii pzestzennej Wynika to z faktu,

Bardziej szczegółowo

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania

Bardziej szczegółowo

Case nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie

Case nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie Case nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie Jerzy Stefanowski, Instytut Informatyki Politechnika Poznańska - 2011 aktualizacja dla edycji 2013/14. Cel studium

Bardziej szczegółowo

PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI

PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ODPOWIEDZI DO ARKUSZA ROZSZERZONEGO Zadanie ( pkt) A Zadanie ( pkt) C Zadanie ( pkt) A, bo sinα + cosα sinα + cosα cos sinα sin cosα + π π + π sin α π A więc musi

Bardziej szczegółowo

Wojciech Bijak. Dynamiczna analiza finansowa minimalnego wymogu kapitałowego (MCR) kalibracja modelu rozszerzonego marginesu wypłacalności

Wojciech Bijak. Dynamiczna analiza finansowa minimalnego wymogu kapitałowego (MCR) kalibracja modelu rozszerzonego marginesu wypłacalności Dynamiczna analiza finansowa minimalnego wymogu kapitałowego () kalibracja modelu rozszerzonego marginesu wypłacalności Wojciech Bijak Instytut Ekonometrii SGH 8.6.28 1 Plan prezentacji Wymogi kapitałowe

Bardziej szczegółowo

Zajęcia 1. Statystyki opisowe

Zajęcia 1. Statystyki opisowe Zajęcia 1. Statystyki opisowe 1. Znajdź dane dotyczące liczby mieszkańców w polskich województwach. Dla tych danych oblicz: a) Średnią, b) Medianę, c) Dominantę, d) Wariancję, e) Odchylenie standardowe,

Bardziej szczegółowo

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

KURS 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 szczegółowo

Prognoza liczby wypadków drogowych w Polsce

Prognoza liczby wypadków drogowych w Polsce CHUDY-LASKOWSKAKatarzyna 1 PISULA Tomasz 2 Prognoza liczby wypadków drogowych w Polsce WSTĘP Bezpieczeństwo w ruchu drogowym jest problemem niezwykle aktualnym i dotykającym wszystkich mieszkańców nie

Bardziej szczegółowo