Prognozowanie i symulacje

Wielkość: px
Rozpocząć pokaz od strony:

Download "Prognozowanie i symulacje"

Transkrypt

1 Progozowaie i smulacje Ramow pla wkładu. Wprowadzeie w przedmio. rafość dopuszczalość i błąd progoz 3. Progozowaie a podsawie szeregów czasowch 4. Progozowaie a podsawie modelu ekoomerczego 5. Heurscze modele progoscze 6. Smulacje

2 Wbraa lieraura. Progozowaie gospodarcze. Meod i zasosowaie red. M. Cieślak PWN Warszawa. Zeliaś A. Pawełek B. Waa S. Progozowaie ekoomicze. eoria przkład zadaia PWN Warszawa 3 3. Gajda J. Progozowaie i smulacja a deczje gospodarcze Wd. C.H. Beck Warszawa 4. Progozowaie gospodarcze red. E. Nowak AW Place Warszawa Progozowaie i smulacja red. W. Milo Wd. UŁ Łódź Przewidwaie przszłości Przewidwaie przszłości Racjoale Nieracjoale Zdroworozsądkowe Naukowe PROGNOZOWANIE o przewidwaie przszłości w sposób racjoal z wkorzsaiem meod aukowch PREDYKCJA o progozowaie a podsawie modelu ekoomerczego

3 Progoza jako wik progozowaia PROGNOZA o sąd sformułowa z wkorzsaiem dorobku auki odosząc się do określoej przszłości werfikowal empirczie iepew (ale akcepowal) Eap progozowaia: I. Sformułowaie zadaia progosczego II. Podaie przesłaek progosczch III. Wbór meod progozowaia IV. Ocea dokładości lub dopuszczalości progoz V. Werfikacja progoz Fukcje progoz Wróżia się rz podsawowe fukcje progoz: I. PREPARACYJNA (do podejmowaia deczji swarza dodakowe przesłaki do podejmowaia racjoalch deczji) II. AKYWIZUJĄCA (pobudzeie do działań sprzjającch realizacji korzsej progoz przeciwdziałającch progozie iekorzsej) III. INFORMACYJNA (dosarcza iformacji o badam zjawisku) 3

4 Meoda progozowaia MEODA PROGNOZOWANIA o sposób przeworzeia dach z przeszłości wraz ze sposobem przejścia od przeworzoch dach do progoz. Isieją więc dwie faz: faza diagozowaia przeszłości - odbwa się przez budowę modelu formalego (model ekoomercz) lub mślowego (w umśle ekspera) faza określaia przszłości polega a zasosowaiu odpowiediej reguł progoz Reguł progoz reguła podsawowa progoza posawioa a podsawie modelu prz założeiu że będzie o akual w progozowam okresie reguła podsawowe z poprawką progoza posawioa a podsawie modelu z poprawką uwzględiającą że osaio zaobserwowae odchleia od modelu urzmają się w przszłości reguła ajwiększego prawdopodobieńswa (dla zmiech losowch kórch rozkład prawdopodobieńswa jes za) progozą jes warość zmieej kórej odpowiada ajwiększe prawdopodobieńswo dla zmiech skokowch lub maksmala warość fukcji gęsości prawdopodobieńswa dla zmiech ciągłch reguła miimalej sra przjmuje się że wielkość sra jes fukcją błędu progoz i poszukuje się miimum ej fukcji. Progozą jes warość dla kórej a fukcja przjmuje miimum. 4

5 Meod progozowaia Meod progozowaia Meod maemaczo-sascze Meod iemaemacze Meod opare a modelach ekoomerczch Modele jedorówaiowe Klascze modele redu Adapacje modele redu Modele przczowo-opisowe Modele auoregresje Meod opare a modelach deermiisczch Modele wielorówaiowe: pros rekurecj o rówaiach współzależch Meod akieowe Meod iuicje Meod kolejch przbliżeń Meoda eksperz Meoda delficka Meoda refleksji Meod aalogowe Ie Meod progozowaia Progozowaie a podsawie modelu maemaczo-sasczego o progozowaie ilościowe Progozowaie a podsawie modeli iemaemaczch o zwkle progozowaie jakościowe Progoz ilościowe dzielim a: pukowe gdzie dla zmieej progozowaej wzacza się jedą warość dla > przedziałowe w kórch wzacza się przedział w kórm zajdzie się rzeczwisa warość zmieej progozowaej w progozowam okresie >. 5

6 Progozowaie Bazą dach do modelu zmieej progozowaej () F(ε ) lub () F(x x...x k ε ) jes szereg czasow w posaci: x x... x k x x... x k x x... x k x x... x k Progoz zmieej progozowaej wzaczam a okres > Progozę a okres będziem ozaczać Y Horzo czasow progoz Progoza krókookresowa o progoza a aki przedział czasow w kórm zakłada się isieie lko zmia ilościowch. Progoz akie wzacza się przez eksrapolację dochczasowch związków (a podsawie modeli ekoomerczch lub redów) Progoza średiookresowa docz okresów czasu w kórch oczekuje się zmia ilościowch oraz eweualie iewielkich zmia jakościowch. Progoza musi uwzględiać oba p zmia musi przajmiej umiarkowaie odchodzić od eksrapolacji Progoza długookresowa docz przedziału czasu w kórm mogą wsępować zmia ilościowe oraz zaczące zmia jakościowe 6

7 Modele ilościowe Progozę a okres > moża posawić wkorzsując model F () lub() jeśli spełioe są asępujące założeia:. fukcja F wraża pewą prawidłowość ekoomiczą kóra jes sabila w czasie (ie spodziewam się żadch zmia jakościowch). składik losow ε jes sabil 3. w przpadku modelu ekoomerczego zae są warości zmiech objaśiającch w okresie > czli zae są warości progoz... k 4. dopuszczala jes eksrapolacja modelu poza próbę czli poza obszar zmieości zmiech objaśiającch jak i zmieej (zmiech) objaśiaej. Aaliza dach w szeregu czasowm Aaliza dach polega a:. Wodrębieiu obserwacji odsającch. Swierdzeiu braku lub isieia redu 35 Y 3 A

8 Obserwacje odsające Po wodrębieiu obserwacji odsającch ależ usalić:. Cz daa obserwacja pojawiła się w skuek k błędu rejesracji ji dach. Cz obserwacja pojawiła się w skuek jedokroego zjawiska zewęrzego wpłwu (p. realizacja pewego dużego jedokroego zamówieia o kórm wiem że ie asąpi już w przszłości) 3. Cz obserwacja pojawiła się jako ormale wahaie losowe (przpadkowe) w próbie. W przpadku. oraz. obserwację A moża pomiąć a brakującą warość uzupełić średią armeczą z obserwacji poprzediej i asępej. W przpadku 3. obserwacja powia pozosać w bazie dach sasczch. Błąd progoz Po wborze modelu progosczego F moża wzaczć progoz dla >: () Y F() lub () Y F(x x...x k ) wraz z progozą Y ależ wzaczć mierik dokładości progoz Prz wborze modelu progosczego ależ dążć do osiągięcia zadowalającego poziomu mierika dokładości Wróżiam dwa p mierików:. błąd ex pos. błąd ex ae Błąd progoz moża zapisać jako B Y gdzie Y o warość progoz zmieej Y a okres wzaczoa a podsawie modelu F a o rzeczwisa warość zmieej progozowaej w okresie. 8

9 Dopuszczalość progoz: błąd ex ae Błąd ex ae wzacza się dla modeli liiowch kórch paramer oszacowao Meodą Najmiejszch Kwadraów (MNK). Niech model ma posać: dla. o po oszacowaiu MNK jego paramerów model eorecz przjmuje posać: dla. w zapisie macierzowm: α α α... α ε Ŷ a a a... a Ŷ a k k k k Dopuszczalość progoz () Gdzie w zapisie macierzowm: oraz a a a (... ak Ŷ a ) Y Y k k... k 9

10 Dopuszczalość progoz (3) Progozę a okres > moża wzaczć ze wzoru: Y α α α... αk k gdzie: k o progoz zmiech objaśiającch ś j k w okresie > co w zapisie macierzowm: Y ( ) a gdzie:... k Błąd ex ae Błąd ex ae o odchleie sadardowe błędu B progoz Y a okres. Błąd ex ae ozacza się przez V : V Se ( ) ( ) gdzie S e o odchleie sadardowe resz modelu liiowego. Względ błąd ex ae progoz Y : W V Y ( %) kór iformuje jaką część progoz saowi błąd ex ae

11 rafość progoz błąd ex pos () Błąd ex pos może bć wzaczo dla wszskich modeli ilościowch. Jeśli będzie okresem a kór posawioo progozę Y i okres e już miął o zaa jes warość rzeczwisa Y zmieej progozowaej. aką progozę Y azwać będziem progozą wgasłą. Dla progoz wgasłch moża wzaczć błąd ex pos. Rozróżiam:. względ błąd progoz (proceow): PE ( %). absolu błąd progoz: AE 3. względ ę absolu błąd ą progoz (proceow): APE 4. kwadraow błąd progoz: SE ) ( 5. względ kwadraow błąd progoz: ( ) PSE ( %) rafość progoz błąd ex pos () Do oce rafości progoz wgasłch (a a więc dopasowaia modelu progosczego F do dach o zmieej progozowaej Y moża wkorzsać asępujące błęd: ę. średi absolu błąd ex pos progoz wgasłch. średi względ absolu błąd ex pos progoz wgasłch 3. średi błąd ex pos progoz wgasłch 4. średi względ błąd ex pos progoz wgasłch 5. średi kwadraow błąd ex pos progoz wgasłch 6. pierwiasek i średiego d i kwadraowego błędu ex pos progoz wgasłchł 7. współczik heila Do badaia akualości modelu progosczego możem użć współczika Jausowego

12 Ozaczm przez M {... } zbiór umerów okresów/momeów w kórch werfikujem rafość progoz wgasłch wzaczoch za pomocą modelu card M liczebość zbioru M. Średi absolu błąd ex pos progoz wgasłch MAE MAE M card Y M

13 Średi względ absolu błąd ex pos progoz wgasłch MAPE(proceow) MAPE M card Y M ( %) Średi błąd ex pos progoz wgasłch ME ME M ( card Y ) M 3

14 Średi względ błąd ex pos progoz wgasłch MPE MPE M card M Średi kwadraow błąd ex pos progoz wgasłch MSE MSE M ( Y card ) M 4

15 Pierwiasek średiego kwadraowego błędu ex pos progoz wgasłch RMSE RMSE MSE Współczik heila () I M ( M YY ) ) I I I I 3 5

16 Współczik heila () I ( Y M Y ) card Wraża wielkość błędu z powodu ieodgadięcia średiej warości zmieej progozowaej (ieobciążoości progoz). YY M Warości średie wzaczae są dla warości akich że Iˆ I I % M Współczik heila (3) ( Y ) M S Y card M M Y Y card M ( ) M SY card M ( SY SY ) I Wraża wielkość błędu z powodu ieodgadięcia wahań zmieej progozowaej (iedosaeczej elasczości) Iˆ I I % 6

17 Współczik heila (4) I 3 S Y S Y M card ( M r Y Y ) Wraża wielkość błędu z powodu ieodgadięcia kieruku edecji rozwojowej zmieej progozowaej (iedosaeczej zgodości progoz z rzeczwism kierukiem zmia zmieej progozowaej) r YY o współczik korelacji pomiędz warościami i Y dla Iˆ 3 I I % M Współczik Jausow J P K ( card ( card P zbiór umerów okresów/momeów dla kórch posawioo progoz za pomocą modelu i sał się oe progozami wgasłmi card dp liczebość zbioru P K {... } o zbiór umerów okresów/momeów dla kórch zbudowao model i wzaczoo progoz wgasłe Card K liczebość zbioru K Jeżeli J o model jes adal akual i może bć uż do progozowaia a asępe okres. Y P Y K ) ) 7

18 Progozowaie a podsawie szeregów czasowch Składowe szeregu czasowego: I. Składowa ssemacza II. Składowa przpadkowa Składowa ssemacza:. red (edecja rozwojowa) długookresowa skłoość do jedokierukowch zmia warości badaej zmieej. Sał przecię poziom progozowaej zmieej warości osclują wokół sałego poziomu 3. Wahaia cklicze długookresowe powarzające się rmiczie w przedziałach czasu dłuższch iż rok wahaia warości zmieej wokół redu lub sałego poziomu 4. Wahaia sezoowe wahaia warości zmieej wokół redu lub sałego poziomu w przedziałach czasu ie przekraczającch roku. Dekompozcja szeregu czasowego Proces wodrębiaia poszczególch składowch szeregu czasowego Ocea wzrokowa sporządzoego wkresu Idefikacja poszczególch składowch szeregu czasowego a podsawie wkresów szeregu czasowego Aaliza auokorelacji Oblicza się warości współczików korelacji międz oraz -i (dla i...k) czli współcziki auokorelacji różch rzędów. Bada się sasczą isoość ch współczików. Jeśli współcziki dla kilku pierwszch rzędów są duże i sasczie isoe o wskazuje o a wsępowaie redu. Jeśli wsępuje sasczie iso współczik auokorelacji rzędu rówego liczbie faz cklu sezoowego o wskazuje o a wsępowaie wahań sezoowch. 8

19 Ocea wzrokowa () Ocea wzrokowa ()

20 Ocea wzrokowa (3) Ocea wzrokowa (4)

21 Modele szeregów czasowch ze sałm poziomem zmieej progozowaej bez wahań okresowch () Meoda aiwa Y meodę moża sosować w przpadku iskiej zmieości zmieej progozowaej zazwczaj w suacjach gd współczik zmieości ie przekracza % Meoda średiej ruchomej ważoej k-elemeowej k Y i wi k wi wi > dlai... k i k i Sałą wgładzaia k usala się a podsawie ajmiejszego błędu progoz wgasłch wagi w i usala progosa a podsawie wiedz o zmieej progozowaej Y. Jeśli przjmie się o w i meodę azwam meodą średiej ruchomej k-elemeowej. k. Modele szeregów czasowch ze sałm poziomem zmieej progozowaej () Pros model wgładzaia wkładiczego Y α ( α) Y α (]. dla 3. model moża sosować jeśli szereg ie cechuje zb sila zmieość (wahaia przpadkowe ie są zb duże). Sałą wgładzaia α wzacza się ekspermealie a podsawie wbraego krerium jakie powi spełiać progoz wgasłe. Do wboru modelu progosczego (progoz) moża wkorzsać aalizę błędów ex pos progoz wgasłch

22 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej bez wahań okresowch() Modele aalicze Y f () sosuje się do progozowaa zjawisk kóre charakerzował się w przeszłości regularmi zmiaami kóre moża opisać za pomocą fukcji czasu i wobec kórch zakłada się iezmieość kieruku redu. Wbór posaci aaliczej modelu dokouje się a podsawie: przesłaek ł keoreczch hdoczącch mechaizmu rozwojowego progozowaego zjawiska oce wzrokowej wkresu przeszłch warości zmieej dopasowaia modelu do warości rzeczwisch zmieej progozowaej. Modele szeregów czasowch z edecją rozwojową zmieej progozowaej () Do oce dopasowaia modelu liiowego kórego paramer oszacowao MNK do warości empirczch moża się posłużć: a) współczikiem deermiacji: R ϕ ( ˆ ) ( ˆ ) R SY ( ) [ ] b) sadardowm błędem szacuku modelu (odchleiem sadardowm resz): S e k ( ˆ ) gdzie: k ozacza liczbę zmiech objaśiającch w modelu

23 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (3) Model redu liiowego (lub zliearzowaego) przedsawia się w asępując sposób: Y a a Paramer srukurale modelu moża oszacować meodą ajmiejszch kwadraów : a cov( Y ) S ( ) ( ( ) Progozę a okres > wzacza się z wzoru: ) Y a a a a Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (4) Do oce dopuszczalości zbudowach progoz użwa się błędów ex ae: a) dla modelu liiowego: V S e ( ) ( ) b) dla modeli ieliiowch sprowadzalch do liiowch poprzez rasformację g: ~ V V d ~ d ~ ~ zmiea określoa rasformacją liiową ~ g() V o błąd ex ae progoz zmieej ~ a okres a pochoda jes liczoa w pukcie 3

24 4 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (5) Model redu wielomiaowego: k k... Model redu wielomiaowego: Przekszałceie do posaci liiowej: podsawieie: Progoza: k k a... a a a k k a a a a Y... ) ( ) ( 4 S e V k k k M L M O M M M L L Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (6) Model redu wkładiczego: ξ Przekszałceie do posaci liiowej: e a a ξ ~ ~ Y e Y b b Y a l b la b l ~ l ) ( ) ( ~ l l ~ 3 S Y V e M M M

25 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (7) Model redu poęgowego: a ξ a e Przekszałceie do posaci liiowej: ~ b b l l l l l3 ~ l 3 V M M M l l ~ l l b l a b a ~ ~ Y Y Y e ~ ~ S ~ [( ~ ( ~ ) ~ Y e ) ~ ] Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (8) Przekszałceie do posaci liiowej: l l l 3 3 V M M M l Model redu logarmiczego: Y a a l ~ l ~ Y a a ~ [( ~ ( ~ ) ~ Se ) ~ ] 5

26 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej (9) Model redu hiperboliczego: a a ~ Przekszałceie do posaci liiowej: a a ~ ~ ~ ~ ~ ~ 3 V Se [( ) ( ) 3 M M M ] Przkład obliczeiow () Wielkość sprzedaż rowerów sacjoarch firm Weler u przedsawiciela a Gór Śląsk w osaich kwarałach przedsawiała się asępująco [w sz.]: Przjmując że cziki kszałujące sprzedaż ie ulegą zmiaie: a) posawić progozę sprzedaż a kolej kwarał (3)

27 Przkład obliczeiow (red liiow) () x 767 R Przkład obliczeiow (red logarmicz) (3) L(x) 4 R

28 Przkład obliczeiow (4) l Y l W kolejm kwarale progozowaa sprzedaż wosi 9 szuk rowerów. Przkład obliczeiow (błąd ex ae) (5) b) przjmując że błąd progoz ie może saowić więcej iż % jej warości zbadaj dopuszczalość progoz l Y l 475 ( -Y )

29 Przkład obliczeiow (błąd ex ae) (6) S e ( k Y ) ~ 5649 ~ Przkład obliczeiow (błąd ex ae) (7) V S e ~ [( ) ~ ( ~ ) ~ ] 548 ( ) 85 V η % 633% Progozę a kolej kwarał (3) moża uzać za dopuszczalą. 9

30 Przkład obliczeiow (8) c) posaw progoz a asępe dwa kwarał (4 i 5) oraz oceń ich dopuszczalość l Y l Przkład obliczeiow (9) ~ 4 ~ ~ ~ ~ ~ V4 Se [( ) ( ) ] 548 (34 ) 84 ~ ~ ~ ~ V5 Se [( ) ( ) ] 548 (563 ) 898 η 635% η 5 637% 4 Obie progoz (a kwarał 4 oraz 5) moża uzać za dopuszczale. 3

31 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej () Jeżeli zaobserwuje się odchodzeie warości zmieej progozowaej od dochczasowej edecji rozwojowej j (spowodowae zmiaą ą jakościową) o moża wkorzsać progozę w formie reguł podsawowej z poprawką: ( w) Y Y p Modele szeregów czasowch z edecją rozwojową zmieej progozowaej () Progozę przedziałową dla z gór zadaej wiargodości p (dla z gór zadaego prawdopodobieńswa że warość rzeczwisa zmieej progozowaej w okresie > zajdzie się w dam przedziale) kosruuje się w asępując sposób: { } p P Y u V Y u V u współczik związa z wiargodością progoz p rozkładem resz modelu oraz długością szeregu czasowego. Jeśli rozkład resz modelu ie jes zgod z rozkładem ormalm lub hipoeza o ormalości ie bła werfikowaa o u zależ włączie od wiargodości progoz a obliczając u korzsa się z ierówości Czebszewa: u p Jeśli rozkład resz modelu jes zgod z rozkładem ormalm o u odczuje się z ablic rozkładu ormalego dla dużej prób dla prawdopodobieńswa p lub z ablic rozkładu -Sudea dla małej prób (<3) dla prawdopodobieńswa (-p) oraz -k- sopi swobod. 3

32 Przkład obliczeiow () Wielkość sprzedaż rowerów sacjoarch firm Weler u przedsawiciela a Gór Śląsk w osaich kwarałach przedsawiała się asępująco [w sz.]: Przjmując że cziki kszałujące sprzedaż ie ulegą zmiaie posawić progozę przedziałową a kolej kwarał a poziomie wiargodości 95. a) rozkład resz modelu ie jes bada lub ie jes zgod z rozkładem ormalm u b) jeśli rozkład resz jes zgod z rozkładem ormalm o u 3 Przkład obliczeiow () a) rozkład resz modelu ie jes bada lub ie jes zgod z rozkładem ormalm wed 3 [ ; ] [5;33] 3 b) jeśli rozkład resz jes zgod z rozkładem ormalm o 3 [9 385;9 385] z prawdopodobieńswem p [7;3] 3

33 Modele szeregów czasowch z edecją rozwojową zmieej progozowaej () gdzie F Model liiow Hola F ( ) S α ( α ) ( F S S β (F F ) ( β ) S dla 3. Paramer wgładzaia α i β dobiera się ekspermealie a podsawie wbraego krerium kóre powi spełiać progoz wgasłe. Poado α i β ależą do przedziału [;]. Model wmaga warości począkowch F oraz S. Moża przjąć: ) lub F lub a F F S a S S z modelu liiowego Przkład obliczeiow () Wielkość sprzedaż pralek auomaczch firm Kolar u jedego z przedsawicieli w osaich miesiącach przedsawiała się asępująco [w sz.]: Przjmując że cziki kszałujące sprzedaż ie ulegą zmiaie: a) posaw progozę a asęp miesiąc

34 Przkład obliczeiow () Począkowe rozwiązaie dla α5 oraz β5 F S F - S - ( - ) Przkład obliczeiow (3) α oraz β F S F - S - ( - )

35 Przkład obliczeiow (4) α oraz β F S F - S - ( - ) Przkład obliczeiow (5) α oraz β F a oraz S a a podsawie wszskich obserwacji F S F - S - ( - )

36 Przkład obliczeiow (6) α oraz β F a oraz S a a podsawie 3 pierwszch obserwacji F S F - S - ( - ) Przkład obliczeiow (7) α oraz β F oraz S a podsawie ajmiejszego błędu progoz wgasłch F S F - S - ( - )

37 Model redu pełzającego z wagami harmoiczmi Procedura meod jes asępująca: I. Usaleie sałej wgładzaia k < ; II. Oszacowaie a podsawie kolejch fragmeów szeregu o długości k liiowch fukcji redu III. Obliczeie i warości ś ieoreczch wikającch z poszczególch fukcji redu; IV. Obliczeie warości redu pełzającego dla każdego okresu (średia armecza z warości eoreczch adekwach fukcji redu dla daego okresu); w V. Obliczeie przrosów fukcji redu: w w VI. Nadaie wag poszczególm przrosom: C i i VII. Określeie średiego przrosu redu jako średiej ważoej wszskich obliczoch przrosów w C w VIII. Wzaczeie progoz pukowej a okres : Y w ( ) w Przkład obliczeiow () Na podsawie dach z poprzediego przkładu (sprzedaż pralek firm Wolar ) posaw progozę a asęp miesiąc prz zasosowaiu modelu redu pełzającego z wagami harmoiczmi. I. Niech k3 im wższa warość sałej k m większe wgładzeie szeregu i m słabsze reagowaie a zmia zachodzące w szeregu czasowm a a "-3" "-4" 36 3 "3-5" "4-6" "5-7" "6-8" "7-9" "8-" "9-" "-"

38 Przkład obliczeiow () Warości eorecze Przkład obliczeiow (3) Warości wgładzoe- red pełzając średie waroście eorecze

39 Przkład obliczeiow (4) Przros fukcji redu pełzającego przros Przkład obliczeiow (5) Nadaie wag przrosom Wagi realizują posula posarzaia iformacji ajowsze przros mają ajwiększe zaczeia. Suma wag wosi. wagi

40 Przkład obliczeiow (6) wagi przros ilocz Y3 97 (3 ) Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej () Meoda wskaźików gd wsępują wahaia sezoowe wraz z edecją rozwojową lub sałm przecięm poziomem progozę wzacza się a podsawie warości fukcji redu skorgowaej o wskaźik sezoowości prz wahaiach bezwzględie sałch (gd ampliud wahań w aalogiczch okresach są sałe) może bć model addw: c i ( w) prz wahaiach względie sałch (wielkości ampliud zmieiają się miej więcej w m samm sosuku) może bć model muliplikaw: i ( w) (w) gdzie o wielkość progoz wzaczoa z fukcji redu lub sałego przecięego poziomu c i i 4

41 Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej ().Oblicza się asępujące warości (elimiacja redu): i z i i ŷ lub zi ŷ.oblicza się surowe wskaźiki sezoowości (elimiacja oddziałwaia składika losowego): k zi z i j r i k k liczba jedoimiech faz w szeregu; r liczba faz w cklu 3.Wzacza się czse wskaźiki sezoowości (iformują o aężeiu wahań sezoowch): z r i ci zi q lb lub ci gdzie di q zi q r 4.Wzacza się warość progoz: i ( w) c i lub i j ( w) i c i Przkład obliczeiow () Firma Czar diame prowadzi sprzedaż paliwa opałowego klieom idwidualm. Dochod firm zależą prakczie od wielkości sprzedaż miału opałowego. Dae doczące kwaralej wielkości sprzedaż miału [] z osaich la przedsawioo w poiższej abeli. Należ wzaczć progozę a koleje kwarał

42 Przkład obliczeiow () Aaliza ampliud wahań dopuszcza sosowaie modelu addwego jak i muliplikawego. Przkład obliczeiow (3) Model addw ^ -^ i z i c i ( 38 5) ( )

43 Przkład obliczeiow (4) Model muliplikaw ^ /^ i z i c i Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (3) Meoda redów jedoimiech okresów gd wsępują wahaia sezoowe wraz z edecją rozwojową lub sałm przecięm poziomem polega a szacowaiu paramerów aaliczej fukcji redu oddzielie dla poszczególch faz cklu progozę sawia się przez eksrapolację odpowiediej fukcji redu 43

44 Przkład obliczeiow Należ wzaczć progozę sprzedaż miału przez firmę Czar diame a koleje kwarał meodą redów jedoimiech okresów. I II III IV Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (4) Model Wiersa gd wsępują wahaia sezoowe wraz z edecją rozwojową lub sałm przecięm poziomem jes modelem z rzema rówaiami może bć muliplikaw wed progoza wosi: [ F S ( )] C może bć addw wed progoza wosi: F S ( ) C r r 44

45 45 Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (5) Model Wiersa muliplikaw )S ( ) F F ( S ) S F )( ( C F r β β α α ] ; [ )C ( F C r γ β α γ γ Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (6) Model Wiersa addw )C ( ) F ( C )S ( ) F F ( S ) S F )( ( ) C ( F r γ γ β β α α ] ; [ )C ( ) F ( C r γ β α γ γ

46 Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (7) Propozcje warości począkowch F S C (w pierwszm cklu) I II Warość zmieej z pierwszej faz drugiego cklu Średia warość zmieej progozowaej z pierwszego cklu Różica średich warości z drugiego i pierwszego cklu Iloraz warości rzeczwisch do warości średiej (w pierwszm cklu) Dowole kombiacje Przkład obliczeiow () Firma Save Lock prowadzi sprzedaż wkładek bębekowch wsokiej klas bezpieczeńswa. Dae doczące miesięczej wielkości sprzedaż [j.p.] z osaich la przedsawioo w poiższej abeli. Należ wzaczć progozę a koleje kwarał

47 Przkład obliczeiow () Przkład obliczeiow (3) szereg cechuje sezoowość osaie obserwacje wskazują a zmiaę edecji ajlepiej wkorzsać model adapacj moża wkorzsać model Wiersa Zosaie wkorzsa muliplikaw model Wiersa 47

48 Przkład obliczeiow (4) Rozwiązaie począkowe dla αβγ5 F S C ( -^ ) Przkład obliczeiow (5)

49 Przkład obliczeiow (6) α8; β53; γ F S C ( -^ ) Przkład obliczeiow (7)

50 5 Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (8) Aaliza harmoicza gd wsępują wahaia sezoowe wraz z edecją rozwojową lub sałm przecięm poziomem model buduje się w posaci sum zw. harmoik fukcji siusoidalch lub cosiusoidalch o dam okresie pierwsza harmoika ma okres rów druga / rzecia /3 id.. liczba wszskich harmoik wosi / progozę sawia się a podsawie modelu: / i i i w ) ( i cos i si π β π α Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej (9). Jeśli wsępuje red o oblicza się asępujące warości (elimiacja redu): ŷ '. Szacuje się paramer α α i β i modelu: korzsając z zależości: ' a / i i i i cos i si ' π β π α α... i i cos ' b... i i si ' a i i dla dla π π

51 Modele szeregów czasowch z wahaiami okresowmi zmieej progozowaej () 3. Z modelu moża welimiować harmoiki kórch udział wwjaśiaiu wjaśiaiu wariacji rozparwaej zmieej jes ajmiejsz. Udział w wariacji zmieej progozowaej dla wszskich oprócz osaiej harmoiki wosi: aomias dla osaiej: gdzie: i c i ω i s c i ω i s c a b s jes szacukiem wariacji zmieej progozowaej i i Przkład obliczeiow () Firma Save Lock prowadzi sprzedaż wkładek bębekowch wsokiej klas bezpieczeńswa. Dae doczące miesięczej wielkości sprzedaż [j.p.] z osaich la przedsawioo w poiższej abeli. Należ wzaczć progozę a koleje kwarał za pomocą aaliz harmoiczej

52 Przkład obliczeiow () Wsępuje red wielomiaow Przkład obliczeiow (3) elimiacja redu ^ '( -^)

53 Przkład obliczeiow (4) Szacowaie warości paramerów α α β '(-^) x(p/6) six cosx si x cos x E E E E E-6 8E-4-46 Σ 7374E-3 Σ α 49E-4 α β Przkład obliczeiow (5) Szacowaie warości paramerów α β x six cosx si x cos x E E E E E E E E E E E E-4-46 Σ α β 53

54 Przkład obliczeiow (6) Szacowaie warości paramerów α 3 β 3 3x six cosx si x cos x E E E E E E-4-46 Σ α β 3 Przkład obliczeiow (7) Szacowaie warości paramerów α 4 β 4 4x six cosx si x cos x 57 63E E E E E E E E E E E E E E E E E-3 E E E E E E E E-3-46 Σ α β 4 54

55 Przkład obliczeiow (8) Szacowaie warości paramerów α 5 β 5 5x six cosx si x cos x E E E E E E-3-46 Σ α β 5 Przkład obliczeiow (9) Szacowaie warości paramerów α 6 β 6 6x six cosx si x cos x E E E E E E E E E E E E-3-46 Σ α β 6 55

56 Przkład obliczeiow () Szacowaie warości paramerów α 7 β 7 7x six cosx si x cos x E E E E E E-3-46 Σ α β 7 Przkład obliczeiow () Szacowaie warości paramerów α 8 β 8 8x six cosx si x cos x 34-9E E E E E E E E E E E E E E E E-3-46 Σ -6E α 8-35E-4-94 β 8 56

57 Przkład obliczeiow () Udział harmoik w wariacji Nr harmoiki a i b i c i c i ω i [%] % % % % % % % 8-35E % % Poieważ harmoika 4 wjaśia Σ 6496 prawie 94% zmieości zmieej s 348 progozowaej o do progozowaia wkorzsa będzie model lko z ą harmoiką Przkład obliczeiow (3) Model progoscz ( w ) Posać aalicza fukcji redu f ( ) Posać modelu π π ŷ si 5 3 cos 57

58 π π π π cos si cos si Przkład obliczeiow (4) Progoza π π π π cos si cos si

PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

PROGNOZOWANIE. Ćwiczenia 3.  tel.: (061) Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele

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

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 0 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 5 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

WSPOMAGANIE PROCESÓW DECYZYJNYCH

WSPOMAGANIE PROCESÓW DECYZYJNYCH WSPOMAGANIE PROCESÓW DECYZYJNYCH doc. dr Beaa Pułaska-Tura Zakład Badań Operacjch Zarządzaia, pokój B505 e-mail: urab@mail.wz.uw.edu.pl el: (22) 55 34 44 Mgr Pior Ja Gadecki e-mail: ifo@pgadecki.pl www:

Bardziej szczegółowo

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego D. Miszczńska,M.Miszczński, Maeriał do wkładu 6 ze Saski, 009/0 [] ANALIZA DYNAMIKI ZJAWISK (dok.). szereg czasow, chroologicz (momeów, okresów). średi poziom zjawiska w czasie (średia armecza, średia

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

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 7 Aaliza damiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE www.erapez.pl Sroa Część : TEST Zazacz poprawą odpowiedź (lko jeda jes prawdziwa). Paie Szereg damicz o: a) ciąg prędkości

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Prognozowanie i smulacje Ramow plan wkładu.wprowadzenie w przedmio.rafność dopuszczalność i błąd prognoz 3.Prognozowanie na podsawie szeregów czasowch 4.Prognozowanie na podsawie modelu ekonomercznego

Bardziej szczegółowo

Metody statystyczne w naukach biologicznych

Metody statystyczne w naukach biologicznych Meod sascze w aukach biologiczch 6-6- Wkład: Szeregi czasowe i progozowaie Aaliza damiki iesie ze sobą ową jakość. Pozwala oa zbadać rozkład cech sasczej w czasie. Szeregi damicze przedsawiają kszałowaie

Bardziej szczegółowo

Metody Ilościowe w Socjologii

Metody Ilościowe w Socjologii Meod Ilościowe w Socjologii wkład 5, 6, 7 PROGNOZOWANIE I SYMULACJE dr inż. Maciej Woln AGENDA I. Prognozowanie i smulacje podsawowe informacje II. Prognozowanie szeregów czasowch III. Dekompozcja szeregu,

Bardziej szczegółowo

Cechy szeregów czasowych

Cechy szeregów czasowych energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas

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

Prognozowanie na podstawie szeregów czasowych.

Prognozowanie na podstawie szeregów czasowych. Progozowaie a podsawie szeregów czasowch. Sładowe szeregów czasowch. Szereg czasow sładowa ssemacza sładowa przpadowa red sał poziom sładowa oresowa wahaia clicze wahaia sezoowe Tred (edecja rozwojowa

Bardziej szczegółowo

Ocena dopasowania modelu do danych empirycznych

Ocena dopasowania modelu do danych empirycznych Ocea dopasowaia modelu do dach empirczch Po oszacowaiu parametrów modelu ależ zbadać, cz zbudowa model dobrze opisuje badae zależości. Jeśli okaże się, że rozbieżość międz otrzmam modelem a dami empirczmi

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Zajęcia 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 szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE oecasig is he a of saig wha will happe, ad he explaiig wh i did. h. hafield 98 PROGNOZY I YMULAJE Kaaza hud Laskowska kosulacje: p. 00A śoda - czwaek - soa ieeowa: hp://kc.sd.pz.edu.pl/ WYKŁAD VIII zeegi

Bardziej szczegółowo

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny. OCENA POPYTU POPYT POJĘCIA WSTĘPNE Defiicja: Pop o ilość dobra, jaką abwc goowi są zakupić prz różch poziomach ce. Deermia popu: (a) Cea daego dobra (b) Ilość i ce dóbr subsucjch (zw. kokurecjch) (c) Ilość

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie 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 szczegółowo

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017 STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej

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

Analiza szeregów czasowych uwagi dodatkowe

Analiza szeregów czasowych uwagi dodatkowe Analiza szeregów czasowch uwagi dodakowe Jerz Sefanowski Poliechnika Poznańska Zaawansowana Eksploracja Danch Prognozowanie Wbór i konsrukcja modelu o dobrch własnościach predkcji przszłch warości zmiennej.

Bardziej szczegółowo

DEA podstawowe modele

DEA podstawowe modele Marek Miszczński KBO UŁ 2008 - Aaliza dach graiczch (EA) cz.2 (przkład aaliza damiki rakigi) EA podsawowe modele WPROWAZENIE Efekwość (produkwość) obieku gospodarczego o es defiiowaa ako sosuek sum ważoch

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

. Dla każdego etapu t znamy funkcję transformacji stanu (funkcja przejścia):

. Dla każdego etapu t znamy funkcję transformacji stanu (funkcja przejścia): D Miszczńska, M Miszczński, KBO UŁ, Eleme programowaia damiczego Eleme PROGRAMOWANIA DYNAMICZNEGO (PD) Rozważam -eapow proces deczj: eap eap 2 eap - eap sa począkow 2 deczja x x x 2 x Sa procesu a począek

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Stanisław Cichocki Natalia Nehrebecka. Wykład 5 Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA

Bardziej szczegółowo

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń MIANO ROZTWORU TITRANTA Aaliza saysycza wyików ozaczeń Esymaory pukowe Średia arymeycza x jes o suma wyików w serii podzieloa przez ich liczbę: gdzie: x i - wyik poszczególego ozaczeia - liczba pomiarów

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja generująca rozkład (p-two) Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są

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

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu Badaia iezawodościowe i saysycza aaliza ich wyików. Eleme ieaprawialy, badaia iezawodości Model maemayczy elemeu - dodaia zmiea losowa T, określająca czas życia elemeu Opis zmieej losowej - rozkład, lub

Bardziej szczegółowo

Dane modelu - parametry

Dane modelu - parametry Dae modelu - paramer ˆ Ozaczea zmech a0 ax ax - osz w s. zł Budowa modelu: x - welość producj w seach o x - welość zarudea w osobach Meoda MNK Dae: x x 34 9 0 60 34 9 0 60 35 3 7 35 3 7 X T 0 9 3 4 5 3

Bardziej szczegółowo

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora.

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora. D:\maerialy\Maemayka a GISIP I rok DOC\7 Pochode\8ADOC -wrz-5, 7: 89 Obliczaie graic fukcji w pukcie przy pomocy wzoru Taylora Wróćmy do wierdzeia Taylora (wzory (-( Tw Szczególie waża dla dalszych R rozważań

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

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

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

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody ZJAZD ANALIZA DANYCH CIĄGŁYCH ramach zajęć będą badae próbki pochodzące z poplacji w kórych badaa cecha ma rozkład ormaly N(μ σ). Na zajęciach będą: - wyzaczae przedziały fości dla warości średiej i wariacji

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

Przykładowe zadania dla poziomu rozszerzonego

Przykładowe zadania dla poziomu rozszerzonego Przkładowe zadaia dla poziomu rozszerzoego Zadaie. ( pkt W baku w pierwszm roku oszczędzaia stopa procetowa bła rówa p%, a w drugim roku bła o % iższa. Po dwóch latach, prz roczej kapitalizacji odsetek,

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE Forecasing is he ar of saing wha will happen, and hen explaining wh i didn. Ch. Chafield (986) PROGNOZY I SYMULACJE Kaarzna Chud Laskowska konsulacje: p. 400A środa -4 czwarek -4 srona inerneowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka 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 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

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2. Rozład Erlaga Zajdziem rozład czasów oczeiwaia a -e zdarzeie. Łącz czas oczeiwaia a zdarzeń da jes przez: M. Przbcień Rachue prawdopodobieńswa i sasa ( (- gdzie E ; λ λ exp λ Podobie zajdujem: E ( ; E(

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b,

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b, CAŁA RZYWOLINIOWA NIESIEROWANA rzywą o rówaiach parameryczych: = (), y = y(), a < < b, azywamy łukiem regularym (gładkim), gdy spełioe są asępujące waruki: a) fukcje () i y() mają ciągłe pochode, kóre

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat 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 szczegółowo

Konspekty wykładów z ekonometrii

Konspekty wykładów z ekonometrii Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na

Bardziej szczegółowo

Ekonometria I materiały do ćwiczeń

Ekonometria I materiały do ćwiczeń lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne

Bardziej szczegółowo

Instytut Logistyki i Magazynowania

Instytut Logistyki i Magazynowania Insu Logiski i Magaznowania Ćwiczenia 1 mgr Dawid Doliński Dawid.Dolinski@ilim.poznan.pl lub Dawid.Dolinski@wsl.com.pl Tel. 0(61) 850 49 45 ZALICZENIE PRZEDMIOTU 5 punków Blok zajęć z Panem mgr D.Dolińskim

Bardziej szczegółowo

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych Efekywość projeków iwesycyjych Saycze i dyamicze meody ocey projeków iwesycyjych Źródła fiasowaia Iwesycje Rzeczowe Powiększeie mająku rwałego firmy, zysk spodzieway w dłuższym horyzocie czasowym. Fiasowe

Bardziej szczegółowo

PROGNOZOWANIE. mgr inż. Martyna Malak. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr inż. Martyna Malak. Katedra Systemów Logistycznych. 1 PROGNOZOWANIE Kaedra Ssemów Logiscznch mgr inż. Marna Malak marna.malak@wsl.com.pl Panel TABLICE 1 2 3 DEFINICJA PROGNOZY Prognozowanie? Przewidwanie 4 DEFINICJA PRZEWIDYWANIA Przewidwanie wnioskowanie

Bardziej szczegółowo

Niepewności pomiarowe

Niepewności pomiarowe Niepewości pomiarowe Obserwacja, doświadczeie, pomiar Obserwacja zjawisk fizyczych polega a badaiu ych zjawisk w warukach auralych oraz a aalizie czyików i waruków, od kórych zjawiska e zależą. Waruki

Bardziej szczegółowo

DYNAMIKA. Dynamika jest działem mechaniki zajmującym się badaniem ruchu ciał z uwzględnieniem sił działających na ciało i wywołujących ten ruch.

DYNAMIKA. Dynamika jest działem mechaniki zajmującym się badaniem ruchu ciał z uwzględnieniem sił działających na ciało i wywołujących ten ruch. DYNMIK Daika jes działe echaiki zajując się badaie uchu ciał z uwzględieie sił działającch a ciało i wwołującch e uch. Daika opiea się a pawach Newoa, a w szczególości a dugi pawie (zwa pawe daiki). Moża

Bardziej szczegółowo

Sygnały pojęcie i klasyfikacja, metody opisu.

Sygnały pojęcie i klasyfikacja, metody opisu. Sygały pojęcie i klasyfikacja, meody opisu. Iformacja przekazywaa jes za pośredicwem sygałów, kóre przeoszą eergię. Sygał jes o fukcja czasowa dowolej wielkości o charakerze eergeyczym, w kórym moża wyróżić

Bardziej szczegółowo

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM. Kompterowe Sstem Idetfikacji Laboratorim Ćwiczeie 5 IERACYJY ALGORY LS. IDEYFIKACJA OBIEKÓW IESACJOARYCH ALGORY Z WYKŁADICZY ZAPOIAIE. gr iż. Piotr Bros, bros@agh.ed.pl Kraków 26 Kompterowe Sstem Idetfikacji

Bardziej szczegółowo

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych)

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych) Zadaia domowe z AM III dla grup E7 (semestr zimow 07/08) Czȩść Zadaia domowe z Aaliz Matematczej III - czȩść (fukcje wielu zmiech) Zadaie. Obliczć graice lub wkazać że ie istiej a: (a) () (00) (b) + ()

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

Statystyka Inżynierska

Statystyka Inżynierska aysyka Iżyierska dr hab. iż. Jacek Tarasik AG WFiI 4 Wykład 5 TETOWANIE IPOTEZ TATYTYCZNYC ipoezy saysycze ipoezą saysyczą azywamy każde przypszczeie doyczące iezaego rozkład o prawdziwości lb fałszywości

Bardziej szczegółowo

TRANZYSTORY POLOWE JFET I MOSFET

TRANZYSTORY POLOWE JFET I MOSFET POLTECHNKA RZEZOWKA Kaedra Podsaw Elekroiki srukcja Nr5 F 00/003 sem. lei TRANZYTORY POLOWE JFET MOFET Cel ćwiczeia: Pomiar podsawowych charakerysyk i wyzaczeie paramerów określających właściwości razysora

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie 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 szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

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

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

ZASTOSOWANIE ZMODYFIKOWANEJ METODY WSKA NIKÓW SEZONOWO CI DO PROGNOZOWANIA WIELKO CI POPYTU

ZASTOSOWANIE ZMODYFIKOWANEJ METODY WSKA NIKÓW SEZONOWO CI DO PROGNOZOWANIA WIELKO CI POPYTU ZASTOSOWANIE ZMODYFIKOWANEJ METODY WSKA NIKÓW SEZONOWO CI DO PROGNOZOWANIA WIELKO CI POPYTU KRZYSZTOF JURCZYK, MARCIN BARAN, WOJCIECH WO NIAK Sreszczeie W prac zaprezeowao model krókoermiowego progozowaia

Bardziej szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o 1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Ćwiczenie 3. H 1 : p p 0 H 3 : p > p 0. b) dla małej próby statystykę testową oblicza się za pomocą wzoru:

Ćwiczenie 3. H 1 : p p 0 H 3 : p > p 0. b) dla małej próby statystykę testową oblicza się za pomocą wzoru: Ćwiczeie ERYFIKACJA IPOTEZ Tesowaie hipoez: Zakładamy że wszyskie hipoezy będą weryfikowae a poziomie isoości α.. eryfikacja hipoezy o wskaźik srkry jedej zmieej losowej dyskreej Rozparjemy próbkę elemeową

Bardziej szczegółowo

ANALIZA KORELACJI IREGRESJILINIOWEJ

ANALIZA KORELACJI IREGRESJILINIOWEJ ANALIZA KORELACJI IREGRESJILINIOWEJ 1. ZALEŻNOŚCI STOCHASTYCZNE Badajac zjawiska o charakterze masowym, w tym szczególie zjawiska spo leczo-ekoomicze, stwierdzamy, że każde z ich jest uwarukowae dzia laiem

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

KRÓTKOTERMINOWE PROGNOZOWANIE WIELKO CI UDZIAŁU KOMPONENTÓW USZKODZONYCH W PRODUKCJI CAŁKOWITEJ Z WYKORZYSTANIEM KLASYCZNYCH METOD PREDYKCJI

KRÓTKOTERMINOWE PROGNOZOWANIE WIELKO CI UDZIAŁU KOMPONENTÓW USZKODZONYCH W PRODUKCJI CAŁKOWITEJ Z WYKORZYSTANIEM KLASYCZNYCH METOD PREDYKCJI KRÓTKOTERMINOWE PROGNOZOWANIE WIELKO CI UDZIAŁU KOMPONENTÓW USZKODZONYCH W PRODUKCJI CAŁKOWITEJ Z WYKORZYSTANIEM KLASYCZNYCH METOD PREDYKCJI WOJCIECH WO NIAK, JERZY MIKULIK Sreszczeie W pracy zaprezeowao

Bardziej szczegółowo

Narzędzia matematyczne potrzebne w kursie Reakcje w ciele stałym

Narzędzia matematyczne potrzebne w kursie Reakcje w ciele stałym Narzędzia maemacze porzebe w kursie Reakcje w ciele sałm Pochoda fukcji jedej zmieej Defiicja, własości rachukowe, wzór a pochodą fukcji złożoej, szereg Talora, pochode fukcji elemearch. Pochoda fukcji

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

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

oznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim

oznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim WYKŁAD 9 34 Pochodna nkcji w pnkcie Inerpreacja geomerczna pochodnej Własności pochodnch Twierdzenia Rolle a Lagrange a Cach ego Regla de lhôspiala Niech ( ) O( ) będzie nkcją określoną w pewnm ooczeni

Bardziej szczegółowo

Statystyka Wzory I. Analiza struktury

Statystyka Wzory I. Analiza struktury Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej

Bardziej szczegółowo

, gdzie b 4c 0 oraz n, m ( 2). 2 2 b b b b b c b x bx c x x c x x

, gdzie b 4c 0 oraz n, m ( 2). 2 2 b b b b b c b x bx c x x c x x Meody aeaycze w echologii aeriałów Uwaga: Proszę paięać, że a zajęciach obowiązuje akże zajoość oówioych w aeriałach przykładów!!! CAŁKOWANIE FUNKCJI WYMIERNYCH Fukcją wyierą azyway fukcję posaci P ( )

Bardziej szczegółowo

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Kombinowanie 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 szczegółowo

Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW

Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW 1. Wstęp Pomiarem jest procesem pozawczm, któr umożliwia odwzorowaie właściwości fizczch obiektów w dziedziie liczb. Sam proces pomiarow jest ciągiem czości

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Wykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu

Wykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu Wkład b. odstawowe zadaia idetfikaci. Wbór optmalego model Wiki: wioski i hipotez metod proektowaia metod zarządzaia algortm sterowaia metod diagostcze odiesieie wików do obiekt Efekt: owa wiedza owe obiekt

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

ĆWICZENIE 6. Komputerowe wspomaganie analizy i syntezy układów sterowania Liniowe układy jedno- oraz wielowymiarowe

ĆWICZENIE 6. Komputerowe wspomaganie analizy i syntezy układów sterowania Liniowe układy jedno- oraz wielowymiarowe ĆWIZENIE 6 Kompuerowe wspomagaie aaliz i sez układów serowaia Liiowe układ jedo- oraz wielowmiarowe 6. el ćwiczeia odsawowm celem ćwiczeia jes ugruowaie wiadomości z zakresu projekowaia sez oraz smulacji

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Krzywe na płaszczyźnie.

Krzywe na płaszczyźnie. Krzwe na płaszczźnie. Współrzędne paramerczne i biegunowe. Współrzędne biegunowe. Dan jes punk O, zwan biegunem, kór sanowi począek półprosej, zwanej półosią. Dowoln punk P na płaszczźnie można opisać

Bardziej szczegółowo

E 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 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 szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

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

Jarosław Wróblewski Analiza Matematyczna 2, lato 2018/19

Jarosław Wróblewski Analiza Matematyczna 2, lato 2018/19 7 Wyzaczyć zbiór wszyskich warości rzeczywisych parameru p, dla kórych całka iewłaściwa jes zbieża x xe Dzieląc przedział całkowaia orzymujemy x x e x x e x x e Zbadamy, dla kórych warości parameru p całki

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

NIEKLASYCZNE METODY BUDOWY PROGNOZ ZATRUDNIENIA W GOSPODARCE WOJEWÓDZTWA ŚLĄSKIEGO

NIEKLASYCZNE METODY BUDOWY PROGNOZ ZATRUDNIENIA W GOSPODARCE WOJEWÓDZTWA ŚLĄSKIEGO Tomasz Szkutik Mirosław Wójciak Uiwerstet Ekoomicz w Katowicach NIEKLASYCZNE METODY BUDOWY PROGNOZ ZATRUDNIENIA W GOSPODARCE WOJEWÓDZTWA ŚLĄSKIEGO Wprowadzeie Dwa zasadicze urt, tj. związa z eoklasczą

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

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

ESTYMACJA PARAMETRÓW FUNKCJI REGRESJI METODĄ KLASYCZNĄ ORAZ METODAMI BOOTSTRAPOWYMI**

ESTYMACJA PARAMETRÓW FUNKCJI REGRESJI METODĄ KLASYCZNĄ ORAZ METODAMI BOOTSTRAPOWYMI** Góricwo i Geoiżyieria Rok 30 Zeszy 3/ 006 Dariusz Foszcz* ESTYMACJA PARAMETRÓW FUNKCJI REGRESJI METODĄ KLASYCZNĄ ORAZ METODAMI BOOTSTRAPOWYMI**. Wsęp W zmieiającej się rzeczywisości przebiegu procesów

Bardziej szczegółowo

Bielecki Jakub Kawka Marcin Porczyk Krzysztof Węgrzyn Bartosz. Zbiorcze bazy danych

Bielecki Jakub Kawka Marcin Porczyk Krzysztof Węgrzyn Bartosz. Zbiorcze bazy danych Bielecki Jakub Kawka Marci Porczk Krzsztof Węgrz Bartosz Zbiorcze baz dach Marzec 2006 Spis treści. Opis działalości bizesowej firm... 3 2. Omówieie struktur orgaizacjej... 4 3. Opis obszaru bizesowego...

Bardziej szczegółowo

MATEMATYKA wykład 1. Ciągi. Pierwsze 2 ciągi są rosnące (do nieskończoności), zaś 3-i ciąg jest zbieŝny do zera. co oznaczamy przez

MATEMATYKA wykład 1. Ciągi. Pierwsze 2 ciągi są rosnące (do nieskończoności), zaś 3-i ciąg jest zbieŝny do zera. co oznaczamy przez MATEMATYKA wkład Ciągi,, 2, 3, 4,,, 3, 5, 7, 9,,,,,,,,, są przkładami ciągów 2 4 6 8 Pierwsze 2 ciągi są rosące (do ieskończoości), zaś 3-i ciąg jes zbieŝ do zera co ozaczam przez lim a ch 2-óch ciągów,

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo