Metody Ilościowe w Socjologii
|
|
- Krystyna Czajkowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Meod Ilościowe w Socjologii wkład 5, 6, 7 PROGNOZOWANIE I SYMULACJE dr inż. Maciej Woln
2 AGENDA I. Prognozowanie i smulacje podsawowe informacje II. Prognozowanie szeregów czasowch III. Dekompozcja szeregu, grup meod IV. Wbrane meod prognozowania
3 Wbrana lieraura 1. Prognozowanie gospodarcze. Meod i zasosowanie, red. M. Cieślak, PWN, Warszawa Zeliaś A., Pawełek B., Wana S., Prognozowanie ekonomiczne. Teoria, przkład, zadania, PWN, Warszawa Gajda J., Prognozowanie i smulacja a deczje gospodarcze, Wd. C.H. Beck, Warszawa Prognozowanie gospodarcze, red. E. Nowak, AW Place, Warszawa Prognozowanie i smulacja, red. W. Milo, Wd. UŁ, Łódź 2002
4 Przewidwanie przszłości Przewidwanie przszłości Racjonalne Nieracjonalne Zdroworozsądkowe Naukowe PROGNOZOWANIE o przewidwanie przszłości w sposób racjonaln z wkorzsaniem meod naukowch PREDYKCJA o prognozowanie na podsawie modelu ekonomercznego
5 Funkcje prognoz Prognoza jako wnik prognozowania PROGNOZA o sąd sformułowan z wkorzsaniem dorobku nauki odnosząc się do określonej przszłości, werfikowaln empircznie, niepewn (ale akcepowaln) Wróżnia się rz podsawowe funkcje prognoz: I. PREPARACYJNA (do podejmowania deczji, swarza dodakowe przesłanki do podejmowania racjonalnch deczji) II. AKTYWIZUJĄCA (pobudzenie do działań sprzjającch realizacji korzsnej prognoz, przeciwdziałającch prognozie niekorzsnej) III. INFORMACYJNA (dosarcza informacji o badanm zjawisku)
6 Meoda prognozowania METODA PROGNOZOWANIA o sposób przeworzenia danch z przeszłości wraz ze sposobem przejścia od przeworzonch danch do prognoz. Isnieją więc dwie faz: faza diagnozowania przeszłości - odbwa się przez budowę modelu formalnego (model ekonomerczn) lub mślowego (w umśle ekspera) faza określania przszłości polega na zasosowaniu odpowiedniej reguł prognoz
7 Meod prognozowania Meod prognozowania Meod maemaczno-sasczne Meod niemaemaczne Meod opare na modelach ekonomercznch Modele jednorównaniowe Meod opare na modelach deerminiscznch Modele wielorównaniowe: pros rekurencjn o równaniach współzależnch Meod ankieowe Meod inuicjne Meod kolejnch przbliżeń Meoda eksperz Meoda delficka Meoda refleksji Meod analogowe Inne Klasczne modele rendu Adapacjne modele rendu Modele przcznowo-opisowe Modele auoregresjne
8 Reguł prognozowania reguła podsawowa prognoza posawiona na podsawie modelu, prz założeniu, że będzie on akualn w prognozowanm okresie reguła podsawowe z poprawką prognoza posawiona na podsawie modelu z poprawką uwzględniającą, że osanio zaobserwowane odchlenia od modelu urzmają się w przszłości reguła największego prawdopodobieńswa (dla zmiennch losowch, kórch rozkład prawdopodobieńswa jes znan) prognozą jes warość zmiennej, kórej odpowiada największe prawdopodobieńswo dla zmiennch skokowch lub maksmalna warość funkcji gęsości prawdopodobieńswa dla zmiennch ciągłch reguła minimalnej sra przjmuje się, że wielkość sra jes funkcją błędu prognoz i poszukuje się minimum ej funkcji. Prognozą jes warość dla kórej a funkcja przjmuje minimum.
9 Meod prognozowania Prognozowanie na podsawie modelu maemaczno-sascznego o prognozowanie ilościowe Prognozowanie na podsawie modeli niemaemacznch, o zwkle prognozowanie jakościowe Prognoz ilościowe dzielim na: punkowe, gdzie dla zmiennej prognozowanej wznacza się jedną warość dla T>n, przedziałowe, w kórch wznacza się przedział, w kórm znajdzie się rzeczwisa warość zmiennej prognozowanej w prognozowanm okresie T>n.
10 Eap prognozowania Eap prognozowania: I. Sformułowanie zadania prognoscznego II. Podanie przesłanek prognoscznch III.Wbór meod prognozowania IV.Ocena dokładności lub dopuszczalności prognoz V. Werfikacja prognoz
11 Baza danch Bazą danch do modelu zmiennej prognozowanej (1) F(,ε ) lub (2) F(x 1, x 2,...,x k,ε ) jes szereg czasow w posaci: x 1 x 2... x k x 11 x x k1 2 2 x 12 x x k n n n n x 1n x 2n... x kn Prognoz zmiennej prognozowanej wznaczam na okres T > n Prognozę na okres T będziem oznaczać Y T
12 Horzon czasow prognoz Prognoza krókookresowa o prognoza na aki przedział czasow, w kórm zakłada się isnienie lko zmian ilościowch. Prognoz akie wznacza się przez eksrapolację dochczasowch związków (na podsawie modeli ekonomercznch lub rendów) Prognoza średniookresowa docz okresów czasu, w kórch oczekuje się zmian ilościowch oraz ewenualnie niewielkich zmian jakościowch. Prognoza musi uwzględniać oba p zmian, musi prznajmniej umiarkowanie odchodzić od eksrapolacji Prognoza długookresowa docz przedziału czasu, w kórm mogą wsępować zmian ilościowe oraz znaczące zmian jakościowe
13 Modele ilościowe Prognozę na okres T > n można posawić wkorzsując model F (1) lub(2) jeśli spełnione są nasępujące założenia: 1. funkcja F wraża pewną prawidłowość ekonomiczną, kóra jes sabilna w czasie (nie spodziewam się żadnch zmian jakościowch), 2. składnik losow ε jes sabiln, 3. w przpadku modelu ekonomercznego znane są warości zmiennch objaśniającch w okresie T > n, czli znane są warości prognoz X 1T,X 2T,...,X kt, 4. dopuszczalna jes eksrapolacja modelu poza próbę, czli poza obszar zmienności zmiennch objaśniającch, jak i zmiennej (zmiennch) objaśnianej.
14 Analiza danch Analiza danch w szeregu czasowm polega na: 1. Wodrębnieniu obserwacji odsającch 2. Swierdzeniu braku lub isnienia rendu Y A
15 Obserwacje odsające Po wodrębnieniu obserwacji odsającch należ usalić: 1. Cz dana obserwacja pojawiła się w skuek błędu rejesracji danch, 2. Cz obserwacja pojawiła się w skuek jednokronego zjawiska zewnęrznego wpłwu (np. realizacja pewnego dużego jednokronego zamówienia, o kórm wiem, że nie nasąpi już w przszłości), 3. Cz obserwacja pojawiła się jako normalne wahanie losowe (przpadkowe) w próbie. W przpadku 1. oraz 2. obserwację A można pominąć, a brakującą warość uzupełnić średnią armeczną z obserwacji poprzedniej i nasępnej. W przpadku 3. obserwacja powinna pozosać w bazie danch sascznch.
16 Błąd prognoz Po wborze modelu prognoscznego F można wznaczć prognoz dla T>n: (1) Y T F(T) lub (2) Y T F(x 1T, x 2T,...,x kt ) wraz z prognozą Y T należ wznaczć miernik dokładności prognoz Prz wborze modelu prognoscznego należ dążć do osiągnięcia zadowalającego poziomu miernika dokładności Wróżniam dwa p mierników: 1. błąd ex pos 2. błąd ex ane Błąd prognoz można zapisać jako B Y gdzie Y o warość prognoz zmiennej Y na okres, wznaczona na podsawie modelu F, a o rzeczwisa warość zmiennej prognozowanej w okresie.
17 Trafność prognoz Błąd ex pos może bć wznaczon dla wszskich modeli ilościowch. Jeśli będzie okresem, na kór posawiono prognozę Y i okres en już minął, o znana jes warość rzeczwisa Y zmiennej prognozowanej. Taką prognozę Y nazwać będziem prognozą wgasłą. Dla prognoz wgasłch można wznaczć błąd ex pos. Rozróżniam: 1. względn błąd prognoz (procenow): PE ( 100%) 2. absolun błąd prognoz: 3. względn absolun błąd prognoz (procenow): 4. kwadraow błąd prognoz: AE 5. względn kwadraow błąd prognoz: SE ( ) 2 PSE APE ( ) 2 ( 100%)
18 Trafność prognoz Do ocen rafności prognoz wgasłch (a a więc dopasowania modelu prognoscznego F do danch o zmiennej prognozowanej Y można wkorzsać nasępujące błęd: 1. średni absolun błąd ex pos prognoz wgasłch 2. średni względn absolun błąd ex pos prognoz wgasłch 3. średni błąd ex pos prognoz wgasłch 4. średni względn błąd ex pos prognoz wgasłch 5. średni kwadraow błąd ex pos prognoz wgasłch 6. pierwiasek średniego kwadraowego błędu ex pos prognoz wgasłch 7. współcznnik Theila Do badania akualności modelu prognoscznego możem użć współcznnika Janusowego
19 Prognozowanie na podsawie szeregów czasowch Składowe szeregu czasowego: I. Składowa ssemaczna II. Składowa przpadkowa Składowa ssemaczna: 1. Trend (endencja rozwojowa) długookresowa skłonność do jednokierunkowch zmian warości badanej zmiennej, 2. Sał przecięn poziom prognozowanej zmiennej warości osclują wokół sałego poziomu, 3. Wahania ckliczne długookresowe, powarzające się rmicznie w przedziałach czasu dłuższch niż rok, wahania warości zmiennej wokół rendu lub sałego poziomu, 4. Wahania sezonowe wahania warości zmiennej wokół rendu lub sałego poziomu w przedziałach czasu nie przekraczającch roku.
20 Dekompozcja szeregu Proces wodrębniania poszczególnch składowch szeregu czasowego Ocena wzrokowa sporządzonego wkresu Idenfikacja poszczególnch składowch szeregu czasowego na podsawie wkresów szeregu czasowego Analiza auokorelacji Oblicza się warości współcznników korelacji międz oraz -i (dla i1,2,...,k), czli współcznniki auokorelacji różnch rzędów. Bada się sasczną isoność ch współcznników. Jeśli współcznniki dla kilku pierwszch rzędów są duże i sascznie isone, o wskazuje o na wsępowanie rendu. Jeśli wsępuje sascznie ison współcznnik auokorelacji rzędu równego liczbie faz cklu sezonowego, o wskazuje o na wsępowanie wahań sezonowch.
21 Ocena wzrokowa
22 Ocena wzrokowa
23 Ocena wzrokowa
24 Ocena wzrokowa
25 Modele szeregów czasowch ze sałm poziomem zmiennej prognozowanej bez wahań okresowch (1) Meoda naiwna Y 1 meodę można sosować w przpadku niskiej zmienności zmiennej prognozowanej zazwczaj, w suacjach, gd współcznnik zmienności nie przekracza 10% Meoda średniej ruchomej ważonej k-elemenowej 1 k Y i wi + k+ 1, wi 1, wi > 0dlai i k i 1 1,2,..., k. Sałą wgładzania k usala się na podsawie najmniejszego błędu prognoz wgasłch, wagi w i usala prognosa na podsawie 1 wiedz o zmiennej prognozowanej Y. Jeśli przjmie się w i k o meodę nazwam meodą średniej ruchomej k-elemenowej.
26 Modele szeregów czasowch ze sałm poziomem zmiennej prognozowanej (2) Pros model wgładzania wkładniczego Y α 1+ (1 α ) Y 1, α (0,1]. dla 2, 3, n. model można sosować jeśli szereg nie cechuje zb silna zmienność (wahania przpadkowe nie są zb duże). Sałą wgładzania α wznacza się ekspermenalnie na podsawie wbranego krerium, jakie powinn spełniać prognoz wgasłe. Do wboru modelu prognoscznego (prognoz) można wkorzsać analizę błędów ex pos prognoz wgasłch
27 Modele szeregów czasowch z endencją rozwojową zmiennej prognozowanej bez wahań okresowch(1) Modele analiczne Y f ( ) sosuje się do prognozowana zjawisk, kóre charakerzował się w przeszłości regularnmi zmianami, kóre można opisać za pomocą funkcji czasu i wobec kórch zakłada się niezmienność kierunku rendu. Wbór posaci analicznej modelu dokonuje się na podsawie: przesłanek eorecznch doczącch mechanizmu rozwojowego prognozowanego zjawiska, ocen wzrokowej wkresu przeszłch warości zmiennej, dopasowania modelu do warości rzeczwisch zmiennej prognozowanej.
28 Przkład obliczeniow (1) Wielkość sprzedaż rowerów sacjonarnch firm Weler u przedsawiciela na Górn Śląsk w osanich kwarałach przedsawiała się nasępująco [w sz.]: Przjmując, że cznniki kszałujące sprzedaż nie ulegną zmianie: a) posawić prognozę sprzedaż na kolejn kwarał (T13)
29 Przkład obliczeniow (rend liniow) (2) ,9231x + 107,67 R 2 0,
30 Przkład obliczeniow (rend logarmiczn) (3) ,6416Ln(x) + 104,11 R 2 0,
31 Przkład obliczeniow (4) ln Y 9, ln + 104, , , , , , , , , , , , , , W kolejnm kwarale prognozowana sprzedaż wnosi 129 szuk rowerów.
32 Modele szeregów czasowch z endencją rozwojową zmiennej prognozowanej Model liniow Hola gdzie dla 2, 3,,n. n n T S n T F + ) ( ) S F ( ) ( F α α 1 1 S ) (1 ) F ( F S β + β Paramer wgładzania α i β dobiera się ekspermenalnie na podsawie wbranego krerium, kóre powinn spełniać prognoz wgasłe. Ponado α i β należą do przedziału [0;1]. Model wmaga warości począkowch F 1 oraz S 1. Można przjąć: liniowego z modelu, lub, lub 0, a S a F S F S F
33 Przkład obliczeniow (1) Wielkość sprzedaż pralek auomacznch firm Kolar u jednego z przedsawicieli w osanich miesiącach przedsawiała się nasępująco [w sz.]: Przjmując, że cznniki kszałujące sprzedaż nie ulegną zmianie: a) posaw prognozę na nasępn miesiąc
34 Przkład obliczeniow (2) Począkowe rozwiązanie dla α0,5 oraz β0,5 F S F -1 +S -1 ( - ) ,5 2, ,125 3, , , , , , , , , , , , , , ,3551 7, , , , , ,06936
35 Przkład obliczeniow (3) α0, oraz β0, F S F -1 +S -1 ( - ) ,9264 2, , , , , , , , , , , , , , , , ,9234 7, , , , , , , , , , , , , , ,77382
36 Modele szeregów czasowch z wahaniami okresowmi zmiennej prognozowanej (1) Meoda wskaźników gd wsępują wahania sezonowe wraz z endencją rozwojową lub sałm przecięnm poziomem prognozę wznacza się na podsawie warości funkcji rendu skorgowanej o wskaźnik sezonowości prz wahaniach bezwzględnie sałch (gd ampliud wahań, w analogicznch okresach są sałe) może bć model addwn: ( w) Ti T + prz wahaniach względnie sałch (wielkości ampliud zmieniają się mniej więcej w m samm sosunku) może bć model muliplikawn: (w) T Ti ( w) T gdzie o wielkość prognoz wznaczona z funkcji rendu lub sałego przecięnego poziomu c c i i
37 Modele szeregów czasowch z wahaniami okresowmi zmiennej prognozowanej (2) 1.Oblicza się nasępujące warości (eliminacja rendu): z ŷ lub z 2.Oblicza się surowe wskaźniki sezonowości (eliminacja oddziałwania składnika losowego): 1 z i i 1 k i z i + j r,i k j 0 k liczba jednoimiennch faz w szeregu; r liczba faz w cklu 3.Wznacza się czse wskaźniki sezonowości (informują o naężeniu wahań sezonowch): r q 4.Wznacza się warość prognoz: c i z i lub c i zi q, gdzie q 1 r i i 1 z i ŷ i i ( w) + c i lub i ( w) c i
38 Przkład obliczeniow (1) Firma Czarn diamen prowadzi sprzedaż paliwa opałowego klienom indwidualnm. Dochod firm zależą prakcznie od wielkości sprzedaż miału opałowego. Dane doczące kwaralnej wielkości sprzedaż miału [] z osanich la przedsawiono w poniższej abeli. Należ wznaczć prognozę na kolejne kwarał
39 Przkład obliczeniow (2) Analiza ampliud wahań dopuszcza sosowanie modelu addwnego, jak i muliplikawnego.
40 Przkład obliczeniow (3) Model addwn ^ -^ , 1 18, 2 19, 3 20, 4 i z i c i 1 50,54 50, ,76 144, ,51-38, ,79-156, , , , , 81+ ( 654, , 54 38, 51) 672, , 79 + ( 156, 79) 605, , 80
41 Przkład obliczeniow (4) Model muliplikawn ^ /^ , , , , , , , , , , , , , , , , , 1 18, 2 19, 3 20, 4 i z i c i 1 1,09 1,09 2 1,27 1,27 3 0,92 0,92 4 0,71 0,71 0, , , 633,03 1, , 81 0, , 59 0, , , , , 95
42 Modele szeregów czasowch z wahaniami okresowmi zmiennej prognozowanej (3) Meoda rendów jednoimiennch okresów gd wsępują wahania sezonowe wraz z endencją rozwojową lub sałm przecięnm poziomem polega na szacowaniu paramerów analicznej funkcji rendu oddzielnie dla poszczególnch faz cklu prognozę sawia się przez eksrapolację odpowiedniej funkcji rendu
43 Przkład obliczeniow Należ wznaczć prognozę sprzedaż miału przez firmę Czarn diamen na kolejne kwarał meodą rendów jednoimiennch okresów. I II III IV , 1 449, , 5 17, 1 18, 2 19, 3 20, 4 449, 5+ 16, , , , , 2, 3, , 5 360, , 25
44 Prognozowanie przez analogie (1) Analogie hisorczne Polegają na przenoszeniu prawidłowości hisorcznch wkrch w jednch zmiennch (wiodącch, wprzedzającch służące do budow prognoz) na inne zmienne (opóźnione, naśladujące prognozowane) doczące ego samego obieku prognoscznego Doczą prognoz średnio- i długookresowch. Prognosa przjmuje posawę akwną Analogie przesrzenno-czasowe Polegają na przenoszeniu prawidłowości hisorcznch wkrch w jednch obiekach na inne obiek Doczą prognoz średnio- i długookresowch. Prognosa przjmuje posawę akwną
45 Analogie hisorczne Przkład Przedsiębiorswo Podwiązka sp. z o.o. produkuje dwa rodzaje pończoch: wzorzse i ażurowe. Wzorzse są sprzedawane od kilku la, a ażurowe od kilku miesięc. Wielkość sprzedaż obu rodzajów pończoch podano w kolejnej abeli. Należ wznaczć przewidwaną wielkość sprzedaż pończoch ażurowch na najbliższe miesiące, wiedząc, że wmagania menedżerów zosaną spełnione, gd względn błąd ex ane nie przekrocz 5%.
46 Sprzedaż w siącach szuk Wzorzse Ażurowe ,8 18,1 3 9,5 19,4 4 10,9 21, ,4 6 13, ,1 24, , , ,3 24, ,5 26, ,4 24, ,7 23, , ,1 22, ,5 21, , ,1 20, , , ,1 20, , , ,006 x 3 + 1, , , , , , , ,938 2, ,376 wlk sprzedaż pończoch ażurowch w okresie [s. sz.] X -3 wlk sprzedaż pończoch wzorzsch w okresie nr -3 [s. sz.]
47 Prognozowana wielkość sprzedaż pończoch ażurowch na kolejne 3 okres: 25 1,006 x22+ 6,376 1,006 14,1+ 6, ,006 x23+ 6,376 1,006 14,2+ 6,376 20,6 20,7 27 1,006 x24+ 6,376 1,006 14,3+ 6,376 20,8 T Bezwględn Wględn błąd błąd ex ane ex ane 25 0, ,203% 26 0, ,293% 27 0, ,387%
48 Heursczne meod prognozowania Heurska (grec. heurisko znajduję, odkrwam) umiejęność wkrwania nowch faków i związków międz fakami, prowadząca do poznania nowch prawd. Heursczne meod prognozowania o meod wkorzsujące do budow prognoz opinie eksperów, czli osób wbranch ze względu na ich wiedzę, doświadczenie, auore. Opinie eksperów są opare na ich inuicji i doświadczeniu METODA DELFICKA Do prognozowania zjawisk nowch, dla kórch ilość informacji hisorcznch jes niewielka. Polega na badaniu opinii niezależnch i kompeennch eksperów na określon, prognosczn ema. Opinie e najczęściej doczą prawdopodobieńswa lub czasu zaisnienia przszłch zdarzeń, kórą wznacza się przez zasosowananie reguł największego prawdopodobieńswa
49 SYMULACJA (1) similis (łac.) - podobieńswo, podobn similo (łac.) - podobn simulare (łac.) - udawać, upodabniać się mimeishai (grec.) - naśladować, grać rolę imiaio (łac.) - naśladowanie
50 Wikipedia (hp://pl.wikipedia.org): SYMULACJA (2) Smulacja - ekspermen prowadzon na pewnego rodzaju modelu - maemacznm, informacznm lub rzeczwism, celem określenia znaczenia zmian warości paramerów lub warości zmiennch objaśniającch dla warości zmiennch prognozowanch. Smulacja kompuerowa o echnika polegająca na sprawdzaniu, jak zachowuje się dan ssem w różnch okolicznościach, a więc jaka jes warość zmiennej wjściowej, prz założeniu różnch warości zmiennch wejściowch. Smulacje kompuerowe polegają na zbudowaniu odpowiedniego modelu maemacznego zapisanego w kompuerze (np. w arkuszu kalkulacjnm lub w dowolnm jęzku programowania), kór zawiera powiązania międz zmiennmi wejściowmi a ineresującą nas zmienną wjściową. Techniki smulacjne są szczególnie przdane am, gdzie analiczne wznaczenie rozwiązania błob bardzo pracochłonne, a niekied nawe niemożliwe.
51 DZIĘKUJĘ
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 szczegółowoPrognozowanie 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 szczegółowoMODEL 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 szczegółowoPROGNOZOWANIE. 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 szczegółowoCechy 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 szczegółowoInstytut 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 szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoAnaliza 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 szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoPROGNOZY 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 szczegółowoEkonometria 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 szczegółowoPROGNOZY 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 szczegółowoKonspekty 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 szczegółowoStanisław 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 szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoPROGNOZOWANIE 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 szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoZasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoPrognozowanie i symulacje
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
Bardziej szczegółowoPROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki
PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM Joanna Górka Wdział Nauk Ekonomicznch i Zarządzania UMK w Toruniu Kaedra Ekonomerii i Saski WSTĘP Niesacjonarne proces o średniej zero mogą bć reprezenowane
Bardziej szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoMetody prognozowania popytu w zarządzaniu logistycznym
Michał Miłek 1 Uniwerse Ekonomiczn w Kaowicach Meod prognozowania popu w zarządzaniu logiscznm Wsęp ał rozwó gospodarcze działalności człowieka spowodował, że meod prognozowania znaduą coraz szersze zasosowanie
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 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 szczegółowoROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY
Rszard Sefański ROZDZIAŁ 11 WPŁYW ZMIAN KURSU WALUTOWEGO NA RYNEK PRACY Absrak Ocena wpłwu zmian kursu waluowego na rnek prac jes szczególnie isona dla polskiej gospodarki w najbliższch laach. Spośród
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoPROGNOZOWANIE. 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 szczegółowoZbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w
ROGNOZOWANIE EKONOMERYCZNE (REDYKCJA EKONOMERYCZNA) ZEAW V Zbudowan i pozwnie zwerfikowan jednorównaniow model ekonomerczn je uŝeczn do analiz zaleŝności międz zmiennmi uwzględnionmi w modelu w okreie,
Bardziej szczegółowoKrzywe 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 szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPomiar bezpośredni przyrządem wskazówkowym elektromechanicznym
. Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego
Bardziej szczegółowoEkonometria. 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 szczegółowoSYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE
Sudia Ekonomiczne. Zesz Naukowe Uniwerseu Ekonomicznego w Kaowicach ISSN 8-86 Nr 4 7 Zachodniopomorski Uniwerse Technologiczn w Szczecinie Wdział Ekonomiczn Kaedra Zasosowań Maemaki w Ekonomii maciej.oeserreich@zu.edu.pl
Bardziej szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Budowa, esmacja, werfikacja i inerpreacja modelu ekonomercznego. dr Doroa Ciołek Kaedra Ekonomerii Wdział Zarządzania UG hp://wzr.pl/~dciolek doroa.ciolek@ug.edu.pl Lieraura Osińska
Bardziej szczegółowoBADANIE EFEKTYWNOŚCI PROGNOZ ZMIENNYCH OPISUJĄCYCH WYBRANE ASPEKTY FUNKCJONOWANIA PORTU SZCZECIN-ŚWINOUJŚCIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Mariusz Doszń * Barłomiej Pachis ** Uniwerse Szczecińsi BADANIE EFEKTYWNOŚCI PROGNOZ ZMIENNYCH OPISUJĄCYCH WYBRANE ASPEKTY FUNKCJONOWANIA
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowowięc powyższy warunek będzie zapisany jako dy dt
Meo maemaczne w echnologii maeriałów Krzszof Szszkiewicz Wprowadzenie DEFINICJA. Równaniem różniczkowm zwczajnm rzędu pierwszego nazwam równanie posaci gdzie f : f (, ), () U jes daną funkcją. Rozwiązaniem
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 1-2
Stanisław Cichocki Natalia Nehreecka Zajęcia - . Model liniow Postać modelu liniowego Zapis macierzow modelu liniowego. Estmacja modelu Przkład Wartość teoretczna (dopasowana) Reszt 3. MNK - przpadek wielu
Bardziej szczegółowo25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoMagdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saski, Uniwerse Mikołaja Kopernika w Toruniu Uniwerse Mikołaja Kopernika w Toruniu Idenfikacja
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i symulacje - Wykład (15 godzin) -Ćwiczenia przy komputerze (30 godzin) - Zaliczenie jedna ocena - Zasady zaliczenia i literatura dr Tadeusz RóŜański Helena Gaspars Prognozowanie i symulacje
Bardziej szczegółowo23 Zagadnienia - Prognozowanie i symulacje
1. WYJAŚNIJ POJĘCIE PROGNOZY I OMÓW PODSTAWOWE PEŁNIONE PRZEZ PROGNOZĘ FUNKCJE. Prognoza - jest to sąd dotyczący przyszłej wartości pewnego zjawiska o następujących właściwościach: jest sformułowany w
Bardziej szczegółowoMaria Cieślak (red.): Prognozowanie gospodarcze. Metody i zastosowania. PWN, Warszawa 2004 r.
Metody prognozowania: Wprowadzenie Dr inż. Sebastian a Skoczypiec Literatura: Maria Cieślak (red.): Prognozowanie gospodarcze. Metody i zastosowania. PWN, Warszawa 2004 r. Ryszard Tadeusiewiecz: Sieci
Bardziej szczegółowooznacza 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 szczegółowoPrzedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)
Wkład 1: Prosta regresja liniowa Statstczn model regresji liniowej Dane dla prostej regresji liniowej Przedział ufności i test parametrów Przedział ufności dla średniej odpowiedzi Interwał prognoz (dla
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4
ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?
Bardziej szczegółowoSZEREG CZASOWY Y zjawisko badane w różnych okresach lub momentach czasu. Dynamika zjawiska to zmiana zjawiska w czasie. Przykład. Y średni kurs akcji
SZEREG CZASOWY Y zjawisko badane w różnch okresach lub momentach czasu. Dnamika zjawiska to zmiana zjawiska w czasie. Przkład. Y średni kurs akcji firm OPTMUS na giełdzie Okres: notowania od 1.03.2010
Bardziej szczegółowoPROGNOZOWANIE. 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 szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
Bardziej szczegółowoZwiązek między ruchem harmonicznym a ruchem jednostajnym po okręgu
Związek międz ruchem harmonicznm a ruchem jednosajnm po okręgu Rozważm rzu Q i R punku P na osie i : Q cos v r R sin R Q P δ Q cos ( δ ) R sin ( δ ) Jeżeli punk P porusza się ruchem jednosajnm po okręgu,
Bardziej szczegółowoZałożenia prognostyczne WPF
Załącznik nr 3 do Uchwał o Wieloletniej Prognozie Finansowej Założenia prognostczne WPF Wieloletnia Prognoza Finansowa opiera się na długoterminowej prognozie nadwżki operacjnej, która obrazują zdolność
Bardziej szczegółowoAlgebra WYKŁAD 9 ALGEBRA
Algebra WYKŁAD 9 Krzwe sożkowe Definicja Prosa sczna do krzwej K w punkcie P jes o prosa, będąca granicznm położeniem siecznch s k przechodzącch przez punk P i P k gd punk P k dąż zbliża się do punku P
Bardziej szczegółowoUE we Wrocławiu, WEZiT w Jeleniej Górze Katedra Ekonometrii i Informatyki
UE we Wrocławiu, WEZiT w Jeleniej Górze Katedra Ekonometrii i Informatyki http://keii.ue.wroc.pl Prognozowanie procesów gospodarczych prowadzący: dr inż. Tomasz Bartłomowicz tomasz.bartlomowicz@ue.wroc.pl
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: =
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 szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowoZmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III)
Zmienne losowe tpu ciągłego. Parametr zmiennch losowch. Izolda Gorgol wciąg z prezentacji (wkład III) Zmienna losowa tpu ciągłego Zmienna losowa X o ciągłej dstrbuancie F nazwa się zmienną losową tpu ciągłego,
Bardziej szczegółowoPROGNOZOWANIE. 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 szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoTeoria sterowania - studia niestacjonarne AiR 2 stopień
Teoria serowania - sdia niesacjonarne Ai 2 sopień Kazimierz Dzinkiewicz, dr hab. Inż. Kaedra Inżnerii Ssemów Serowania Wkład 2a - 216/217 Dnamika obieków zapis za pomocą modeli Kazimierz Dzinkiewicz, dr
Bardziej szczegółowoPodejmowanie decyzji w warunkach niepełnej informacji. Tadeusz Trzaskalik
Podejmowanie deczji w warunkach niepełnej informacji Tadeusz Trzaskalik 5.. Wprowadzenie Słowa kluczowe Niepełna informacja Stan natur Macierz wpłat Podejmowanie deczji w warunkach rzka Podejmowanie deczji
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa
Bardziej szczegółowoĆWICZENIE NR 43 U R I (1)
ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości
Bardziej szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoĆWICZENIE 4 Badanie stanów nieustalonych w obwodach RL, RC i RLC przy wymuszeniu stałym
ĆWIZENIE 4 Badanie sanów nieusalonych w obwodach, i przy wymuszeniu sałym. el ćwiczenia Zapoznanie się z rozpływem prądów, rozkładem w sanach nieusalonych w obwodach szeregowych, i Zapoznanie się ze sposobami
Bardziej szczegółowo19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego
19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego
Bardziej szczegółowoSYLABUS. 4.Studia Kierunek studiów/specjalność Poziom kształcenia Forma studiów Ekonomia Studia pierwszego stopnia Studia stacjonarne i niestacjonarne
SYLABUS 1.Nazwa przedmiotu Prognozowanie i symulacje 2.Nazwa jednostki prowadzącej Katedra Metod Ilościowych i Informatyki przedmiot Gospodarczej 3.Kod przedmiotu E/I/A.16 4.Studia Kierunek studiów/specjalność
Bardziej szczegółowoBadanie zależności cech
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i element kombinatorki. Zmienne losowe i ich rozkład 3. Populacje i prób danch, estmacja parametrów 4. Testowanie hipotez 5. Test parametrczne (na przkładzie
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoWykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.
Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób
Bardziej szczegółowoPrognoza scenariuszowa poziomu oraz struktury sektorowej i zawodowej popytu na pracę w województwie łódzkim na lata
Projek Kapiał ludzki i społeczny jako czynniki rozwoju regionu łódzkiego współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Prognoza scenariuszowa poziomu oraz srukury
Bardziej szczegółowoANALIZA 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoPROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM
PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany
Bardziej szczegółowoMatematyka finansowa 20.03.2006 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXVIII Egzamin dla Aktuariuszy z 20 marca 2006 r.
Komisja Egzaminacyjna dla Akuariuszy XXXVIII Egzamin dla Akuariuszy z 20 marca 2006 r. Część I Maemayka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minu 1 1. Ile
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 3
RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 Równania różniczkowe liniowe Metoda przewidwań Metoda przewidwań całkowania równania niejednorodnego ' p( x) opiera się na następującm twierdzeniu. Twierdzenie f ( x) Suma
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowo