ARMAX (ANN) : :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E27 C53 C45 :JEL

Wielkość: px
Rozpocząć pokaz od strony:

Download "ARMAX (ANN) : :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E27 C53 C45 :JEL"

Transkrypt

1 ARMAX (ANN) 39 9 : 39 :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E7 C53 C45 :JEL navid_moarrefzadeh@yahoo.com

2 (ANN). ARMAX (994)... Kuan & White Yousefi (994)

3 49... (993) (995). 4 3 (990). (994) 5 (999). 6 (999) » (007) 0 « GSA (0).. Chatfield. Tal & Nazareth 3. Andersson&Falksund 4. Bramson&Hoptroff 5. Aiken 6. Aiken &Bsat 7. Tutu and Johnson 8. Opec domestic oil demand 9. Tuksary 0. Ant colony optimization approach to estimate energy. Pedregal and dejuan. Modelling demand for crude oil products in Spain 3. Behrang 4. Gravitational Search Algorithm

4 (PSO). ols ols (387). 40 (388). ARIMA var (39). (ANN). (383) ARMA.3- ) : P. ( = + p y = i t i + t α α y 0 χ i t () x t q i = = β Σ 0 i t i { x t } :.. Alper. PSO

5 5... y t q p = α 0 + α i i y = t i + i = 0 B i Σ t i (). β 0 {y t } (). (ARMA). {X t } () ARMA q X t p ARMA q = 0. ARMA(p,q) p = 0 AR(P) ( ) 3 ). MA(q) ( ) 4 (( ) Autoregressive Moving Average. Pure Autoregressive 3. Pure Moving Average 4. Enders 5. Ramon Segal

6 7 5.. :. -.. n X X X 0 y. n. a : t Net t = α χ 0 0t + α χ t + α χ t = i = 0 α χ i it (3) (). f(x) (3) f (X) = X. : t yt = f ( Net t = a0 x0t + axt + axt ) = a0x0t + axt + axt (4). Feedforward Neural Network. Transfer or Activation Function

7 53... : X 0 y t = a 0 + a x t + a x t (5)... 3 ((00) - ) ((384) ). AR. (ANN). ARMAX.... bias. Multiple Linear Regression Model 3. Al-Saba

8 7 54 ((38) )..4. ) ((388) ). (( ) :. : ((0) ) ARMAX ANN... MAPE (Min Absolute Percent error)

9 55... = n Eper i Eact Eact i i (6). ARMAX (ADF) -. t % %5 %0 Prob -5/58-4/7059-3/889-4/4683-4/339-4/967-4/3393-3/6998-3/5806-3/5683-3/5875 -/976-3/53-3/83-3/9 -/674 0/00 0/0038 0/06 0/ :... Y a gdp + a pop + a nx + = 3 u t (7)

10 7 56 pop gdp Y. u t NX. 7 prob 0. t -/3 -/6 0 3/33 /65 0/008 =0/58 3/3 0/ :. 0/58 ARMA (p) ARMAX (q). 3.3 :

11 57... ARMAX PAC AC 3. 4 ARMAX(,) Eviews ARMAX.4 prob t 0/53 0/004 0/98 0 0/8089-0/6 3/7-0/00 3/63 0/4-0/5 0/67-0/00 0/93 0/06 AR() MA() : (MA()) 4. 5 ARMAX.5 prob t 0/0055 0/000 0/00 0 3/06 4/33 3/7-5/38 /48 0/69 0/64-8/70 AR() : 5 ARMAX(,0) ARMAX(,0) ARMAX(,0)...

12 7 58 ARMAX. : Matlab. : xi normal = xi x max x x min min (8). X max X min X i.. Mlp

13 Epoch

14 Epoch

15 6.... %5/34 %/8. ARMAX ANN. 6.6 ) Ann Ann ARMAX ( ARMAX /7 685/ 77/ 768/ 83/ 90/9 997/4 088/6 3/ /53 75/ /65 793/74 844/ 99/ /46 058/ /699 40/59 778/35 796/8 856/7 96/6 968/43 08/6 087/83 33/48 33/80 58/37 0/83 5/8667 7/ / / /99005 /00883 /80489 /544 /69 4/09 6/98 7/7353 9/ /3704 3/ / /6985 /787 0/73953

16 / 0/864 6/99 4/ /83874 =/8 =0/83 %/8 ANN 6. ARMAX ARMAX. ARMAX. 7.7 Dimension BDS Statistic 0/6 z 5/46 Prob 0 3 0/5 4/ /30 4/ /30 3/ /7 /47 0 %5 Prob Bds Test

17 (R ) /984. Y = 449/ 86x R = 0/ / 8x (9) Y = / 34x R = 0/ / x + 39 (0) 0/794.

18 7 64 Y = / 34x R = 0/ / x + 39 (). Y = 38 / 03x R = 0/ x 673x ().5-. : = X X X new old old 00 (3) : FV = PV ( + R) =FV =PV =R 3. 8 n

19 %/5 %5/4 %5/48 %7/ -389 : ) ( :.

20 ((980-00) ). 6 d R = 3 N N (4). N d R :. OPEC

21 R= R=0/99 R=0/9 R=0/8 R=0/97 : t R. t = r n r (5) t 5 t.0 - /05-47/64-4/9 - / /97 ((PSO) 3/ /40

22 7 68 (GA) /83 /07 /63 /8.7. (ANN). ARMAX.. ARMAX GDP.

23 » (387) «..» (388). 0 «AHP (384). 69 (38). VAR ARIMA» (39) «:(ANN).4. (384) Bentzen, J. and T. Engsted (993), Short- and Long-run Elasticities in Energy Demand,a Cointegration Approach, Energy Economics. PP.(9-6). Chao-Hsien Chu & Djohan Widjaja (994), Neural Network System for Forecasting, Method Selection, Decision Support Systems vol.. Pedregal, D. J., Dejua n, O., Go mez, N. & M. A. Tobarra (009), Modelling Demand for Crude Oil Products in Spain, Energy Policy, vol. 37. Enders, W. (004), Applied Econometric Time Series, (nd ed.) Danvers: Wiley.

24 7 70 Behrang, M. A., Assareh, E., Ghalambaz M., Assari, M. R. & A. R. Noghrehabadi (0), Forecasting future oil demand in iran using GSA, Energy, vol. 36. Organization of the Petroleum Exporting Countries(opec), Tawfiq Al-Saba & Ibrahim El-Amin (00), Artificial Neural Networks as Aplied to Long-term Demand Forecasting Artificial Intelligence in Engineering Vol.3. Toksar Ant Colony Optimization Approach to Estimate Energy Demand of Turkey, Energy Policy, 35, Totto, L. and T. M. Johnson (98), OPEC domestic oil demand: Future scenarios of product consumption, Program report, OPEC Downstream U nler, Improvement of energy demand forecasts using swarm intelligence:the case of Turkey with projections to 05, Energy Policy 36 (008) Yousefi, Mohammadgholi (994), Industrialization and Trade Policies of OPEC Countries, Deep and Deep Publishers, New Delhi.

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski

Bardziej szczegółowo

Neural Networks (The Machine-Learning Kind) BCS 247 March 2019

Neural Networks (The Machine-Learning Kind) BCS 247 March 2019 Neural Networks (The Machine-Learning Kind) BCS 247 March 2019 Neurons http://biomedicalengineering.yolasite.com/neurons.php Networks https://en.wikipedia.org/wiki/network_theory#/media/file:social_network_analysis_visualization.png

Bardziej szczegółowo

Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I

Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I Budownictwo i Architektura 11 (01) 11-137 Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury,

Bardziej szczegółowo

Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu

Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka

Bardziej szczegółowo

PLAN STUDIÓW Wydział Elektroniki, Telekomunikacji i Informatyki, Wydział Zarządzania i Ekonomii Inżynieria danych

PLAN STUDIÓW Wydział Elektroniki, Telekomunikacji i Informatyki, Wydział Zarządzania i Ekonomii Inżynieria danych WYDZIAŁ: KIERUNEK: poziom kształcenia: profil: forma studiów: Lp. O/F kod modułu/ przedmiotu* SEMESTR 1 1 O PG_00045356 Business law 2 O PG_00045290 Basics of computer programming 3 O PG_00045352 Linear

Bardziej szczegółowo

tum.de/fall2018/ in2357

tum.de/fall2018/ in2357 https://piazza.com/ tum.de/fall2018/ in2357 Prof. Daniel Cremers From to Classification Categories of Learning (Rep.) Learning Unsupervised Learning clustering, density estimation Supervised Learning learning

Bardziej szczegółowo

Linear Classification and Logistic Regression. Pascal Fua IC-CVLab

Linear Classification and Logistic Regression. Pascal Fua IC-CVLab Linear Classification and Logistic Regression Pascal Fua IC-CVLab 1 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

Bardziej szczegółowo

Transportu SIECI NEURONOWYCH. : marzec w przypadku awarii detektora. Opracowany we pomiarów ruchu

Transportu SIECI NEURONOWYCH. : marzec w przypadku awarii detektora. Opracowany we pomiarów ruchu PRACE AUKOWE POLITECHIKI WARSZAWSKIEJ z. 113 Transport 2016 Transportu PREDYK A SIECI EUROOWYCH : marzec 2016 Streszczenie: W artykule zaproponowano wykorzystanie jednej sieci neuronowej do krótko- podstawie

Bardziej szczegółowo

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Szeregi czasowe, analiza zależności krótkoi długozasięgowych Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t

Bardziej szczegółowo

Maszyny wektorów podpierajacych w regresji rangowej

Maszyny wektorów podpierajacych w regresji rangowej Maszyny wektorów podpierajacych w regresji rangowej Uniwersytet Mikołaja Kopernika Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie X X R d, Y R Z = (X, Y ), Z = (X, Y ) - niezależne

Bardziej szczegółowo

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA

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

Bardziej szczegółowo

Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics

Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics Plan studiów stacjonarnych II stopnia (magisterskich) na kierunku ZARZĄDZANIE I INŻYNIERIA PRODUKCJI MANAGEMENT

Bardziej szczegółowo

WYKORZYSTANIE ALGORYTMÓW PSZCZELICH W PROCESIE POSZUKIWANIA MINIMUM FUNKCJI CELU

WYKORZYSTANIE ALGORYTMÓW PSZCZELICH W PROCESIE POSZUKIWANIA MINIMUM FUNKCJI CELU Mgr inż. Łukasz WITANOWSKI DOI: 10.17814/mechanik.2015.7.318 Dr hab. inż. Piotr LAMPART Instytut Maszyn Przepływowych PAN, Ośrodek Energetyki Cieplnej Zakład Turbin WYKORZYSTANIE ALGORYTMÓW PSZCZELICH

Bardziej szczegółowo

O dwóch modyfikacjach algorytmu PSO

O dwóch modyfikacjach algorytmu PSO Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Seminarium: Inteligencja Obliczeniowa 24 listopada 2011 Plan prezentacji 1 Wprowadzenie 2 3 4 5 6 Definicja problemu Wprowadzenie Definicja

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Modele warunkowej heteroscedastyczności

Modele warunkowej heteroscedastyczności Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty

Bardziej szczegółowo

1 Modele ADL - interpretacja współczynników

1 Modele ADL - interpretacja współczynników 1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać

Bardziej szczegółowo

Wykład 4 Wybór najlepszej procedury. Estymacja parametrów re

Wykład 4 Wybór najlepszej procedury. Estymacja parametrów re Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem

Bardziej szczegółowo

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW

Bardziej szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie

Bardziej szczegółowo

Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.

Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. 1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg

Bardziej szczegółowo

Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne

Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Warunki stacjonarności modelu AR(p) y n = β 1 y n 1 + β 2 y n 2 + + β

Bardziej szczegółowo

Hard-Margin Support Vector Machines

Hard-Margin Support Vector Machines Hard-Margin Support Vector Machines aaacaxicbzdlssnafiyn9vbjlepk3ay2gicupasvu4iblxuaw2hjmuwn7ddjjmxm1bkcg1/fjqsvt76fo9/gazqfvn8y+pjpozw5vx8zkpvtfxmlhcwl5zxyqrm2vrg5zw3vxmsoezi4ogkr6phieky5crvvjhriqvdom9l2xxftevuwcekj3lktmhghgniauiyutvrwxtvme34a77kbvg73gtygpjsrfati1+xc8c84bvraowbf+uwnipyehcvmkjrdx46vlykhkgykm3ujjdhcyzqkxy0chur6ax5cbg+1m4bbjptjcubuz4kuhvjoql93hkin5hxtav5x6yyqopnsyuneey5ni4keqrxbar5wqaxbik00icyo/iveiyqqvjo1u4fgzj/8f9x67bzmxnurjzmijtlybwfgcdjgfdtajwgcf2dwaj7ac3g1ho1n4814n7wwjgjmf/ys8fenfycuzq==

Bardziej szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,

Bardziej szczegółowo

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu

Bardziej szczegółowo

Analiza szeregów czasowych: 7. Liniowe modele stochastyczne

Analiza szeregów czasowych: 7. Liniowe modele stochastyczne Analiza szeregów czasowych: 7. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Liniowe modele stochastyczne Niech {y n } N n=1 będzie pewnym ciagiem danych

Bardziej szczegółowo

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...

Bardziej szczegółowo

Towards Stability Analysis of Data Transport Mechanisms: a Fluid Model and an Application

Towards Stability Analysis of Data Transport Mechanisms: a Fluid Model and an Application Towards Stability Analysis of Data Transport Mechanisms: a Fluid Model and an Application Gayane Vardoyan *, C. V. Hollot, Don Towsley* * College of Information and Computer Sciences, Department of Electrical

Bardziej szczegółowo

Ekonometria dla IiE i MSEMat Z7

Ekonometria dla IiE i MSEMat Z7 Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany

Bardziej szczegółowo

AWG grupa robocza ds. starzenia się ludności

AWG grupa robocza ds. starzenia się ludności Polish Ministry of Finance AWG grupa robocza ds. starzenia się ludności Joanna Stachura Departament WU 26.06.2013 Prezentacja AWG zakres kompetencji, proces powstawania raportu Wyniki projekcji dla Polski

Bardziej szczegółowo

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W

Bardziej szczegółowo

Zarządzanie ryzykiem w tworzeniu wartości na przykładzie przedsiębiorstwa z branży. kosmetycznej

Zarządzanie ryzykiem w tworzeniu wartości na przykładzie przedsiębiorstwa z branży. kosmetycznej Beata Tomys Wroclaw University of Economics Zarządzanie ryzykiem w tworzeniu wartości na przykładzie przedsiębiorstwa z branży kosmetycznej JEL Classification: A10 Słowa kluczowe: Zarządzanie ryzykiem

Bardziej szczegółowo

Badania w sieciach złożonych

Badania w sieciach złożonych Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar

Bardziej szczegółowo

Wprowadzenie do sieci neuronowych i zagadnień deep learning

Wprowadzenie do sieci neuronowych i zagadnień deep learning Wprowadzenie do sieci neuronowych i zagadnień deep learning Inteligentne Obliczenia Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber INO (IAiR PW) Deep learning Anna Sztyber 1 / 28 Deep learning

Bardziej szczegółowo

Walyeldeen Godah Małgorzata Szelachowska Jan Kryński. Instytut Geodezji i Kartografii (IGiK), Warszawa Centrum Geodezji i Geodynamiki

Walyeldeen Godah Małgorzata Szelachowska Jan Kryński. Instytut Geodezji i Kartografii (IGiK), Warszawa Centrum Geodezji i Geodynamiki Porównanie globalnych modeli geopotencjału opracowanych na podstawie danych z misji GRACE oraz GOCE/GRACE z przyspieszeniem siły ciężkości pomierzonym w Obserwatorium Geodezyjno-Geofizycznym Borowa Góra

Bardziej szczegółowo

Algorytm FIREFLY. Michał Romanowicz Piotr Wasilewski

Algorytm FIREFLY. Michał Romanowicz Piotr Wasilewski Algorytm FIREFLY Michał Romanowicz Piotr Wasilewski Struktura prezentacji 1. Twórca algorytmu 2. Inspiracja w przyrodzie 3. Algorytm 4. Zastosowania algorytmu 5. Krytyka algorytmu 6. Porównanie z PSO Twórca

Bardziej szczegółowo

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1

Bardziej szczegółowo

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych

Bardziej szczegółowo

Dochody gospodarstw rolnych a ryzyko walutowe

Dochody gospodarstw rolnych a ryzyko walutowe Dochody gospodarstw rolnych a ryzyko walutowe Cezary Klimkowski Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy Presentation plan A few words about theory Impact of PLN/EUR

Bardziej szczegółowo

Machine Learning for Data Science (CS4786) Lecture11. Random Projections & Canonical Correlation Analysis

Machine Learning for Data Science (CS4786) Lecture11. Random Projections & Canonical Correlation Analysis Machine Learning for Data Science (CS4786) Lecture11 5 Random Projections & Canonical Correlation Analysis The Tall, THE FAT AND THE UGLY n X d The Tall, THE FAT AND THE UGLY d X > n X d n = n d d The

Bardziej szczegółowo

wprowadzenie do analizy szeregów czasowych

wprowadzenie do analizy szeregów czasowych 19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy

Bardziej szczegółowo

Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH

Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

dr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer

dr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer dr Anna Matuszyk PUBLIKACJE: Lp. Autor/ red. 2015 naukowy 1 A. Matuszyk, Zastosowanie analizy przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Tytuł Okładka CeDeWu 2 A.Matuszyk, A. Ptak-Chmielewska,

Bardziej szczegółowo

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013 Ryszard Węgrzyn Zastosowanie wybranych modeli zmienności w analizie ryzyka cen akcji Słowa kluczowe:...

Bardziej szczegółowo

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa

Bardziej szczegółowo

Heteroskedastyczość w szeregach czasowyh

Heteroskedastyczość w szeregach czasowyh Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem

Bardziej szczegółowo

Cracow University of Economics Poland

Cracow University of Economics Poland Cracow University of Economics Poland Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005 - Keynote Speech - Presented by: Dr. David Clowes The Growth Research Unit,

Bardziej szczegółowo

Analiza stanów gry na potrzeby UCT w DVRP

Analiza stanów gry na potrzeby UCT w DVRP Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza

Bardziej szczegółowo

Modele ARIMA prognoza, specykacja

Modele ARIMA prognoza, specykacja Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji

Bardziej szczegółowo

System optymalizacji produkcji energii

System optymalizacji produkcji energii System optymalizacji produkcji energii Produkcja energii jest skomplikowanym procesem na który wpływa wiele czynników, optymalizacja jest niezbędna, bieżąca informacja o kosztach i możliwościach wykorzystania

Bardziej szczegółowo

Czasowy wymiar danych

Czasowy wymiar danych Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji

Bardziej szczegółowo

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Wydział Matematyki i Informatyki Instytut Informatyki i

Bardziej szczegółowo

Ewelina Słupska Uniwersytet Ekonomiczny we Wrocławiu. Arkadiusz Kozłowski Uniwersytet Ekonomiczny we Wrocławiu

Ewelina Słupska Uniwersytet Ekonomiczny we Wrocławiu. Arkadiusz Kozłowski Uniwersytet Ekonomiczny we Wrocławiu Ewelina Słupska Uniwersytet Ekonomiczny we Wrocławiu rkadiusz Kozłowski Uniwersytet Ekonomiczny we Wrocławiu Zarządzanie wartością przedsiębiorstwa na przykładzie przedsiębiorstw z branży produkującej

Bardziej szczegółowo

ROZDZIAŁ 27 WAHANIA CYKLICZNE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ KONSUMOWANĄ PRZEZ PRZEMYSŁ W POLSCE

ROZDZIAŁ 27 WAHANIA CYKLICZNE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ KONSUMOWANĄ PRZEZ PRZEMYSŁ W POLSCE Rafał Kasperowicz ROZDZIAŁ 2 WAHANIA CYKLICZNE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ KONSUMOWANĄ PRZEZ PRZEMYSŁ W POLSCE Wstęp Energia elektryczna stanowi kluczowy zasób produkcyjny nowoczesnej gospodarki.

Bardziej szczegółowo

Zarządzanie ryzykiem w tworzeniu wartości przedsiębiorstwa na przykładzie przedsiębiorstwa z branży odzieżowej. Working paper

Zarządzanie ryzykiem w tworzeniu wartości przedsiębiorstwa na przykładzie przedsiębiorstwa z branży odzieżowej. Working paper Ł. Kandzior, Wroclaw University of Economics Zarządzanie ryzykiem w tworzeniu wartości przedsiębiorstwa na przykładzie przedsiębiorstwa z branży odzieżowej Working paper JEL Classification: A 10 Słowa

Bardziej szczegółowo

SKUTECZNOŚĆ PROGNOZOWANIA ZUŻYCIA GAZU Z WYKORZYSTANIEM METOD REGRESJI I SZTUCZNYCH SIECI NEURONOWYCH

SKUTECZNOŚĆ PROGNOZOWANIA ZUŻYCIA GAZU Z WYKORZYSTANIEM METOD REGRESJI I SZTUCZNYCH SIECI NEURONOWYCH CZASOPISMO INŻYNIERII LĄDOWEJ, ŚRODOWISKA I ARCHITEKTURY JOURNAL OF CIVIL ENGINEERING, ENVIRONMENT AND ARCHITECTURE JCEEA, t. XXXIV, z. 64 (1/17), styczeń-marzec 2017, s. 133-141, DOI:10.7862/rb.2017.13

Bardziej szczegółowo

Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych

Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych Tomasz CIECHULSKI 1, Stanisław OSOWSKI 1,2 Wojskowa Akademia Techniczna, Wydział Elektroniki (1), Politechnika Warszawska, Wydział Elektryczny (2) doi:10.15199/48.2018.09.26 Prognozowanie zapotrzebowania

Bardziej szczegółowo

Kierunek: Informatyka rev rev jrn Stacjonarny EN 1 / 6

Kierunek: Informatyka rev rev jrn Stacjonarny EN 1 / 6 Wydział Informatyki i Komunikacji Wizualnej Kierunek: Informatyka w języku angielskim studia pierwszego stopnia - inżynierskie tryb: stacjonarny rok rozpoczęcia 2018/2019 A. Moduły międzykierunkowe obligatoryjne

Bardziej szczegółowo

RADIO DISTURBANCE Zakłócenia radioelektryczne

RADIO DISTURBANCE Zakłócenia radioelektryczne AKREDYTOWANE LABORATORIUM BADAWCZE Page (Strona) 2 of (Stron) 9 Following requirements should be taken into account in the case of making use of Test Report and giving information about the tests performed

Bardziej szczegółowo

MATLAB Neural Network Toolbox uczenie sieci (dogłębnie)

MATLAB Neural Network Toolbox uczenie sieci (dogłębnie) MATLAB Neural Network Toolbox uczenie sieci (dogłębnie) WYKŁAD Piotr Ciskowski Neural Network Toolbox: NEURAL NETWORK TOOLBOX NOTACJA Neural Network Toolbox - notacja: pojedynczy neuron: z jednym wejściem

Bardziej szczegółowo

PEWNE METODY HYBRYDOWE W JEDNOKRYTERIALNEJ OPTYMALIZACJI KONSTRUKCJI SOME HYBRID METHODS FOR SINGLE CRITERIA DESIGN OPTIMIZATION

PEWNE METODY HYBRYDOWE W JEDNOKRYTERIALNEJ OPTYMALIZACJI KONSTRUKCJI SOME HYBRID METHODS FOR SINGLE CRITERIA DESIGN OPTIMIZATION STANISŁAW KRENICH PEWNE METODY HYBRYDOWE W JEDNOKRYTERIALNEJ OPTYMALIZACJI KONSTRUKCJI SOME HYBRID METHODS FOR SINGLE CRITERIA DESIGN OPTIMIZATION S t r e s z c z e n i e A b s t r a c t W artykule przedstawiono

Bardziej szczegółowo

Katarzyna Mamak Uniwersytet Ekonomiczny we Wrocławiu

Katarzyna Mamak Uniwersytet Ekonomiczny we Wrocławiu Katarzyna Mamak Uniwersytet Ekonomiczny we Wrocławiu Zarządzanie ryzykiem w tworzeniu wartości przedsiębiorstwa na przykładzie przedsiębiorstwa z branży pozostałe górnictwo i wydobywanie. Working paper

Bardziej szczegółowo

Algorytm świetlika charakterystyka, własności aplikacyjne i usprawnienia

Algorytm świetlika charakterystyka, własności aplikacyjne i usprawnienia Algorytm świetlika charakterystyka, własności aplikacyjne i usprawnienia Szymon Łukasik Instytut Badań Systemowych PAN Katedra Automatyki i Technik Informacyjnych Politechniki Krakowskiej Wprowadzenie

Bardziej szczegółowo

ANALIZA WYDAJNOŚCI UJĘĆ WÓD Z SAMOWYPŁYWEM PRZY UŻYCIU LINIOWEJ IDENTYFIKACJI MODELU ARMAX

ANALIZA WYDAJNOŚCI UJĘĆ WÓD Z SAMOWYPŁYWEM PRZY UŻYCIU LINIOWEJ IDENTYFIKACJI MODELU ARMAX Nr 113 Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej Nr 113 Studia i Materiały Nr 31 2005 Arkadiusz LIBER, Elżbieta LIBER wydajność ujęć wód eksploatowanych samoczynnie, metoda identyfikacji

Bardziej szczegółowo

Wydział Inżynierii Produkcji i Logistyki

Wydział Inżynierii Produkcji i Logistyki Wydział Inżynierii Produkcji i Logistyki Plan studiów s t a c j o n a r n y c h II stopnia na kierunku zarządzanie i inżynieria produkcji uchwalony przez Radę Wydziału Edukacji Technicznej i Informatycznej

Bardziej szczegółowo

KRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ SIECI NEURONOWEJ

KRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ SIECI NEURONOWEJ POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 79 Electrical Engineering 2014 Tomasz JEŻYK* Andrzej TOMCZEWSKI* KRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli

Bardziej szczegółowo

Ćwiczenie 5 PROGNOZOWANIE

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

Bardziej szczegółowo

Mapy poznawcze jako narzędzia rozumienia informacji

Mapy poznawcze jako narzędzia rozumienia informacji Mapy poznawcze jako narzędzia rozumienia informacji Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska i Wydział Matematyki i Informatyki Uniwersytet w Białymstoku www.mini.pw.edu.pl/ homenda

Bardziej szczegółowo

Barbara Batóg* Uniwersytet Szczeciński

Barbara Batóg* Uniwersytet Szczeciński Studia i Prace WNEiZ US nr 45/2 2016 DOI:10.18276/sip.2016.45/2-11 Barbara Batóg* Uniwersytet Szczeciński Badanie kointegracji wybranych zmiennych ekonomiczno- -finansowych w województwie zachodniopomorskim

Bardziej szczegółowo

Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia a e ergię

Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia a e ergię ZARZĄDZANIE ENERGETYKĄ PROSUMENCKĄ Stowarz sze ie Klaster, Polite h ika Często howska Często howa, 9. 9. Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia

Bardziej szczegółowo

Nowe podejście do składowania danych

Nowe podejście do składowania danych Nowe podejście do składowania danych Platforma dla danych transakcyjnych i analitycznych wykorzystująca składowanie kolumnowe w pamięci Hasso Plattner Oddzielne systemy transakcyjne + analityka + akceleracja

Bardziej szczegółowo

Inżynieria Rolnicza 5(114)/2009

Inżynieria Rolnicza 5(114)/2009 Inżynieria Rolnicza (114)/29 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ II OPRACOWANIE PREDYKCYJNYCH MODELI RELACYJNYCH

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

Cena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO 1 1 200 1 260 2 20 4 1 7 2

Cena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO 1 1 200 1 260 2 20 4 1 7 2 2015 SAS Education sas.com/poland/training Centrum Szkoleniowe SAS Institute sp. z o.o. ul. Gdańska 27/31, 01-633 Warszawa (22) 560 46 20 cs@spl.sas.com Kalendarz szkoleń Grow With Us Nazwa szkolenia Kod

Bardziej szczegółowo

Jądrowe klasyfikatory liniowe

Jądrowe klasyfikatory liniowe Jądrowe klasyfikatory liniowe Waldemar Wołyński Wydział Matematyki i Informatyki UAM Poznań Wisła, 9 grudnia 2009 Waldemar Wołyński () Jądrowe klasyfikatory liniowe Wisła, 9 grudnia 2009 1 / 19 Zagadnienie

Bardziej szczegółowo

Przegląd metod wykorzystywanych do średnioterminowego prognozowania obciążeń elektroenergetycznych

Przegląd metod wykorzystywanych do średnioterminowego prognozowania obciążeń elektroenergetycznych Paweł PELKA Politechnika Częstochowska, Wydział Elektryczny doi:10.15199/48.2019.07.32 Przegląd metod wykorzystywanych do średnioterminowego prognozowania obciążeń elektroenergetycznych Streszczenie. W

Bardziej szczegółowo

Probabilistyczne prognozowanie hurtowych cen energii elektrycznej

Probabilistyczne prognozowanie hurtowych cen energii elektrycznej Probabilistyczne prognozowanie hurtowych cen energii elektrycznej Rafał Weron Katedra Badań Operacyjnych, Finansów i Zastosowań Informatyki Politechnika Wrocławska (PWr) Rafał Weron (PWr) Prognozowanie

Bardziej szczegółowo

DRZEWA REGRESYJNE I LASY LOSOWE JAKO

DRZEWA REGRESYJNE I LASY LOSOWE JAKO DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl

Bardziej szczegółowo

RADIO DISTURBANCE Zakłócenia radioelektryczne

RADIO DISTURBANCE Zakłócenia radioelektryczne AKREDYTOWANE LABORATORIUM BADAWCZE Page (Strona) 2 of (Stron) 9 Following requirements should be taken into account in the case of making use of Test Report and giving information about the tests performed

Bardziej szczegółowo

Algorytmy rozpoznawania obrazów. 11. Analiza skupień. dr inż. Urszula Libal. Politechnika Wrocławska

Algorytmy rozpoznawania obrazów. 11. Analiza skupień. dr inż. Urszula Libal. Politechnika Wrocławska Algorytmy rozpoznawania obrazów 11. Analiza skupień dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Analiza skupień Określenia: analiza skupień (cluster analysis), klasteryzacja (clustering), klasyfikacja

Bardziej szczegółowo

Ł Ł Ś Ó ć ć ć Ą Ć ć ć Ł Ś Ą Ó Ń Ą ź ź ź Ń ć ć Ł ć Ł Ł Ł Ś Ó Ń ć ć Ł ć Ł ć ć Ś Ł ć Ą Ą ź ź ź ć ć ć Ńć ć Ś Ś Ś Ń Ą ć ć ć ć ć Ń Ą Ł ź ź Ą ź ź ć ć ź ć Ą ć ć ć ź ź ź Ą ź ź ź ź ź ź ć ć ć ć ć ć ć Ą ć ć ź ć ć

Bardziej szczegółowo

Auditorium classes. Lectures

Auditorium classes. Lectures Faculty of: Mechanical and Robotics Field of study: Mechatronic with English as instruction language Study level: First-cycle studies Form and type of study: Full-time studies Annual: 2016/2017 Lecture

Bardziej szczegółowo

B. Gabinet M. Zawadzka Wroclaw University of Economic

B. Gabinet M. Zawadzka Wroclaw University of Economic B. Gabinet M. Zawadzka Wroclaw University of Economic Zarządzanie wartością przedsiębiorstwa na podstawie przedsiębiorstw z branży uprawy rolne, chów i hodowla zwierząt, łowiectwo Słowa kluczowe: zarządzanie

Bardziej szczegółowo

Algorytmy heurystyczne w UCB dla DVRP

Algorytmy heurystyczne w UCB dla DVRP Algorytmy heurystyczne w UCB dla DVRP Seminarium IO na MiNI 24.03.2015 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP UCB na potrzeby DVRP Algorytmy

Bardziej szczegółowo

Number of hours teaching hours practical classes. others 1

Number of hours teaching hours practical classes. others 1 Faculty of Economics and Social Sciences Course: Agri-food Economics and Trade (Start date: academic year 2019/2020) Subject Number of credits Total lectures Number of hours teaching hours practical classes

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,

Bardziej szczegółowo

Narzędzia wspomagające projektowanie - Matlab. PID Tunner. step, bode, margin, rlocus lqr, lqreg kalman,...

Narzędzia wspomagające projektowanie - Matlab. PID Tunner. step, bode, margin, rlocus lqr, lqreg kalman,... Narzędzia wspomagające projektowanie - Matlab Obiekt LTI (Linear Time-Invariant System) Schemat pod Simulinkiem SCDesign linearyzacja SCOptimization linearyzacja Linear Analysis Tools LTI Viewer step,

Bardziej szczegółowo

Ścieżka rozwoju polskiej gospodarki w latach gospodarki w latach W tym celu wykorzystana zostanie metoda diagramowa,

Ścieżka rozwoju polskiej gospodarki w latach gospodarki w latach W tym celu wykorzystana zostanie metoda diagramowa, Barbara Batóg, Jacek Batóg Uniwersytet Szczeciński Ścieżka rozwoju polskiej gospodarki w latach - W artykule podjęta zostanie próba analizy, diagnozy i prognozy rozwoju polskiej gospodarki w latach -.

Bardziej szczegółowo

WYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH

WYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH Inżynieria Rolnicza 1(110)/2009 WYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH Małgorzata Trojanowska Katedra Energetyki

Bardziej szczegółowo

Zwiększenie efektywności funkcjonowania magazynu w wyniku zastosowania dynamicznego podziału produktów na grupy

Zwiększenie efektywności funkcjonowania magazynu w wyniku zastosowania dynamicznego podziału produktów na grupy LORENC Augustyn Krzysztof 1 Zwiększenie efektywności funkcjonowania magazynu w wyniku zastosowania dynamicznego podziału produktów na grupy WSTĘP Zapewnienie pożądanej efektywności funkcjonowania dużego

Bardziej szczegółowo

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε

Bardziej szczegółowo

PLANY I PROGRAMY STUDIÓW

PLANY I PROGRAMY STUDIÓW WYDZIAŁ INŻYNIERII PRODUKCJI I LOGISTYKI PLANY I PROGRAMY STUDIÓW STUDY PLANS AND PROGRAMS KIERUNEK STUDIÓW FIELD OF STUDY - ZARZĄDZANIE I INŻYNIERIA PRODUKCJI - MANAGEMENT AND PRODUCTION ENGINEERING Studia

Bardziej szczegółowo

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005 Cracow University of Economics Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005 - Key Note Speech - Presented by: Dr. David Clowes The Growth Research Unit CE Europe

Bardziej szczegółowo