Instytut Logistyki i Magazynowania
|
|
- Bartłomiej Borowski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Insu Logiski i Magaznowania Ćwiczenia 1 mgr Dawid Doliński Dawid.Dolinski@ilim.poznan.pl lub Dawid.Dolinski@wsl.com.pl Tel. 0(61)
2 ZALICZENIE PRZEDMIOTU 5 punków Blok zajęć z Panem mgr D.Dolińskim 5 punków Blok zajęć z Panią mgr inż. K.Kolińską 5 punków Blok zajęć z Panem mgr inż. B.Miszonem Obecność: 2 punk - obecność na wszskich zajęciach (9 ćwiczeń) 1 punk - obecność na 8 ćwiczeniach Punk Ocena 9-10,5 3 10,6-12 3,5 12,1-13,5 4 13,6-15 4,5 15,1-16, > 6 KOLOKWIUM POPRAWKOWE + WPISY Pan mgr inż. B.Miszon
3 HARMONOGRAM ZAJĘĆ ĆWICZENIA 1, 2 Modele prognozowania w oparciu o szereg czasow sacjonarne + modele rendu ĆWICZENIA 3 OBRONA PROJEKTU
4 Model na zaliczenie kreria ocen 1) Dobór modelu prognoscznego 0,5 PUNKTY Przedsawienie kilku modeli prognoscznch Kreria wboru modelu dlaczego aki model? 2) Zbudowanie prognoz na kolejne okres 0,5 PUNKT 3) Ocena błędu / rafności prognoz 0,75 PUNKT określenie błędu zbudowanej prognoz Ocena rafności prognoz przez wkładowcę Trafność % - 0,25 punka Trafność > 90% - 0,5 punka 4) Forma 0,25 PUNKTA Wkres danch wejściowch, NAJLEPSZEGO modelu Komenarze Czelność budowanego modelu prognoscznego 5) Proces prognozowania - 1 PUNKT Prognoza długoerminowa, krókoerminowa (horzon planisczn) Prognoza budżeu, sraegia firm, szerokość ofer (liczba SKU, grup asormenowch) Prognoza sasczna, werfikacja prognoz (jakie cznniki zewnęrzne) Srukura organizacjna, odpowiedzialność, cznności w procesach 6) OBRONA PROJEKTU - 2 PUNKTY, ALE!!! 0 PUNKTÓW, jeśli suden nie obroni projeku
5 Definicja prognoz Przewidwanie - wnioskowanie o zdarzeniach nie znanch na podsawie zdarzeń znanch - Przewidwanie racjonalne logiczne na podsawie przeszłości - Przewidwanie nieracjonalne prorocwa, wróżb - Przewidwanie zdroworozsądkowe opare na doświadczeniu - Przewidwanie naukowe korzsa się z reguł naukowch Prognozowanie - opare na naukowch podsawach przewidwanie kszałowania się zjawisk i procesów w przszłości. Określenie naukowe podsaw oznacza w m przpadku, że prz prognozowaniu korzsa się z dorobku nauki, j. z meod maemacznch, sascznch oraz ogólnej meodologii posępowania w procesie prognozowania Prognozowanie? Przewidwanie
6 Zmienne prognozowane Zmienna ilościowa wrażana jes zwiększeniem lub zmniejszeniem warości zmiennej prognozowanej. Zmian ilościowe wnikają z wkrej wcześniej funkcji rendu Prognoza na kolejn rok wnika włącznie z zarejesrowanej funkcji rendu Zmienna jakościowa zmian cznników wpłwającch na zmienną prognozowaną
7 Mechanizm rozwojow Posawa paswna? Skupienie się na zmianach ilościowch nie wnikając w mechanizm zależności pewnch zjawisk od cznników ludzkich Zasada saus quo prognosa przjmuje, że na zmienną prognozowaną będą oddziałwać w aki sam sposób jak dochczas, e same, co doąd cznniki, będzie jak bło dochczas Posawa akwna? Skupienie się na zmianach ilościowch jak i w znacznm sopniu jakościowch. Przszłość nie zależ lko od przeszłości, lecz akże od pragnień, inencji, celów ludzi, cznników makroekonomicznch i zadaniem prognos jes ancpacja ch cznników.
8 Eap prognozowania Wróżnia się nasępujące eap prognozowania Sformułowanie problemu prognoscznego Gromadzenie oraz przewarzanie danch Wbór meod prognozowania Werfikacja prognoz monioring Ocena dopuszczalności oraz rafności prognoz Wznaczenie prognoz
9 Eap prognozowania Inne meod Meod opare na szeregu czasowm Meod prawdopodobieńswa Wbór meod prognozowania Meod ekonomerczne Meod ieracjne Meod heursczne Meod scenariuszowe Meod analogowe
10 Eap prognozowania Wznaczenie prognoz Wznaczanie prognoz powinno przebiegać zgodnie ze schemaem oraz meodologią danej meod prognozowania, a jeśli nie jes do możliwe należ o umieścić w opisie procesu prognoz.
11 Modele szeregów czasowch Definicja szeregu czasowego zesawienie warości zmiennch cech badanej według krerium czasu, gdzie badana jes warość cech w kolejnej jednosce czasu Laa Sprzedaż produku X (w s. sz.) Sprzedaż produku "X" laach , , , , , , , , , , , , ,0 f(x)? f (x) = 9,62*e ,0366x laa ilość sprzedaż
12 8,5 8,0 7,5 7,0 6,5 6,0 5,5 5,0 4,5 4,0 Dekompozcja szeregu czasowego 8,5 7,5 paź 92 mar 94 lip 95 lis 96 kwi 98 6,5 5,5 4,5 3,5 2,5 1,5 0,5 Składnik losow Składnik ssemaczn -0,5 paź 92 mar 94 lip 95 lis 96 kwi 98-1,5
13 8,5 8,0 7,5 7,0 6,5 6,0 5,5 5,0 4,5 4,0 1,2 1,0 0,8 0,6 0,4 0,2 0,0-0,4-0,6-0,8 Dekompozcja szeregu czasowego Trend paź 92 mar 94 lip 95 lis 96 kwi 98 W ahania ckliczne -0,2paź 92 mar 94 lip 95 lis 96 kwi 98,,, W ahania sezonowe
14 Modele prognosczne sał poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwn Modele średniej armecznej Model Browna Modele ARMA Model Hola Modele analiczne Modele ARMA, ARIMA Model wskaźników seznowości Model Winersa Modele ARIMA
15 Ocena prognoz Mierniki dopasowania modelu prognoscznego Ocena dopuszczalności prognoz Mierniki Trafności prognoz ex pos Mierniki dopuszczalności prognoz ex ane ex pos Wczoraj Dzisiaj ex ane Juro Czas
16 Jakość prognoz Mierniki dopasowania modelu prognoscznego częso nazwane są miernikami jakości Jakość modelu prognoscznego mierniki jakości modelu mówią o dobrm wborze modelu maemacznego opisującego przebieg zmiennch prognozowanch Dopasowanie modelu Dane rzeczwise model Dopasowanie modelu Dane rzeczwise model
17 Jakość prognoz Mierniki jakości modelu prognoscznego 1) Współcznnik deerminacji (współcznnik dopasowania) n 2 å( ŷ - ) 2 = 1 R = n R 2 Î[ 0,1] 2 å( - ) = 1 ŷ - wielkość badanego zjawiska w okresie, - eoreczna warość zmiennej na okres, - średnia warość zmiennej w szeregu czasowm o długości n. Im większa warość ego współcznnika m lepsze dopasowanie modelu do danch rzeczwisch
18 Jakość prognoz Mierniki jakości modelu prognoscznego 2) Odchlenie sandardowe (składnika reszowego lub z obserwacji) s n = é 1 ê å ën - m -1 = 1 ( - ) ŷ 2 ú û ù 0,5 s minimum n - liczba obserwacji w szeregu czasowm m - liczba zmiennch objaśniającch (nie uwzględniając wrazu wolnego) n é 1 s = ê å ën -1 = 1 ( - ) 2 ù ú û 0,5 3) współcznnik zmienności s w = 100% w minimum
19 Trafność prognoz Trafność prognoz - określa się po upłwie czasu, na kór prognoza bła wznaczona (prognoz wgasłe), a sopień rafności prognoz mierz się za pomocą błędów prognoz ex pos laa Produkcja produku X (s.sz.) Model prognosczn Badając zależności międz warościami zarejesrowanmi, a modelem prognoscznm badam błęd prognoz ex pos 623 Dzisiaj
20 Błęd prognoz ex pos 1) Bezwzględn błąd prognoz q = - * * - wielkość badanego zjawiska w okresie, - prognoza warości zmiennej na okres, 2) Względn błąd prognoz - * = 100 3) Średni kwadraow (sandardow) błąd prognoz s * = 1 n n å = 1 ( - * ) 2 informuje o wielkości odchlenia prognoz od warości rzeczwisej w danej jednosce czasu, prz czm wielkość a wznaczana jes w procenach warości rzeczwisej. informuje o przecięnm odchleniu prognoz od warości rzeczwisch w całm przedziale werfikacji. s * s posawa paswna s * = s
21 Błęd prognoz ex pos 4) Średni błąd prognoz (MFE) e = n å = 1 ( n - * 5) Średni bezwzględn (absolun) błąd prognoz (MAD) d = n å i= 1 - n 6) Średni względn błąd prognoz ) * e a» 0 = 1 n n å = 1 - * 100 ei rozkład normaln s * = 1,25 * d
22 Zadanie 1 Liczba sprzedanch produków X firm Y w kolejnch kwarałach la Zosała przedsawiona w abeli poniżej Kwarał Sprzedaż [w s. szuk)] I II III IV I II III IV I II III IV ) Swórz wkres, określ składowe szeregu oraz wznacz wielkość współcznnika zmienności dla zmiennej obserwowanej 2) Zbuduj model prognosczn oraz wznacz prognozę na I kwarał 2008 roku wkorzsując model naiwn 3) Określ jakość modelu wkorzsując współcznnik zmienności oraz współcznnik deerminacji 4) Oceń rafność prognoz ex pos wkorzsując średni kwadraow błąd prognoz oraz średni względn błąd prognoz
23 Model naiwn Model naiwn - zakłada, że prognozowana warość w nasępnm okresie będzie kszałowała się na m samm poziomie, co w obecnm okresie, prz założeniu nie wsępowania zmian jakościowch w badanm zjawisku Model en może mieć zasosowanie w przpadku nie wsępowania wahań przpadkowch (sał poziom badanego zjawiska) w szeregu czasowm * = -1 * prognoza zjawiska na okres - wielkość badanego zjawiska w okresie -1
24 Zadanie 2 Drekor pogoowia raunkowego chce wkonać prognozę na kolejn dzień. Liczba pacjenów w kolejnch godniach przedsawia abela Tdzień Liczba pacjenów ) Zbuduj model prognosczn oraz wznacz prognozę na kolejn dzień wkorzsując meod: a) średniej armecznej prosej b) średniej armecznej ruchomej prosej 3 oraz 5- elemenowej c) średniej armecznej ruchomej ważonej 3 elemenowej wkorzsując wagi 0,2; 0,3; 0,5 5 elemenowej wkorzsując wagi 0,1; 0,15; 0,15; 0,2; 0,3 2) Dla każdego modelu określ średni kwadraow błąd prognoz oraz rafność prognoz (błąd względn ex pos) wiedząc ze rzeczwisa liczba pacjenów w godniu 15 wniosła
25 Modele średniej armecznej Wróżnia się nasępujące modele średniej armecznej Średnia armeczna prosa Średnia armeczna ruchoma Średnia armeczna ważona Średnia armeczna prosa cech charakersczne: - prose obliczenia - wszskie dane rakowane jednakowo - nie uwzględnia się żadnch rendów * 11 = = 10 42,7
26 Średnia armeczna ruchoma Wróżnia się nasępujące modele średniej armecznej Średnia armeczna prosa Średnia armeczna ruchoma Średnia armeczna ważona Średnia armeczna ruchoma cech charakersczne: - prose obliczenia - wbór liczb okresów jes arbiraln - im mniejsza liczba okresów m szbsza odpowiedź (bardziej odzwierciedla zachodzące zmian) - wszskim uśrednianm danm przpisuję aką samą wagę - większa liczba okresów silniej wgładza dane, lecz skraca szereg czasow * = 1 k - 1 å i= -k i * i - prognoza zjawiska na okres - wielkość badanego zjawiska w okresie i k - liczba elemenów średniej ruchomej, sała wgładzania
27 Średnia armeczna ruchoma PRZYKŁAD Miesiące Sprzedaż Sczeń Lu Marzec Kwiecień Średnia ruchoma 3-elemenowa ( )/3=108, ? Maj Czerwiec ( )/3=106,33 ( )/3= Lipiec ( )/3=100,33 Sierpień ( )/3=103,33 Wrzesień ( )/3=104 Październik ( )/3=103,33 Lisopad ( )/3=101,67 Grudzień ( )/3=103 ( )/3=104,33 Średnia ruchoma 5 - elemenowa * 13 = = k? Średnia ruchoma 3 - elemenowa * 13 = = 3 104, dla danch miesięcznch dla danch godniowch
28 Modele szeregów czasowch Wróżnia się nasępujące modele średniej armecznej Średnia armeczna prosa Średnia armeczna ruchoma Średnia armeczna ważona Średnia armeczna ważona cech charakersczne: - prose obliczenia - największe znaczenie mają najświeższe dane (mają większą wagę) - uwzględnia wsępujące rend, ale nie wznacza ich liczbowo -1 * = å iw i-+ k+ 1 i= -k * i - prognoza zjawiska na okres - wielkość badanego zjawiska w okresie i k - liczba elemenów średniej ruchomej, sała wgładzania w i-+ k+ 1 - waga zmiennej prognozowanej w okresie i
29 Średnia armeczna ważona PRZYKŁAD Miesiące Sprzedaż Sczeń Lu Marzec ? Kwiecień Maj Czerwiec Lipiec Sierpień Wrzesień Październik Lisopad Grudzień UWAGA: Suma wag wnosi zawsze Średnia ważona 3 - elemenowa I waga 0,2; II waga 0,3; III waga 0,5 0,2* ,3* ,5*102 * 13 = = 104 0,2 + 0,3 + 0,5
30 Modele szeregów czasowch sał poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwn Modele średniej armecznej Model Browna Modele ARMA Model Hola Modele analiczne Modele ARMA, ARIMA Model wskaźników seznowości Model Winersa Modele ARIMA
31 Zadanie 3 Tdzień Pop ) Swórz wkres zarejesrowanego popu, 2) Zbuduj model prognosczn oraz wznacz prognozę na 21 dzień wkorzsując model Browna 3) Oceń rafność prognoz ex pos wkorzsując średni kwadraow błąd prognoz
32 Model Browna Model Browna opiera się na idei wrównwania wkładniczego szeregu czasowego, co polega na m, że szereg czasow wgładza się za pomocą średniej ruchomej ważonej, prz czm wagi są wznaczane z funkcji wkładniczej * * = a -1 + (1 - a) -1 * - 1 * - 1 a - prognoza zjawiska na okres - wielkość badanego zjawiska w okresie -1 - prognoza zjawiska (warość wgładzania wkładniczego) w okresie -1 - paramer modelu sała wgładzania o warości z przedziału [0,1] a = 0 - sała prognoza, a = 1 - prognoza równa popowi w poprzednim okresie (model naiwn)
33 Model Browna Pop 25 Model Browna a = 0, Pop Model - prognoza Czas Pop Model Browna a = 0, Pop Model - prognoza Czas
34 Tdzień Model Browna * a = 0,1 * * 59 = ( 1-a) a -1 59, , ,0* (1-0,1) + 34*0,1 = 56,5 53, ,5* (1-0,1) + 23*0,1 = 53,2 51, ,2* (1-0,1) + 37*0,1 = 51,5
35 Modele szeregów czasowch sał poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwn Modele średniej armecznej Model Browna Modele ARMA Model Hola Modele analiczne Modele ARMA, ARIMA Model wskaźników seznowości Model Winersa Modele ARIMA
36 Zadanie 4 Drekor Sprzedaż firm wwarzającej sprzęgła samochodowe chce przgoować prognozę na kolejn miesiąc. Liczba sprzedaż w poprzednich miesiącach przedsawia abela Miesiąc Pop ) Zbuduj model prognosczn oraz wznacz prognozę na kolejn miesiąc wkorzsując model Hola 2) Dla każdego modelu określ średni kwadraow błąd prognoz oraz średni względn błąd prognoz
37 Model Hola Model Hola opiera się na idei wrównwania wkładniczego, prz czm model en jes bardziej elasczn od modelu Browna, ponieważ uwzględnia rend i posiada dwa paramer = F + ( - n) S * n n * F n S n n - prognoza zjawiska na okres - wgładzona warość zmiennej prognozowanej dla okresu n - przros rendu na okres n - liczba wrazów szeregu czasowego Prz budowaniu modelu korzsam z równań a ~ 0 sacjonarn, a ~ 1 duże wahania β ~ 0 słab rend, β ~ 1 siln rend a b S F = a + ( 1 - ) ( + a F - 1 S- 1) b = ( F - F - 1 ) + (1 - ) S- 1 - paramer określając sacjonarność szeregu - paramer określając siłę rendu b
38 F S Model Hola = a + ( 1-a) ( F S- 1) b b = ( F - F - 1 ) + (1 - ) S- 1 a = 0,95 b = 0, = 8 Miesiące Sczeń 2007 Warość Sprzedaż 45 F 45 Lu ,95*53+(1-0,95)*(45+8)=53,0 0,6*(53-45)+(1-0,6)*8=8,0 45+8=53 Marzec ,95*57+(1-0,95)*(53+8)=58,6 0,6*(58,6-53)+(1-0,6)*8=5,7 53+8=61 S 8 - * Grudzień ,95*70+(1-0,95)*(70,9+2,5)= 71,4 0,6*(71,4-70,9)+(1-0,6)* 2,5=0,6 Sczeń ,9+2,5= 73,4 71,4+0,6= 72 = F + ( - n) S * n n * 13 = 71,4 + (13-12) 0,6 = 72
39 Modele szeregów czasowch sał poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwn Modele średniej armecznej Model Browna Modele ARMA Model Hola Modele analiczne Modele ARMA, ARIMA Model wskaźników seznowości Model Winersa Modele ARIMA
40 Zadanie 5 Drekor Sprzedaż firm wwarzającej sprzęgła samochodowe chce przgoować prognozę na kolejn miesiąc. Liczba sprzedaż w poprzednich miesiącach przedsawia abela Miesiąc Pop ) Zbuduj model prognosczn oraz wznacz prognozę na kolejn miesiąc wkorzsując meod: a) Model funkcji liniowej b) model funkcji wkładniczej c) model funkcji poęgowej d) model funkcji logarmicznej 2) Dla każdego modelu określ średni kwadraow błąd prognoz oraz średni względn błąd prognoz
41 Modele analiczne Modele analiczne należą do klas modeli ekonomercznch, w kórch zmienną objaśniającą jes czas. Modele e opierają się na esmacji paramerów modelu, a nasępnie wkorzsania ch paramerów do prognozowania Meoda Najmniejszch Kwadraów 2 R s w Modele analiczne cech charakersczne Do budow modelu wsarczają jednie dane empirczne w posaci szeregu czasowego Pros sposób esmacji paramerów Ław sposób określania dokładności prognoz Częso wsępuje auokorelacja składnika reszowego, co uniemożliwia dokładne określenie błędu prognoz
42 Modele analiczne Modele analiczne określa się jako funkcje rendu. Najpopularniejsze o: Funkcja liniowa Funkcja wkładnicza Funkcja poęgowa Funkcja logarmiczna Funkcja wielomianowa Y Funkcja liniowa = a + b gdzie kolejna jednoska czasu α, β esmowane paramer czas 14
43 Modele analiczne Funkcja liniowa ? prognoza warości eoreczne 37,5 38,9 40,2 41,6 42,9 44,3 45,6 47,0 48,3 49, funkcja rendu = a + b KMNK a = 36, 65 b =1, 03 = 36,65 + 1,03* =11 11 = 36,65 + 1,03*11 11 = 47, 98
44 Modele analiczne Modele analiczne Funkcja liniowa Funkcja wkładnicza Funkcja poęgowa Funkcja logarmiczna Funkcja wielomianowa Funkcja wkładnicza = e a +b = a * e b* gdzie β>0 Y = a eb gdzie kolejna jednoska czasu gdzie β>1 α, β esmowane paramer e liczba Euler a - e ~ 2,71 czas
45 Modele analiczne Funkcja wkładnicza = a * e b* a 0 a 1 >1 0<a 1 <1 a 1 jes sopą wzrosu warość zmiennej objaśnianej wzrasa (spada gd a 1 <1) przecięnie o (a 1-1)*100%, gd warość zmiennej objaśniającej wzrasa o jednoskę (np. z okresu na okres), w modeluˆ = 2,7 1, 13 warość zmiennej wzrasa przecięnie o 13% z okresu na okres. a 0 o ile go inerpreujem jes poziomem zmiennej objaśnianej, gd zmienna objaśniająca jes równa 0. Model liniow przekszałca się do posaci liniowej jako: ln ˆ = lna 0 + lna1 x W=c+b*x Podsawiając: W=ln() b = lna0 c = lna 1
46 Modele analiczne Modele analiczne Funkcja liniowa Funkcja wkładnicza Funkcja poęgowa Funkcja logarmiczna Funkcja wielomianowa Y Funkcja poęgowa b = a gdzie β>1 lub 0< β<1 gdzie kolejna jednoska czasu α, β esmowane paramer czas
47 Modele analiczne Funkcja poęgowa ˆ = a x 0 a a 0 jes poziomem zmiennej objaśnianej, gd zmienna objaśniająca jes równa 1. a 1 jes elascznością zmiennej objaśnianej względem zmiennej objaśniającej i oznacza w przbliżeniu procenową zmianę spowodowaną zmianą warości x o 1% 1 a 1 <0 a 1 >1 Model poęgow przekszałca się do posaci liniowej jako: ln = lna 0 + a1 ln x a 0 1 0<a 1 <1 Podsawiając: W=ln() Z=ln(x) = lna0 b = a c 1 FUNKCJA LINIOWA W=c+b*Z
48 Modele analiczne Modele analiczne Funkcja liniowa Funkcja wkładnicza Funkcja poęgowa Funkcja logarmiczna Funkcja wielomianowa Y Funkcja logarmiczna = a + bln gdzie β>0 gdzie kolejna jednoska czasu α, β esmowane paramer ln logarm nauraln czas
49 Modele analiczne Modele analiczne Funkcja liniowa Funkcja wkładnicza Funkcja poęgowa Funkcja logarmiczna Funkcja wielomianowa Funkcja wielomianowa Y = a 0 + a 1 + a a n n gdzie kolejna jednoska czasu α, esmowane paramer czas 12
50 Modele analiczne Funkcja logisczna a = 1+ be -g, a > 0, b > 1, g > 0 a a poziom nascenia a 2 1 ln d b Model en funkcjonuje częso jako model endencji rozwojowej, szczególnie do modelowania sprzedaż nowch produków na określonm rnku.
51 Dziękuję za uwagę
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 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 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 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 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 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 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 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 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 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 szczegółowoPrognozowanie 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 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 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 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 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 szczegółowoPROGNOZOWANIE. Ćwiczenia 3. mgr Dawid Doliński
Ćwiczenia 3 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 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. 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 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 szczegółowoMetody 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK ANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK
1 ANALIZA, PROGNOZOWANIE I SYMULACJA 2 POBRAĆ Z INTERNETU Plaforma WSL on-line Nazwisko prowadzącego Maryna Kupczyk Folder z nazwą przedmiou - Analiza, prognozowanie i symulacja Plik o nazwie Baza do ćwiczeń
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 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 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 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 szczegółowo"Potęga matematyki polega na pomijaniu wszystkich myśli zbędnych i cudownej oszczędności operacji myślowych." Ernst Mach. Funkcja wykładnicza
"Poęga maemaki polega na pomijaniu wszskich mśli zbędnch i cudownej oszczędności operacji mślowch." Erns Mach Funkcja wkładnicza Def. Funkcją wkładniczą nazwam funkcję posaci f = a, gdzie a > i. Poęgę
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 szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
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 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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej szczegółowoOPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW
OPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW Opracowanie danch pomiarowch ma na celu wsępne przgoowanie danch do analiz i prezenacji. Mogą o bć prose działania, akie jak: zaokrąglanie liczb, sorowanie danch,
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 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 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 szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoMATURA PRÓBNA 2 KLASA I LO
IMIE I NAZWISKO MATURA PRÓBNA KLASA I LO CZAS PRACY: 90 MIN. SUMA PUNKTÓW: 60 ZADANIE (5 PKT) Znajdź wszstkie funkcje liniowe określone na zbiorze ;, którch zbiorem wartości jest przedział ; 0. ZADANIE
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 szczegółowoKURS 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 szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
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 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 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 szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
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 szczegółowoPAWEŁ SZOŁTYSEK WYDZIAŁ NAUK EKONOMICZNYCH
PROGNOZA WIELKOŚCI ZUŻYCIA CIEPŁA DOSTARCZANEGO PRZEZ FIRMĘ FORTUM DLA CELÓW CENTRALNEGO OGRZEWANIA W ROKU 2013 DLA BUDYNKÓW WSPÓLNOTY MIESZKANIOWEJ PRZY UL. GAJOWEJ 14-16, 20-24 WE WROCŁAWIU PAWEŁ SZOŁTYSEK
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 szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoPrzydatność prognostyczna wskaźników testu koniunktury przegląd metod ewaluacji
Agnieszka Róg * Krsna Srzała ** Przdaność prognosczna wskaźników esu koniunkur przegląd meod ewaluacji Wsęp Analizą oraz prognozowaniem koniunkur gospodarczej zajmują się liczne ośrodki naukowe. Do wnioskowania
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 szczegółowoCopyright by Politechnika Białostocka, Białystok 2017
Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:
Bardziej 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 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 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 szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoWybrane problemy prognozowania cen produktów rolnych
V EUROPEJSKI KONGRES MENADŻERÓW AGROBIZNESU, ŁYSOMICE 14.11.218 Wybrane problemy prognozowania cen produków rolnych Cezary Klimkowski INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna
Bardziej szczegółowo