Prognozowanie krótkoterminowe w procesie planowania zasobów
|
|
- Maciej Góra
- 8 lat temu
- Przeglądów:
Transkrypt
1 Analiza danych Data mining Sterowanie jakością Analityka przez Internet Prognozowanie krótkoterminowe w procesie planowania zasobów Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska Warszawa, 22 marca 2007 StatSoft Polska Sp. z o.o. ul. Kraszewskiego Kraków
2 Plan wystąpienia Planowanie zasobów w banku Cel i Proces Prognozy tygodniowe Determinanty wolumenu Wyniki prognoz przed konsultacjami Analiza modeli StatSoft Wyniki prognoz po konsultacjach Aktualny sposób prognozowania Aktualne wyniki prognoz 2
3 Planowanie zasobów w banku Cel Optymalizacja kosztów Zapewnienie obsady w godzinach pracy banku Realizacja transakcji w wyznaczonym czasie 3
4 Planowanie zasobów w banku Proces wymagane zasoby = liczba transakcji * średni czas transakcji Etapy prognoz Prognozy długoterminowe Prognozy tygodniowe Prognozy krótkoterminowe 4
5 Prognozy tygodniowe podstawa harmonogramu pracy pracowników co wtorek do godziny 14:00 prognoza na kolejny tydzień w układzie dziennym w rozbiciu na główne typy transakcji Cel: odchylenie prognoz: max. +/- 5% 5
6 Determinanty wolumenu Liczba klientów Rodzaje produktów Struktura portfela Akcje mailingowe Awarie systemów dublowanie transakcji Reklamacje Dni odstające : święta, długie weekendy, itd. Czynniki zewnętrzne (np. XII I strajk poczty) Pogoda 6
7 20% 15% 10% 5% 0% -5% -10% -15% Wyniki prognoz przed konsultacjami 100% 90% 15% powyżej 10% 80% 70% 27% 60% od 5% do 10% 50% ` 40% 30% poniżej 5% 58% 20% 10% 0%
8 Wykres liniowy (Dane dzienne 16v*1428c) Wolumen
9 Wartości odstające? Czy jest trend? Pytania wstępne Czy są wahania sezonowe? Czy wariancja jest stabilna? Jak długi powinien być okres uczący? Które dni są nietypowe? Jaką wybrać metodę modelowania i prognozowania? 9
10 Podział na próbę uczącą i testową próba ucząca prognoza... Pt Sb Pn Wt Śr C Pt Sb Pn *Wt Śr C Pt Sb Pn Wt Śr C Pt Sb * - dzień budowy prognozy 10
11 Dane miesięczne Wykres liniow y (monthly 16v *59c)
12 Dane miesięczne pierwsze różnice Wykres liniow y (monthly 16v *59c)
13 ANOVA Skateg or. wykr es ramka-wąsy p=0,7285 Średnia Średnia±Błąd std Średnia±1,96*Błąd std Mie siąc 13
14 Profil tygodniowy Skategor. wykres ramka-wąsy: Wol skoryg Wolumen Pon Wto Śro Czw Pią Sob 14
15 Dni nietypowe Wigilia Sylwester Wielka sobota Przed świętem Po święcie Wartości Wykres średnich i przedz. ufności (95,00%) zw ykły po święcie przed świętem święto DzienOkSw ieto 15
16 Wartości oryginalne czy zlogarytmowane? Wartości oryginalne Logarytmy
17 Regresja wieloraka 17
18 Reszty modelu wstępnego
19 Funkcja autokorelacji reszt Opóźn Kor. S.E 1 +,585, ,384, ,325, ,329, ,311, ,335, ,251, ,160, ,110, ,135, ,202, ,210, ,145, ,103, ,091, ,040, ,010, ,088,0547 Funkcja autokorelacji (Błędy standardow e to oceny białego szumu) 19 +,018, ,6 0, ,0-0,5 0,0 0,5 1,0 Q 108,1 0, ,9 0, ,5 0, ,1 0, ,1 0, ,0 0, ,3 0, ,6 0, ,5 0, ,5 0, ,8 0, ,2 0, ,1 0, ,6 0, ,3 0, ,8 0, ,9 0, ,5 0,000 p 19
20 Modele autokorelacji reszt 20
21 Model ostateczny MAPE 3,31% 21
22 Autokorelacja reszt modelu ostatecznego Opóźn Kor. S.E 1 +,544, ,305 +,290,0573, ,291, ,271 +,216,0570, ,129 +,068,0568, ,039, ,084 +,062,0565, ,106, ,067 -,044,0562, ,010 +,003,0560, ,058, ,072, ,054, ,054, ,051, ,008, ,037, ,029, ,045, ,041, ,030, ,005 +,004,0547, ,039,0545-1,0-0,5 0,0 0,5 1,0 Q 90,01 0, ,3 0, ,0 0, ,9 0, ,6 0, ,1 0, ,2 0, ,6 0, ,1 0, ,3 0, ,5 0, ,1 0, ,5 0, ,1 0, ,1 0, ,1 0, ,2 0, ,9 0, ,8 0, ,8 0, ,6 0, ,6 0, ,1 0, ,4 0, ,0 0, ,6 0, ,9 0, ,9 0, ,9 0, ,4 0,000 0 p 22
23 Model Drzewo 12 drzewkowy dl a Wol umen Liczba węzłów dzielonych: 9, liczba węzłów końcowych: 10 ID=1 N=608 DzienTygodnia = 7 = Inne ID=2 N=101 ID=3 N=507 uwolumen -12 <= XXX > XXX ID=10 N=293 ID=11 N=214 uwolumen -18 <= XXX > XXX ID=12 N=83 ID=13 N=210 DzienTygodnia = 2 = Inne ID=32 N=79 ID=33 N=135 Main -18 Wolumen -18 DniOkSwi eto <= XXX > XXX ID=14 N=81 ID=15 N=2 <= XXX > XXX ID=18 N=207 ID=19 N=3 = 1, 2 = Inne ID=34 N=4 ID=35 N=75 NrTygodnia uwolumen -18 <= 137, > 137, ID=16 N=44 ID=17 N=37 <= XXX > XXX ID=20 N=99 ID=21 N=108
24 Pierwszy test modeli Regresja Drzewo Średni błąd MAPE Średni błąd MAPE wrzesień -2,93% 5,09% 1,05% 5,85% październik -1,09% 4,90% 4,20% 6,33% - Średni błąd daleki od zera - n i= 1 ( y yˆ ) t t 2 n i= 1 (ln y lnˆ y ) -Spóźniona reakcja na zmiany t t 2 - Model regresji dla ostatniego miesiąca Rzeczywiste=f(Prognozowane)+ξ - Korekta prognozy wstępnej 24
25 Test modelu poprawionego Regresja pierwsza Model poprawiony Średni błąd MAPE Średni błąd MAPE listopad -0,66% 6,43% -3,55% 4,32% pierwsza połowa grudnia -3,17% 5,42% -0,90% 4,04% 25
26 20% 15% 10% 5% 0% -5% -10% -15% Wyniki prognoz po konsultacjach 100% Capacity Planners Model Statsoft 90% 80% 70% 8% 15% 19% 27% 60% 50% 40% ` 30% 73% 58% 20% 10% 0% Capacity Planners model StatSoft powyżej 10% od 5% do 10% poniżej 5%
27 Proces prognozowania po konsultacjach Model StatSoft (podejście nr 3) Model StatSoft eksperymentalne wykorzystanie sieci neuronowych wybór na podstawie wiedzy eksperckiej korekta -uwzględnienie informacji dodatkowych incydentalnego wpływu określonych czynników na wolumen Sieci neuronowe Wiedza ekspercka Korekta Prognoza 27
28 Dziękujemy za uwagę! Marzena Imiłkowski,, GE Money Bank Andrzej Sokołowski, StatSoft Polska Warszawa, 22 marca
GRUPA 1. Adres: Plac Kościuszki 13, Tomaszów Mazowiecki
GRUPA 1 Terminy: piątek 18:30-20:00 (2h) i sobota 10:30-13:30 (4h) (6h lekcyjnych tygodniowo) październik listopad 2017r.; piątek 17:45 20:00 (3h) i sobota 10:30 13:30 (4h) (7h lekcyjnych tygodniowo) grudzień
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoCzłowiek - najlepsza inwestycja
Wstępny harmonogram realizowanych usług w ramach projektu Kompetentni Usługi będą odbywać się w dni powszednie i/lub w weekendy w ramach jednego z trybów I lub II decydują preferencje przedsiębiorstw.
Bardziej szczegółowoPROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO W RAMACH PROGRAMU OPERACYJNEGO KAPITAŁ LUDZKI
Harmonogram zajęć Rokietnica 07.10.2010r. SOB 16 październik 2010 NDZ 17 październik 2010 PON 18październik 2010 WT 19 październik 2010 ŚR 20 październik 2010 CZW 21 październik 2010 13.45-15.15 grupa
Bardziej szczegółowoDRZEWA 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 szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoWRZESIEŃ 2015 LEVEL I WRZESIEŃ 2015. 1. wt 2. śr 3. czw 4. pt 5. sob 6. ndz 7. pon 8. wt 9. śr. 10. czw
WRZESIEŃ 2015 LEVEL I WRZESIEŃ 2015 1. wt 2. śr 3. czw 4. pt 5. sob 6. ndz 7. pon 8. wt 9. śr 10. czw 11. pt 12. sob 13. ndz 14. pon 15. wt 16. śr 17. czw 18. pt 19. sob 20. ndz 21. pon 22. wt 23. śr 24.
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoPROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM
"DIALOG 0047/2016" PROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM WYDZIAŁ ELEKT RYCZ N Y Prof. dr hab. inż. Tomasz Popławski Moc zamówiona 600 Rynek bilansujący Moc faktycznie pobrana Energia zakupiona
Bardziej szczegółowoPROGNOZOWANIE Z WYKORZYSTANIEM METOD DATA MINING
PROGNOZOWANIE Z WYKORZYSTANIEM METOD DATA MINING Grzegorz Harańczyk, StatSoft Polska Sp. z o.o. Jednym z ważnych obszarów analizy danych jest prognozowanie szeregów czasowych. Któż nie chciałby znać przyszłości
Bardziej szczegółowoPrognozowanie liczby pacjentów poradni ortopedycznej
Zeszyty Naukowe Metody analizy danych Uniwersytet Ekonomiczny w Krakowie 876 Kraków 2011 Studia Doktoranckie Wydziału Zarządzania Prognozowanie liczby pacjentów poradni ortopedycznej 1. Wprowadzenie W
Bardziej szczegółowoKalendarz roku szkolnego 2018/19 w SP 2 w Lublinie
PN 3 Kalendarz roku szkolnego 2018/19 w SP 2 w Lublinie WRZESIEŃ PAŹDZIERNIK LISTOPAD GRUDZIEŃ 10 17 24 1 8 15 22 29 5 12 19 26 3 10 17 24 31 WT 4 11 18 25 2 9 16 23 30 6 13 20 27 4 11 18 25 ŚR 5 12 19
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE
ANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE Andrzej Sokołowski, Uniwersytet Ekonomiczny w Krakowie, StatSoft Polska Sp. z o.o. Wprowadzenie Analiza szeregów czasowych to jedna z części statystyki najczęściej
Bardziej szczegółowoSTYCZEŃ LUTY. Dyżury aptek w Grójcu 2014
STYCZEŃ LUTY Dyżury aptek w Grójcu 2014 01.01.2014 śr 02.01.2014 czw 03.01.2014 pt 04.01.2014 so 05.01.2014 nd 06.01.2014 pn 07.01.2014 wt 08.01.2014 śr 09.01.2014 czw 10.01.2014 pt 11.01.2014 so 12.01.2014
Bardziej szczegółowoRaport kontrolny inspekcji drogowej
Raport kontrolny inspekcji drogowej Imię i nazwisko: Marek Pogorzelec (1761215038570000) Kontrola według Rozporządzenia 561/2006, taryfikator polski Raport wygenerowany dla czasu CET/CEST, kontrola 29
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
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 szczegółowoZESZYTY NAUKOWE WSOWL. Nr 3 (157) 2010 ISSN NAUKI TECHNICZNE
ZESZYTY NAUKOWE WSOWL Nr 3 (57) 2 ISSN 73-857 NAUKI TECHNICZNE Magdalena ROGALSKA Zdzisław HEJDUCKI ANALIZA PORÓWNAWCZA PROGNOZOWANIA PRODUKCJI BUDOWLANEJ Z ZASTOSOWANIEM METOD REGRESJI KROKOWEJ, SIECI
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 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 szczegółowoSOMMER. Lato z niemieckim. Oferta kursów wakacyjnych 2017
SOMMER Lato z niemieckim Oferta kursów wakacyjnych 2017 Niemiecki super intensywnie Intensywne wakacje z niemieckim! Wakacje to dobry czas na nadrobienie zaległości i podniesienie poziomu znajomości języka
Bardziej szczegółowoProjekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski
Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem
Bardziej szczegółowoScoring kredytowy w pigułce
Analiza danych Data mining Sterowanie jakością Analityka przez Internet Scoring kredytowy w pigułce Mariola Kapla Biuro Informacji Kredytowej S.A. StatSoft Polska Sp. z o.o. ul. Kraszewskiego 36 30-110
Bardziej szczegółowoKalendarz roku szkolnego 2017/2018 /PSPzOI nr 7/
Kwiecień Marzec Luty Styczeń Grudzień Listopad Październik Wrzesień Miesiąc Kalendarz roku szkolnego 2017/2018 /PSPzOI nr 7/ Liczba dni nauki w miesiącu 19 22 21 16 19 Kolejny tydzień Pn Wt Śr Czw Pt Sb
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoPo co w ogóle prognozujemy?
Po co w ogóle prognozujemy? Pojęcie prognozy: racjonalne, naukowe przewidywanie przyszłych zdarzeń stwierdzenie odnoszącym się do określonej przyszłości formułowanym z wykorzystaniem metod naukowym, weryfikowalnym
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
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 szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoWspółczesny model zarządzania środkami pieniężnymi Beehlera
Współczesny model zarządzania środkami pieniężnymi Beehlera Elżbieta Kopyto Uniwersytet Ekonomiczny we Wrocławiu Working paper Streszczenie: W pracy przedstawiony został współczesny model zarządzania środkami
Bardziej szczegółowoPROGNOZOWANIE Z WYKORZYSTANIEM UCZENIA MASZYN
PROGNOZOWANIE Z WYKORZYSTANIEM UCZENIA MASZYN Któż z nas nie chciałby trafnie przewidywać przyszłości? Potrzeba przewidywania występuje nieomal wszędzie: w życiu codziennym, gdy np. chcemy zaplanować najlepszy
Bardziej szczegółowoZajęcia 1. Statystyki opisowe
Zajęcia 1. Statystyki opisowe 1. Znajdź dane dotyczące liczby mieszkańców w polskich województwach. Dla tych danych oblicz: a) Średnią, b) Medianę, c) Dominantę, d) Wariancję, e) Odchylenie standardowe,
Bardziej 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 szczegółowoPrognoza sprawozdania finansowego Bilans
Prognoza sprawozdania go Bilans 31.12.24 31.12.25 31.12.26 Wartości niematerialne i prawne Rzeczowe aktywa trwałe Długoterminowe Zapasy Należności Inwestycje 594 3474 3528 954 52119 54 12 759 693 2259
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoEgzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A
(imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i współczynnik ufności 0,95. Zadanie 1 W 005 roku przeprowadzono badanie ankietowe, którego
Bardziej szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Bardziej szczegółowoSzeregi 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 szczegółowoDATA MINING W STEROWANIU PROCESEM (QC DATA MINING)
DATA MINING W STEROWANIU PROCESEM (QC DATA MINING) Tomasz Demski, StatSoft Polska Sp. z o.o. Wprowadzenie Sterowanie i optymalizacja jakości to dziedziny, w których zastosowanie zgłębiania danych (data
Bardziej szczegółowoRegulamin zajęć z przedmiotu BIPOL 1 Rok akademicki 2019/20 semestr zimowy
zajęć z przedmiotu BIPOL 1 Rok akademicki 2019/20 semestr zimowy ML.NK307 BIPOL 1 Przedmiot składa się z: 2h wykładu i 1h projektu tygodniowo Wykład: Poniedziałek 15.15-17.00 Projekty: Czwartek 10.15-14.00
Bardziej szczegółowoWytyczne do projektów
Wytyczne do projektów Prognozowanie i symulacje wszystkie rodzaje studiów Politechnika Śląska Wydział Organizacji i Zarządzania w Zabrzu rok akademicki 2012/13 Wytyczne do projektów Prognozowanie i symulacje
Bardziej szczegółowodr hab. Renata Karkowska 1
dr hab. Renata Karkowska 1 Miary zmienności: obrazują zmiany cen, stóp zwrotu instrumentów finansowych, opierają się na rozproszeniu ich rozkładu, tym samym uśredniają ryzyko: wariancja stopy zwrotu, odchylenie
Bardziej szczegółowoZagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA
Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA Zadanie 1 (Plik danych: Transport w Polsce (1990-2015)) Na
Bardziej szczegółowoPROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2
PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót
Bardziej szczegółowo-materiały reklamowe- PROGRAM WYCENA NIERUCHOMOŚCI W PODEJŚCIU PORÓWNAWCZYM METODAMI NUMERYCZNYMI
-materiały reklamowe- PROGRAM WYCENA NIERUCHOMOŚCI W PODEJŚCIU PORÓWNAWCZYM METODAMI NUMERYCZNYMI ADRESACI APLIKACJI. To nie jest aplikacja dla wszystkich. Ta aplikacja jest kierowana do AMBITNYCH RZECZOZNAWCÓW,
Bardziej szczegółowoAnaliza doboru predyktorów pogodowych do prognozowania zmiennych zależnych w budownictwie
ROGALSKA Magdalena 1 Analiza doboru predyktorów pogodowych do prognozowania zmiennych zależnych w budownictwie WSTĘP Statystyczne metody wyznaczania wartości zmiennych zależnych na podstawie predyktorów
Bardziej szczegółowoKalendarz wydany na zlecenie Urzędu Gminy Pomiechówek
Kalendarz wydany na zlecenie Urzędu Gminy Pomiechówek www.pomiechowek.pl promocja@pomiechowek.pl P o w s t a ł a 2 0 1 4 r o k u, w o p a r c i u o P r o g r a m R o z w o j u O b s z a r ó w W i e j s
Bardziej szczegółowoPLAN PRACY SZKOŁY NA ROK 2019/2020. Szkoła Podstawowa im. Księcia Józefa Poniatowskiego w Ładach
PLAN PRACY SZKOŁY NA ROK 2019/2020 Szkoła Podstawowa im. Księcia Józefa Poniatowskiego w Ładach GRUDZIEŃ LISTOPAD PAŹDZIERNIK WRZESIEŃ P L A N P R A C Y S Z K O Ł Y N A R O K 2 0 1 9 / 2 0 2 0 S t r o
Bardziej szczegółowoKatolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; Pelplin
Katolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; 83-130 Pelplin e-mail: ksmdp@o2.pl www.pelplin.ksm.org.pl Nr rachunku: 18 1160 2202 0000 0000 5342 0223 Kalendarz formacyjny
Bardziej szczegółowoOlsztyn, dnia 18 lipca 2017 r. Poz UCHWAŁA NR XXV176/2017 RADY POWIATU W SZCZYTNIE. z dnia 28 czerwca 2017 r.
DZIENNIK URZĘDOWY WOJEWÓDZTWA WARMIŃSKO-MAZURSKIEGO Olsztyn, dnia 18 lipca 2017 r. Poz. 3124 UCHWAŁA NR XXV176/2017 RADY POWIATU W SZCZYTNIE w sprawie zmiany Uchwały Nr XIX/142/2016 Rady Powiatu w Szczytnie
Bardziej szczegółowoOpole, dnia 9 stycznia 2019 r. Poz. 102 UCHWAŁA NR II/29/18 RADY POWIATU BRZESKIEGO. z dnia 28 grudnia 2018 r.
DZIENNIK URZĘDOWY WOJEWÓDZTWA OPOLSKIEGO Opole, dnia 9 stycznia 2019 r. Poz. 102 UCHWAŁA NR II/29/18 RADY POWIATU BRZESKIEGO w sprawie ustalenia rozkładu godzin pracy aptek ogólnodostępnych na terenie
Bardziej szczegółowoczerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90
Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90 czerwiec 2013 Zadanie 1 Poniższe tabele przestawiają dane dotyczące umieralności dzieci
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowoMaj 2012. Informacje dodatkowe... i... i... i i...
Miesięczna karta pracy pracownika - Ewidencja czasu pracy 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 20 2 22 23 24 25 26 27 28 29 30 3 Razem Wt Śr Cz Pt Sb Nd Pn Wt Śr Cz Pt Sb Nd Pn Wt Śr Cz Pt Sb Nd Pn Wt Śr
Bardziej szczegółowoModel 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g
Zadanie 1 Dla modelu DL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i 1995 otrzymaliśmy następujące oszacowanie parametrów.
Bardziej szczegółowoUNIWERSYTET MIKOŁAJA KOPERNIKA W TORUNIU. ZARZĄDZENIE Nr 135 Rektora Uniwersytetu Mikołaja Kopernika w Toruniu z dnia 30 czerwca 2014 r.
UNIWERSYTET MIKOŁAJA KOPERNIKA W TORUNIU ZARZĄDZENIE Nr 135 Rektora Uniwersytetu Mikołaja Kopernika w Toruniu z dnia 30 czerwca 2014 r. w sprawie harmonogramu postępowania rekrutacyjnego na I rok studiów
Bardziej szczegółowoMiesięczna karta pracy pracownika - Ewidencja czasu pracy. Wrzesień 2013
Miesięczna karta pracy pracownika - Ewidencja czasu pracy 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 20 2 22 23 24 25 26 27 28 29 30 Razem Nd Pn Wt Śr Cz Pt Sb Nd Pn Wt Śr Cz Pt Sb Nd Pn Wt Śr Cz Pt Sb Nd Pn Wt
Bardziej szczegółowoTWORZENIE I STOSOWANIE MODELU PROGNOSTYCZNEGO Z WYKORZYSTANIEM STATISTICA ENTERPRISE
TWORZENIE I STOSOWANIE MODELU PROGNOSTYCZNEGO Z WYKORZYSTANIEM STATISTICA ENTERPRISE Tomasz Demski, StatSoft Polska Sp. z o.o. Wprowadzenie Badanie przebiegu rozmaitych wielkości w czasie w celu znalezienia
Bardziej szczegółowoWalidacja metod badawczych i szacowanie niepewności pomiaru. Wojciech Hyk
Walidacja metod badawczych i szacowanie niepewności pomiaru Wojciech Hyk wojhyk@chem.uw.edu.pl Plan Zagadnienia poruszane na szkoleniu Wstęp do analizy statystycznej Walidacja metody badawczej / pomiarowej
Bardziej szczegółowoKALENDARZ ROKU SZKOLNEGO 2017 / 2018
KALENDARZ ROKU SZKOLNEGO 2017 / 2018 WYDARZENIE uwagi 2017 SIERPIEŃ WRZESIEŃ pn 28 zebranie RP wt 29 zebranie RP śr 30 zebrania zespołów nauczycielskich, szkolenie czw 31 zebrania zespołów nauczycielskich,
Bardziej szczegółowoOlsztyn, dnia 7 stycznia 2016 r. Poz. 93 UCHWAŁA NR XII/86/2015 RADY POWIATU W SZCZYTNIE. z dnia 23 grudnia 2015 r.
DZIENNIK URZĘDOWY WOJEWÓDZTWA WARMIŃSKO-MAZURSKIEGO Olsztyn, dnia 7 stycznia 2016 r. Poz. 93 UCHWAŁA NR XII/86/2015 RADY POWIATU W SZCZYTNIE z dnia 23 grudnia 2015 r. w sprawie ustalenia rozkładu godzin
Bardziej szczegółowoPrognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Bardziej szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej szczegółowoZespół Szkół Handlowych w Sopocie Joanna Kaźmierczak. Systemy czasu pracy
Zespół Szkół Handlowych w Sopocie Joanna Kaźmierczak Systemy czasu pracy Systemy czasu pracy Podstawowy opisany w art. 129 kodeksu pracy Zadaniowy opisany w art. 140 kodeksu pracy Równoważny opisany w
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoŚcieżki dostępu do STATISTICA
Ścieżki dostępu do STATISTICA Spis treści Sprawdzanie zgodności z rozkładem normalnym test Shapiro-Wilka:... 2 Test t-studenta w modelu zmiennych niezależnych:... 3 Test t-studenta w modelu zmiennych powiązanych...
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 szczegółowoNazwa Grupy: Warsztaty plastyczne Rok szkolny:2017/2018. Wrzesień 2017
Nazwa Grupy: Warsztaty plastyczne Rok szkolny:2017/2018 Wrzesień 2017 18 poniedziałek 19 wtorek 20 środa 21 czwartek 22 piątek 23 sobota 24 niedziela 25 poniedziałek 26 wtorek 16:30-17.15 45 min 27 środa
Bardziej szczegółowoEkonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007
Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja
Bardziej szczegółowoKRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież
KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl Plan prezentacji Wprowadzenie Ceny
Bardziej szczegółowoPRZYKŁAD PROGNOZOWANIA Z WYKORZYSTANIEM METOD DATA MINING
PRZYKŁAD PROGNOZOWANIA Z WYKORZYSTANIEM METOD DATA MINING Tomasz Demski, StatSoft Polska Sp. z o.o. Wprowadzenie Prognozowanie jest jednym z najczęściej występujących zadań analizy danych któż nie chciałby
Bardziej szczegółowoKALENDARIUM ROKU SZKOLNEGO 2017/2018
KALENDARIUM ROKU SZKOLNEGO 2017/2018 WRZESIEŃ 04 (pn) godz. 8.00 10 (nd) godz. 10.00 10-16 (nd-sb) Uroczysta Inauguracja Roku Szkolnego 2017/2018. Msza św. w kościele Św. Trójcy Msza Św. na Kalwarii Wejherowskiej
Bardziej szczegółowoPOMOC PRAWNA WTOREK
POMOC PRAWNA 1) OŚRODEK POMOCY OSOBOM POKRZYWDZONYM PRZESTĘPSTWEM W INOWROCŁAWIU Zapisy odbywają się telefonicznie pod nr 52 355 93 40; 507 558 067 lub osobiście w siedzibie TKOPD ul. Dworcowa 11 Inowrocław;
Bardziej szczegółowoOFERTA HANDLOWA BIURA REKLAMY TVP3 WARSZAWA
BIURA REKLAMY TVP3 WARSZAWA. Ceny Spotów Reklamowych Ceny Emisji w Dni Powszednie Godzina Program Pasmo Tytuł Programu Cena 07.00 TVP Warszawa Przed Prognoza Pogody 250 OFF 1 07.05 TVP Warszawa Przed Warszawski
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoUCHWAŁA NR.../.../2014 RADY POWIATU WODZISŁAWSKIEGO. z dnia r.
Projekt z dnia 19 września 2014 r. Zatwierdzony przez... UCHWAŁA NR.../.../2014 RADY POWIATU WODZISŁAWSKIEGO z dnia... 2014 r. w sprawie ustalenia rozkładu godzin pracy oraz planu dyżurów aptek ogólnodostepnych
Bardziej szczegółowoNarzędzia metody i techniki modelowania procesów społecznogospodarczych. Mariusz Dacko
Narzędzia metody i techniki modelowania procesów społecznogospodarczych Mariusz Dacko Dlaczego modelowanie procesów społecznogospodarczych jest procesem trudnym do przeprowadzenia? Brak jednolitego spójnego
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 szczegółowoDobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2
Budownictwo i Architektura 12(4) (2013) 233-250 Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2 1 Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury,
Bardziej szczegółowoPrognozowanie 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoOFERTA HANDLOWA. Biuro Reklamy TVP Warszawa Tel: 22 547 43 33 Fax: 22 547 43 32 e-mail: reklama@tvp.pl www.warszawa.tvp.pl
Ceny Spotów Reklamowych Ceny Emisji w Dni Powszednie Godzina Program Pasmo Tytuł Programu Cena 07.30 TVP Warszawa Przed Pogoda 560 07.32 TVP Warszawa Przed Porozmawiajmy o 560 07.57 TVP Warszawa Przed
Bardziej szczegółowoIndeksy dynamiki (o stałej i zmiennej podstawie)
Indeksy dynamiki (o stałej i zmiennej podstawie) Proste indeksy dynamiki określają tempo zmian pojedynczego szeregu czasowego. Wyodrębnia się dwa podstawowe typy indeksów: indeksy o stałej podstawie; indeksy
Bardziej szczegółowoWykorzystanie i monitorowanie scoringu
Analiza danych Data mining Sterowanie jakością Analityka przez Internet Wykorzystanie i monitorowanie scoringu Tomasz Sudakowski Biuro Informacji Kredytowej S.A. StatSoft Polska Sp. z o.o. ul. Kraszewskiego
Bardziej szczegółowo1 Harmonogram wykonania zamówienia.xls HRP I
1 Harmonogram wykonania zamówienia.xls HRP I HRP 2015 Obszary Natura 2000 na Mazowszu. Ptaki Tytuł: Opracowanie wydawnictwa Obszary Natura 2000 na Mazowszu. Ptaki Początek wykresu 2015-08-27 Opracowanie
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoUtrzymanie epuap. Raportt Q1 2014
Utrzymanie epuap { Raportt Q1 2014 Formularze epuap Komunikacja z zewnętrznymi systemami Profil Zaufany 1Q 2014 PON WT ŚR CZW PT SOB NDZ STYCZEŃ 2014 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Bardziej szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowoSzkoły Podstawowej nr10 im. Władysława Broniewskiego w Olsztynie
KALENDARZ ORGANIZACJI ROKU SZKOLNEGO 2018/2019 Szkoły Podstawowej nr10 im. Władysława Broniewskiego w Olsztynie Lp. Data Zadanie I - półrocze WRZESIEŃ 2018 1. 03.09.2018 (poniedziałek) Rozpoczęcie roku
Bardziej szczegółowoPLAN PRACY. DZIEŃ PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA WRZESIEŃ 2016 r. 1. CZW UROCZYSTE ROZPOCZĘCIE ROKU SZKOLNEGO
PLAN PRACY DZIEŃ PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA PLANOWANE ZADANIA WRZESIEŃ 2016 r. 1. CZW UROCZYSTE ROZPOCZĘCIE ROKU SZKOLNEGO 2. PT 3. SOBOTA 4. NIEDZIELA 5. PN 6. WT ZEBRANIE Z
Bardziej szczegółowoKatolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; Pelplin
Katolickie Stowarzyszenie Młodzieży Diecezji Pelplińskiej ul. Bpa Dominika 11; 83-130 Pelplin e-mail: ksmdp@o2.pl www.pelplin.ksm.org.pl Nr rachunku: 18 1160 2202 0000 0000 5342 0223 Kalendarz formacyjny
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoOFERTA HANDLOWA. Biuro Reklamy TVP3 Wrocław, Tel. 71/3684-342, 3684-341, 3684-340 ul. Karkonoska 8, 53-015 Wrocław
Biuro Reklamy TVP3 Wrocław, Tel. 71/3684-342, 3684-341, 3684-340 ul. Karkonoska 8, 53-015 Wrocław Ceny Spotów Reklamowych Dni Powszednie Godzina Emisji Tytuł Audycji Cena netto [ zł ] Typ Pasma 07.00 Przed
Bardziej szczegółowo