Implementacja metod prognozowania szeregów czasowych w pakiecie TSprediction środowiska R

Wielkość: px
Rozpocząć pokaz od strony:

Download "Implementacja metod prognozowania szeregów czasowych w pakiecie TSprediction środowiska R"

Transkrypt

1 D nż. Tomasz Bałomowcz Unwese Ekonomczn we Wocławu Kaeda Ekonome Infomak Implemenacja meod pognozowana szeegów czasowch w pakece TSpedcon śodowska R Seszczene. Celem akułu jes pezenacja pakeu TSpedcon opacowanego dla śodowska R, kóe należ obecne do najważnejszch nekomecjnch plafom oblczenowch (ofeowanch na zasadach lcencj GNU GPL. W akule pzedsawone zosał funkcje pakeu TSpedcon oaz ch zasosowana w pognozowanu zlusowane pzkładam. Pake zawea mplemenację najpopulanejszch meod pognozowana szeegów czasowch. Walo ognalnośc pac polega na opacowanu opogamowana o chaakeze pognoscznm w posac pakeu dla śodowska R udosępnanego bezpłane. W pakece uwzględnona zosała akże możlwość zasosowana modelu ekonomecznego, co sanow ozwnęce meod pognozowana szeegów czasowch. Słowa kluczowe. Pognozowane, szeeg czasowe, pogam R.. Wpowadzene W suacj, gd zadanem pognozowana jes pzewdwane, a ne wjaśnane ego co sę zdaz, udzeż pognozowane zjawsko jes zb złożone, zasosowane znajdują meod pognosczne opae o modele szeegów czasowch. Meod e, podobne jak nne meod loścowe zosał szeoko opogamowane w mnej lub badzej komecjnch pakeach (np. Analza pognozowane szeegów czasowch. Bakuje jednak kompleksowego opogamowana umożlwającego pognozowane szeegów czasowch udosępnanego na zasadach lcencj GNU GPL ( opogamowana wolnego owaego, a węc bezpłanego z dosępem do kodu źódłowego. Wobec powższego, w akule w aspekce pzdanośc poponowanego ozwązana akże do celów ddakcznch, pzedsawon zosał auosk pake TSpedcon opacowan dla śodowska R, kóe spośód dosępnch nazędz sascznoekonomecznch należ obecne do najważnejszch nekomecjnch plafom oblczenowch. Pzedsawone zosał funkcje pakeu TSpedcon, będące mplemenacją meod pognozowana opach o modele szeegów czasowch. Inegalną część akułu sanow ops funkcj waz z lsą ch agumenów, a akże w amach pezenacj zasosowana funkcj w pognozowanu pzkład ch wwołana w śodowsku R.

2 . Pojęce meod pognozowana szeegów czasowch Pojęce szeegu czasowego obejmuje cąg obsewacj (weko dowolnej cech sascznej (zmennej Y upoządkowanch według waośc zmennej czasowej : [ ],..., (. gdze: waość zmennej Y w momence lub okese, +,, n. Tak zdefnowan szeeg ma chaake jednowmaow. Zakładając zwązek mędz akualnm obsewacjam, a obsewacjam popzednm /lub zmenną czasową, możlwe jes okeślene pzszłej waośc zmennej pognozowanej. Modelem szeegu czasowego umożlwającm okeślene waośc w momence lub okese pognozowanm jes model fomaln, kóego zmennm objaśnającm mogą bć zmenna czasowa oaz pzeszłe waośc lub pognoz zmennej Y. Tm samm, pognozą zmennej Y jes waość funkcj f zależna od czasu, pzeszłch waośc /lub pognoz zmennej pognozowanej w okesach popzednch: n (,,...,,,...,, ζ f (. p p gdze:,,, pognoz zmennej Y na momen lub okes,,, p, p,, waośc zmennej Y w momence lub okese,, p, zmenna p czasowa, p welkość opóźnena, ζ składnk losow. Spośód powszechne omawanch model szeegów czasowch umożlwającch okeślene pzszłej waośc zmennej Y (meod pognozowana, leaua pzedmou (po. [Ceślak 997, s. 6-97], [Dmann 003, s. 74-0], [Nowak 998, 47-96], [Pawłowsk 973, s , 37-50], [Zelaś 997, s. 73-0, 89-9, 0-88], [Zelaś n. 003, s. 70-9] wóżna: modele nawne, modele szeegów czasowch z endem (modele analczne np. end lnow, logamczn, modele adapacjne np. model lnow Hola, modele szeegów czasowch wgładzana wkładnczego np. pos model wgładzana wkładnczego, modele szeegów czasowch z wahanam peodcznm (modele z wahanam sezonowm np. meodę wskaźnków, model Wnesa, modele z wahanam cklcznm, a akże modele śednch uchomch np. śedną uchomą posą oaz auoegesj (modele ARMA ARIMA. W pakce pognozowana odpowada o pzjęcu paswnej posaw pognoscznej (po. [Ceślak 997, s. 43].

3 3. Pake TSpedcon śodowska R W chwl obecnej, spośód dosępnch na seweze CRAN modułów zwązanch z pognozowanem szeegów czasowch wmenć należ: BooPR, ensemblebma, a akże foecasng. Należ zauważć, ż moduł e są wsoce wspecjalzowane, pz czm docz o główne modułów: BooPR oaz ensemblebma (po. ablca. W pzpadku modułu foecasng (po. [Hndman], służącego pzede wszskm do pognozowana zjawsk z sezonowoścą, zawaość modułu wozą jedne wbane meod pognozowana. Oznacza o bak modułu negującego klasczne meod pognozowana szeegów czasowch. Póbą zapełnena ej luk jes pake TSpedcon. BooPR (wesja 0.57 ensemblebma (wesja 4.. foecasng (wesja. Tab.. Dosępne pake pognozowana szeegów czasowch śodowska R Pake Auo Chaakeska Jae H. Km Chs Fale, Adan E. Rafe, J. McLean Sloughe, Tlmann Gneng, Bobb Yuen, Mchael Polokowsk Rob J. Hndman Źódło: opacowane własne. Moduł geneuje za pomocą model auoegesjnch pognoz punkowe dla ekonomcznch szeegów czasowch Moduł pognozowana pobablscznego szeegów czasowch na podsawe modelu BMA Moduł pognozowana szeegów czasowch meodam sezonowm oaz meodam BoCo a oaz ARIMA Pake TSpedcon (TmeSees pedcon o auosk pake wbanch meod pognozowana szeegów czasowch dedkowan dla śodowska R. Dosępność, nsalacja oaz dzałane pakeu ealzuje sę na podobeńswo ponad 000 pakeów pogamu R bezpłane ozpowszechnanch w nenece. Wmagana śodowskowe pakeu o zansalowan w wesj mn.0.0 pogam R. Moduł można bezpłane pobać, a nasępne zansalować ze son neneowej 3 hp://ke.ue.woc.pl/tspedcon. W wesj beżącej modułu (.59 znajdują sę funkcje-meod odpowedzalne za konsukcję pognoz oaz funkcje-błęd umożlwające wefkację jakośc uzskwanch pognoz. Funkcje-meod ealzują oblczena według wbanch meod pognozowana szeegów czasowch z gup meod nawnch (po. ablca, endencj ozwojowej (po. ablca 3, meod adapacjnch (po. ablca 4, a akże meod śednej uchomej posej Moduł posada akże swój polsk odpowednk w posac modułu Pognozowane_.59.a.gz. 3 Pzewduje sę dodakowo dosępność modułu na sone CRAN ( 3

4 oaz najpowszechnejszch meod auoegesjnch (po. ab. 5. Osobną kaegoę wozą funkcje bazujące na modelach (addwnch oaz mulplkawnch wbanch meod Tab.. Funkcje nawnch meod pognozowana w pakece TSpedcon Funkcje pakeu TSpedcon allnave(, model, c funkcja zwaca weko pognoz na podsawe wbanego modelu meod nawnej Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego model odzaj modelu meod nawnej (agumen opcjonaln, domślne model: ( c ( ( + c c paame c (agumen opcjonaln, domślne c0 Pzkład wwołana funkcj w pogame R > allnave(daa, model3, c0.0 > allnave(daa,, > allnave(daa, 3, 0.05 > allnave(daa ( Źódło: opacowane własne. (3 (4 (5 Tab. 3. Funkcje pognozowana endencj ozwojowej w pakece TSpedcon Funkcje pakeu TSpedcon alltend(, model, hozon funkcja zwaca weko pognoz na podsawe wbanego modelu endencj ozwojowej Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego model odzaj modelu endu (agumen opcjonaln, domślne model: a + b ( a ln + b ( b a (3 a (4 + b a + b e (5 a0 + a an (6 hozon hozon pognoz (agumen opcjonaln, domślne hozon3 Pzkład wwołana funkcj w pogame R > alltend(daa, model, hozon4 > alltend(daa,, 4 > alltend(daa, 3, > alltend(daa Źódło: opacowane własne. 4

5 Tab. 4. Funkcje adapacjnch meod pognozowana w pakece TSpedcon Funkcje pakeu TSpedcon epsmoohng(, alfa funkcja zwaca weko pognoz na podsawe posego modelu wgładzana wkładnczego: α + α ( Hol(, alfa, bea, hozon, pef, pes funkcja zwaca weko pognoz na podsawe lnowego modelu Hola: F α + α F + S, S β ( ( ( F F + ( β S, Fn + ( n Sn Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego alfa paame α (agumen opcjonaln, domślne do auomacznego usalena bea paame β (agumen opcjonaln, domślne do auomacznego usalena hozon hozon pognoz (agumen opcjonaln, domślne hozon3 pef odzaj agumenu F (agumen opcjonaln, domślne pef fs oznacza pzjęce za F pewszego wazu szeegu czasowego; pef mean oznacza pzjęce za F śednej zech pewszch wazów szeegu czasowego pes odzaj agumenu S (agumen opcjonaln, domślne pes dffeence oznacza pzjęce za S óżnc mędz dugm pewszm wazem szeegu czasowego; pes zeo oznacza pzjęce za S waośc zeo Pzkład wwołana funkcj w pogame R > epsmoohng(daa, alfa0.45 > epsmoohng(daa, > epsmoohng(daa, 0.45 > epsmoohng(daa > Hol(daa, alfa0.05, bea0.95, hozon4, pef fs, pes dffeence > Hol(daa, alfa0.05, bea0.95, hozon4, pef mean, pes zeo > Hol(daa, alfa0.05, bea0.95, hozon4, pef fs, pes zeo > Hol(daa,,,, pef fs, pes zeo > Hol(daa,,,,, zeo > Hol(daa,,,, mean, > Hol(daa,,, 4,, > Hol(daa, 0.05, 0.95, 4 > Hol(daa, 0.05, 0.95, > Hol(daa,,, 4 > Hol(daa bak deklaacj waośc paameów α, β oznacza ch auomaczn dobó pzez pake TSpedcon na opmalnm (j. geneującm najnższą waość śednego błędu e pos pozome. Źódło: opacowane własne. pognozowana wahań sezonowch, m.n. meod wskaźnków oaz modelu Wnesa (po. ablca 6. Kaegoę wszskch wkozswanch w module TSpedcon funkcjbłędów pezenuje ablca 7. 5

6 Tab. 5. Funkcje śednej uchomej oaz auoegesjnch meod pognozowana w pakece TSpedcon Funkcje pakeu TSpedcon movaveage(, k funkcja zwaca weko pognoz na podsawe modelu śednej uchomej posej: k k auoregeson(, model, p funkcja zwaca weko pognoz na podsawe modelu auoegesj Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego k sała wgładzana (agumen opcjonaln, domślne do auomacznego usalena model odzaj modelu auoegesj (agumen opcjonaln, domślne model: a 0 a0 + + p p a a ln p ząd auoegesj (agumen opcjonaln, domślne do auomacznego usalena Pzkład wwołana funkcj w pogame R > movaveage(daa, k > movaveage(daa, 4 > movaveage(daa, > movaveage(daa > auoregeson(daa, model, p > auoregeson(daa,, > auoregeson(daa,, 3 > auoregeson(daa bak deklaacj waośc sałej wgładzana, zędu auoegesj oznacza ch auomaczn dobó pzez pake TSpedcon na opmalnm (j. geneującm najnższą waość śednego błędu e pos pozome. Źódło: opacowane własne. ( ( Tab. 6. Funkcje sezonowch meod pognozowana w pakece TSpedcon Funkcje pakeu TSpedcon addrao(,, hozon funkcja zwaca weko pognoz na podsawe addwnego modelu meod wskaźnków: k z + j, k j 0 z ; z ˆ c z q ; q + c ( w z mulrao(,, hozon funkcja zwaca weko pognoz na podsawe mulplkawnego modelu meod wskaźnków: k z z + j, ; z k ˆ j 0 z c ; q q ( w z c 6

7 addwnes(,, alfa, bea, gamma, pef, pes, pec funkcja zwaca weko pognoz na podsawe addwnego modelu Wnesa: F α C + α F S ( ( ( β ( F F ( β S γ ( F + ( C Fn + ( n S n + C S C γ mulwnes(,, alfa, bea, gamma, pef, pes, pec funkcja zwaca weko pognoz na podsawe mulplkawnego modelu Wnesa: F α + ( α ( F S C S β ( F F ( β S C γ F ( C γ + ( Fn + ( n S n C Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego długość cklu sezonowego (lczba faz cklu hozon hozon pognoz (agumen opcjonaln, domślne hozon3 alfa paame α (agumen opcjonaln, domślne do auomacznego usalena bea paame β (agumen opcjonaln, domślne do auomacznego usalena gamma paame γ (agumen opcjonaln, domślne do auomacznego usalena pef odzaj agumenu F (agumen opcjonaln, domślne pef fs oznacza pzjęce za F pewszego wazu dugego cklu szeegu czasowego; pef mean oznacza pzjęce za F śednej z wazów pewszego cklu szeegu czasowego pes odzaj agumenu S (agumen opcjonaln, domślne pes dffeence oznacza pzjęce za S óżnc śednch waośc z dugego pewszego cklu szeegu czasowego; pes zeo oznacza pzjęce za S waośc zeo pec odzaj agumenu C (agumen opcjonaln, domślne pec ao oznacza pzjęce za C (w poszczególnch fazach pewszego cklu loazów waośc zeczwsch z pewszego cklu szeegu czasowego w odnesenu do śednej waośc wazów w pewszm cklu; pec one oznacza pzjęce za C waośc jeden Pzkład wwołana funkcj w pogame R > addrao(daa, 4, hozon4 > addrao(daa, 4, > addrao(daa,, > mulrao(daa, 4 > mulrao(daa, 4, > mulrao(daa > addwnes(daa, 4, alfa0.55, bea0.95, gamma0.5, pef fs, pes dffeence, pec ao > addwnes(daa, 4, alfa0.55, bea0.95, gamma0.5, pef mean, pes zeo, pec one > mulwnes(daa, 4, alfa0.55, bea0.95, gamma0.5, pef mean, pes dffeence, pec ao > mulwnes(daa, 4, 0.55, 0.95, 0.5 > mulwnes(daa, 4 > mulwnes(daa,,,,, fs, dffeence, one > mulwnes(daa bak deklaacj waośc sałej paameów α, β, γ oznacza ch auomaczn dobó pzez pake TSpedcon na opmalnm (j. geneującm najnższą waość śednego błędu e pos pozome. Źódło: opacowane własne. 7

8 Tab. 7. Funkcje błędów w pakece TSpedcon Funkcje pakeu TSpedcon ME(, funkcja podaje waość śednego błędu e pos (mean eo pognoz wgasłch: T q ( T n n+ MAE(, funkcja podaje waość śednego absolunego błędu e pos (mean absolue eo pognoz wgasłch: T ε T n n+ MSE(, funkcja podaje waość śednego kwadaowego błędu e pos (mean squaed eo pognoz wgasłch: s T n T ( n+ RMSE(, funkcja podaje waość pewaska śednego kwadaowego błędu e pos (oo mean squaed eo pognoz wgasłch: s MPE(, funkcja podaje waość śednego pocenowego błędu e pos (mean pecenage eo pognoz wgasłch: T ψ 00 n T n+ MAPE(, funkcja podaje waość śednego absolunego błędu pocenowego e pos (mean absolue pecenage eo pognoz wgasłch: ω T T n n+ s 00 Agumen funkcj weko obsewacj (danch empcznch szeegu czasowego weko pognoz Pzkład wwołana funkcj w pogame R > ME(daa, pognoss > MAE(daa, pognoss > MSE(daa, alltend(daa, > RMSE(daa, alltend(daa > MPE(daa, Hol(daa,,,, fs, zeo > MAPE(daa, addwnes(daa, 4, 0.55, 0.95, 0.5 Źódło: opacowane własne. W połączenu z pogamem R oznacza o możlwość bezpłanego, łączne z dosępem do kodu źódłowego możlwoścą modfkacj, wkozswana opogamowana zaweającego wszske nezbędne funkcje meod pognozowana szeegów czasowch. 4. Pzkład zasosowana pakeu TSpedcon Ab możlwe bło dzałane pakeu, oblczena pownn odbwać sę na pzkładze konkench danch pognoscznch. Tm samm, wwołanu pakeu TSpedcon owazsz deklaacja waośc pzkładowego wekoa danch: 8

9 > lba(tspedcon > daac(500, 350, 50, 400, 450, 350, 00, 300, 350, 00, 50, 400, 550, 350, 50, 550, 550, 400, 350, 600, 750, 500, 400, 650 Weko daa odpowada kolejnm wazom jednowmaowego szeegu czasowego będącego podsawą budow pognoz. Tm samm zakłada sę znajomość ealzacj zjawska w momenach/okesach:,,,,. Jednocześne, z uwag na jego okesow 3 4 chaake, w m względne sałe wahana sezonowe oaz spadkową, nasępne osnącą endencję ozwojową, do pognozowana sosuje sę meodę Wnesa, w posac modelu mulplkawnego (po. [Radzkowska, s. 57-6]. Należ w m mejscu zauważć, ż wwołane w pogame R funkcj mulwnes odbwa sę bez deklaacj waośc paameów 4 : α, β, γ. Oznacza o auomaczn dobó waośc ch paameów pzez pogam R na nasępującm pozome 5 : > mulwnesmulwnes(daa, 4,,,, pef"fs", pes"dffeence", pec"ao" [] Opmal combnaon of paamees: [] alfa: 0.5 [] bea: 0.95 [] gamma: 0. > pn(mulwnes [] NA NA NA NA NA [] W wnku powższch opeacj ozmuje sę weko pognoz (wgasłch oaz właścwch w zadanm hozonce czasowm, kó dla meod Wnesa auomaczne odpowada długośc cklu sezonowego (. W pzkładze zakłada sę długość cklu sezonowego w posac 4 obsewacj ( 4, sąd pognoz na 4 kolejne okes, co w konsekwencj oznacza weko wnków o elemenów dłuższ nż weko danch. Należ w 5 m mejscu zauważć, ż bak waośc (NA dla momenów/okesów od do jes pz pzjęch założenach, m.n. w konsekwencj pzjęca 4 cechą chaakesczną wwołanej meod. Wobec powższego, poszukwane pognoz o 4 osane waośc ozmanego wekoa (w pzecweńswe do pozosałch waośc odpowadającch pognozom wgasłm. Tm samm: 4 Z uwag na domślne usawene waośc agumenów:, pef, pes oaz pec w posac waośc, kóe mają mejsce w pezenowanm wwołanu funkcj mulwnes, analogczn efek do powższego można osągnąć popzez nasępującą deklaację: mulwnesmulwnes(. 5 Auomaczn dobó paameów pzez pogam nasępuje w konsekwencj ch pomnęca w wwołanu danej funkcj. 9

10 759,98[jedn.], 509,9 6 [jedn.], 5 374,55 [jedn.], 8 633,94 [jedn.], 7 Wzajemną zależność danch oaz ozmanch pognoz pezenuje, jako efek wwołana funkcj cha(daa, mulwnes, wkes danch oaz pognoz (po. s.. Cha of daa and foecass [uns] momens/peods [ ] Rs.. Wkes danch oaz pognoz ozmanch meodą mulwnes. Źódło: opacowane własne. Uzasadnenem wwołana funkcj bez podana waośc paameów α, β, γ jes kozsnejsza waość błędów e pos nż ma o mejsce w pzpadku jakejkolwek nnej nż usalanej pzez pogam kombnacj waośc ch paameów. Powedzają o wskazana nższch waośc błędów ME, MAE, MSE, RMSE, MPE oaz MAPE dla opmalnej kombnacj waośc paameów α, β, γ: > daa; mulwnes(daa; > pn(pase(me(,, MAE(,, MSE(,, RMSE(,, MPE(,, MAPE(,, quoefalse [] w elacj do ch nasępującch pzkładowch waośc: 0

11 > daa; mulwnes(daa,, alfa0., bea0.5, gamma0.8 > pn(pase(me(,, MAE(,, MSE(,, RMSE(,, MPE(,, MAPE(,, quoefalse [] Pzkład użca wszskch funkcj zameszczonch w ab. -7 znajdują sę w dokumenacj pakeu TSpedcon. Leaua: Ceślak M., Pognozowane gospodacze. Meod zasosowana, PWN, Waszawa 997. Dmann P., Pognozowane w pzedsęboswe. Meod ch zasosowane, Ofcna Ekonomczna, Kaków 003. Hndman R., Foecasng packages fo R, pake waz z dokumenacją dosępn w nenece pod adesem: hp://can.ms.unmelb.edu.au/web/packages/foecasng/nde.hml. Nowak E (ed., Pognozowane gospodacze. Meod, modele, zasosowana, pzkład, Place, Waszawa 998. Pawłowsk Z., Pognoz ekonomeczne, PWN, Waszawa 973. Radzkowska B. (ed., Meod pognozowana. Zbó zadań, AE, Wocław 999. Zelaś A., Teoa pognoz, PWE, Waszawa 997. Zelaś, A., Pawełek B., Wana S., Pognozowane ekonomczne, PWN, Waszawa 003. Tomasz Bałomowcz Woclaw Unves of Economcs Depamen of Economecs and Compue Scence Implemenaon me-sees mehods of foecasng n TSpedcon R package pogam Summa Tme-sees mehods of foecasng ae usng when foecasng s comng o pedc, no o eplan wha wll happen. The mos of hose pognoss mehods ae pogammng bu R compue pogam does no offes package conanng he mos popula me-sees mehods of foecasng. The acle pesens TSpedcon R package and pocedues whch ma be used n he eseach of pognoss usng me-sees foecasng mehods (wh GNU Geneal Publc Lcense. Value of ognal of wok eles on: pesenaon fee package of foecasng pocedues n R pogammng language, valdaon of R compue pogam o foecasng.

Analiza i prognozowanie szeregów czasowych

Analiza i prognozowanie szeregów czasowych Analiza i pognozowanie szeegów czasowych Pojęcie szeegu czasowego Szeeg czasowy (chonologiczny, dynamiczny, ozwojowy) pezenuje ozwój wybanego zjawiska w czasie; zawiea waości zjawiska y w jednoskach czasu,,

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez

Bardziej szczegółowo

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t

Szereg czasowy z trendem. Model Holta. Stosujemy dwa równania rekurencyjne: I - słuy do wyznaczania wygładzonych wartoci szeregu czasowego w chwili t zeeg czasow z edem. Model Hola. osujem dwa ówaia ekuecje: I - słu do wzaczaia wgładzoch waoci szeegu czasowego w chwili F = + ( )( + α α F ) II - słu do wzaczaia wgładzoch waoci pzosu edu w chwili = β

Bardziej szczegółowo

ANALIZA SZEREGÓW CZASOWYCH

ANALIZA SZEREGÓW CZASOWYCH ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa

Bardziej szczegółowo

MODEL TOBIT CVAR. CZTERDZIESTA PIĄTA OGÓLNOPOLSKA KONFERENCJA ZASTOSOWAŃ MATEMATYKI Zakopane-Kościelisko, 6-13.IX.2016

MODEL TOBIT CVAR. CZTERDZIESTA PIĄTA OGÓLNOPOLSKA KONFERENCJA ZASTOSOWAŃ MATEMATYKI Zakopane-Kościelisko, 6-13.IX.2016 ojcech Gabowsk, Unwese Łódzk, Kaeda Model Pognoz Ekonomecznch Aleksande ele, Unwese Łódzk, Kaeda Model Pognoz Ekonomecznch MODEL OB CVAR CZERDZESA PĄA OGÓLNOPOLSKA KONFERENCJA ZASOSOAŃ MAEMAYK Zakopane-Koścelsko,

Bardziej szczegółowo

Analiza szeregów czasowych uwagi dodatkowe

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

Bardziej szczegółowo

ANALIZA SZEREGÓW CZASOWYCH

ANALIZA SZEREGÓW CZASOWYCH ANALIZA ZEREGÓW CZAWYCH zereg czasow zbór warosc baanej cech lub warosc baanego zjawska zaobserwowanch w róznch momenach czasu uporzakowan chronologczne. klank szeregu czasowego:. enencja rozwojowa (ren)

Bardziej szczegółowo

PROGNOZY I SYMULACJE

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

Bardziej szczegółowo

Ekonometria I materiały do ćwiczeń data lp wykładu temat Wykład dr Dorota Ciołek Ćwiczenia mgr inż. Marta Chylińska

Ekonometria I materiały do ćwiczeń data lp wykładu temat Wykład dr Dorota Ciołek Ćwiczenia mgr inż. Marta Chylińska Ekonomera I maerał do ćwczeń daa lp wkładu ema Wkład dr Doroa Cołek Ćwczena mgr nż. Mara Chlńska - Rodzaje danch sascznch 1a) Przkład problemów badawczch - Zmenne ekonomczne jako zmenne hpoeza, propozcja

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie metodą średnich ruchomych w procesach stałych Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE Foecasg s he a of sag wha wll happe, ad he explag wh dd. Ch. Chafeld (986) PROGNOZY I SYMULACJE Kaaza Chud Laskowska kosulacje: p. 00A śoda - czwaek - soa eeowa: hp://kc.sd.pz.edu.pl/ WYKŁAD VIII Szeeg

Bardziej szczegółowo

MODEL TENDENCJI ROZWOJOWEJ

MODEL TENDENCJI ROZWOJOWEJ MODEL TENDENCJI ROZWOJOWEJ Model endencji rozwojowej o konsrukcja eoreczna (równanie lub układ równań) opisująca kszałowanie się określonego zjawiska jako funkcji: zmiennej czasowej wahań okresowch (sezonowe

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg

Bardziej szczegółowo

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

FINANSOWE SZEREGI CZASOWE WYKŁAD 3 FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

ANALIZA MOŻLIWOŚCI WYKORZYSTANIA MODELU HOLTA- WINTERSA DO OCENY POPYTU NA CZĘŚCI ZAMIENNE DO POJAZDÓW ROLNICZYCH 3

ANALIZA MOŻLIWOŚCI WYKORZYSTANIA MODELU HOLTA- WINTERSA DO OCENY POPYTU NA CZĘŚCI ZAMIENNE DO POJAZDÓW ROLNICZYCH 3 Wojciech Pzsupa, Sławomi Juściński 2 Uniwese Pzodnicz w Lublinie ANALIZA MOŻLIWOŚI WYKORZYSANIA MODELU HOLA- WINERSA DO OENY POPYU NA ZĘŚI ZAMIENNE DO POJAZDÓW ROLNIZYH 3 Wsęp Współczesn nek zbu, zapewniając

Bardziej szczegółowo

Zad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %)

Zad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %) Analza dnamk Zad. 1 Indeks lczb studującch studentów w województwe śląskm w kolejnch pęcu latach przedstawał sę następująco: Lata 1 2 3 4 5 Indeks jednopodstawowe z roku t = 1 100,0 115,7 161,4 250,8 195,9

Bardziej szczegółowo

METODA ZDYSKONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH

METODA ZDYSKONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH METODA ZDYSONTOWANYCH SALD WOLNYCH PRZEPŁYWÓW PIENIĘŻNYCH W meodach dochodowych podsawową wielkością, kóa okeśla waość pzedsiębioswa są dochody jakie mogą być geneowane z powadzenia działalności gospodaczej

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 2 Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego

Bardziej szczegółowo

Elektroniczne systemy pomiarowe

Elektroniczne systemy pomiarowe Elektonczne systemy pomaowe d nż. Mchał GRU tel. 32-50-543 al. m Kajowej 21, pok.15 Lteatua: 1. W. Wneck: Oganzacja systemów pomaowych. OWPW, Waszawa 1997 2. Paca zboowa pod ed. P. H. Sydenham a: Podęcznk

Bardziej szczegółowo

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg

Bardziej szczegółowo

Zarządzanie ryzykiem. Lista 3

Zarządzanie ryzykiem. Lista 3 Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa

Bardziej szczegółowo

WPŁYW POJEMNOŚCI KONDENSATORA PRACY JEDNOFAZOWEGO SILNIKA INDUKCYJNEGO Z POMOCNICZYM UZWOJENIEM KONDENSATOROWYM NA PROCES ROZRUCHU

WPŁYW POJEMNOŚCI KONDENSATORA PRACY JEDNOFAZOWEGO SILNIKA INDUKCYJNEGO Z POMOCNICZYM UZWOJENIEM KONDENSATOROWYM NA PROCES ROZRUCHU Pace Nakowe Instytt Maszyn, Napędów Pomaów Elektycznych N 63 Poltechnk Wocławskej N 63 Stda Mateały N 29 2009 Kzysztof MAKOWSKI*, Macn WIK* mkoslnk, jednofazowe, ndkcyjne, kondensatoowe, modelowane obwodowe,

Bardziej szczegółowo

Kier. MTR Programowanie w MATLABie Laboratorium

Kier. MTR Programowanie w MATLABie Laboratorium Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej

Bardziej szczegółowo

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

Procedura normalizacji

Procedura normalizacji Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Fizyka 3. Janusz Andrzejewski

Fizyka 3. Janusz Andrzejewski Fizka 3 Ruch ciała Oaz się obaca Cegła się pzesuwa 6 meów Cz ważne jes o, ab opócz faku pzesunięcia się cegł uwzględnić eż obó cegł? Punk maeialn Punk maeialn-ciało, kóego ozmia i kszał w danm zagadnieniu

Bardziej szczegółowo

Cechy szeregów czasowych

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

Bardziej szczegółowo

EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA

EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA Nekedy zachodz koneczność zany okesu kapt. z ównoczesny zachowane efektów opocentowane. Dzeje sę tak w nektóych zagadnenach ateatyk fnansowej np.

Bardziej szczegółowo

Podstawowe algorytmy indeksów giełdowych

Podstawowe algorytmy indeksów giełdowych Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1 PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,

Bardziej szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA 1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Imię i nazwisko data ocena

Imię i nazwisko data ocena TECHNIKI OCZYSZCZANIA SPALIN ćwczena gupa n... zesaw n Imę nazwsko daa ocena Zadane 1 Dla koła enegeycznego o podanej chaakeysyce wykonać nasępujące oblczena: o unos popołu lonego dwulenku sak w spalnach

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

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

Bardziej szczegółowo

O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI

O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/, 0, s. 3 O MIERNIKACH DOKŁADNOŚCI PROGNOZ EX POST W PROGNOZOWANIU ZMIENNYCH O SILNYM NATĘŻENIU SEZONOWOŚCI Maia Szmuksa Zawadzka Sudium Maemayki Zachodniopomoski

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat Pytania teoretyczne: Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,

Bardziej szczegółowo

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

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

3. Siła bezwładności występująca podczas ruchu ciała w układzie obracającym się siła Coriolisa

3. Siła bezwładności występująca podczas ruchu ciała w układzie obracającym się siła Coriolisa 3. Sła bezwładnośc występująca podczas uchu cała w układze obacającym sę sła Coolsa ω ω ω v a co wdz obsewato w układze necjalnym co wdz obsewato w układze nenecjalnym tajemncze pzyspeszene: to właśne

Bardziej szczegółowo

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe PROGNOZOWANIE I SYMULACJE - zadana powórzenowe Zadana I. Na podsawe danych z la 88- zbudowano model: y = + 3, 5 s = szuk, R =,3 opsujcy lczb sprzedawanych arówek w yscach szuk w pewnej frme. Wyznaczy prognoz

Bardziej szczegółowo

Podstawy Procesów i Konstrukcji Inżynierskich. Ruch obrotowy INZYNIERIAMATERIALOWAPL. Kierunek Wyróżniony przez PKA

Podstawy Procesów i Konstrukcji Inżynierskich. Ruch obrotowy INZYNIERIAMATERIALOWAPL. Kierunek Wyróżniony przez PKA Podstawy Pocesów Konstukcj Inżyneskch Ruch obotowy Keunek Wyóżnony pzez PKA 1 Ruch jednostajny po okęgu Ruch cząstk nazywamy uchem jednostajnym po okęgu jeśl pousza sę ona po okęgu lub kołowym łuku z pędkoścą

Bardziej szczegółowo

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

PROGNOZOWANIE 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 szczegółowo

Równania różniczkowe. y xy (1.1) x y (1.2) z xyz (1.3)

Równania różniczkowe. y xy (1.1) x y (1.2) z xyz (1.3) ownn oznczkowe Równn óżnczkowe. Wstę Równne óżnczkow nzw ównne zwejące funkcje newdoe zenne nezleżne oz ocodne funkcj newdoc lu c óżnczk. Pzkłd d 5 d d sn d. d d e d d d. z z z z. ównne óżnczkowe zwczjne

Bardziej szczegółowo

Finansowe szeregi czasowe wykład 7

Finansowe szeregi czasowe wykład 7 Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK 1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny

Bardziej szczegółowo

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów

Bardziej szczegółowo

Równania różniczkowe cząstkowe

Równania różniczkowe cząstkowe Meod ecze Wkład Rówaa óżczkowe cząskowe d hab. Po Foczak Rówaa óżczkowe cząskowe RRC lczba zech F ząd ówaa: ząd awższe pochode 3 3 b chaakeska: lowe qas-lowe elowe C B A F E D C B A b c b a : : : : : :

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych

Bardziej szczegółowo

brak podstaw do odrzucenia hipotezy zerowej.

brak podstaw do odrzucenia hipotezy zerowej. Paca domowa 9. W pewnym bowaze zanstalowano dwa automaty do napełnana butelek. Ilość pwa nalewana pzez pewszy est zmenną losową o ozkładze N( m,, a lość pwa dozowana pzez dug automat est zmenną losową

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne

Bardziej szczegółowo

Analiza możliwości wykorzystania wybranych modeli wygładzania wykładniczego do prognozowania wartości WIG-u

Analiza możliwości wykorzystania wybranych modeli wygładzania wykładniczego do prognozowania wartości WIG-u Zbigiew Taapaa Aaliza możliwości wykozysaia wybaych modeli wygładzaia wykładiczego do pogozowaia waości WIG-u Wydział Cybeeyki Wojskowej Akademii Techiczej w Waszawie Seszczeie W aykule pzedsawioo aalizę

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji eoia dualności dla zadania pogamowania liniowego PL EORIA I MEODY OPYMALIZACJI Zadanie liniowego pogamowania całkowitoliczbowego PCL Wdział Elektoniki Kie. Automatka i Robotka Studia II t. NZ d inż. Ewa

Bardziej szczegółowo

Prognozowanie średniego miesięcznego kursu kupna USD

Prognozowanie 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 szczegółowo

Dobór nastawień zabezpieczeń nadprądowych

Dobór nastawień zabezpieczeń nadprądowych Dobó nastaweń zabezpeczeń nadpądowych 1. Wstęp Zabezpeczena nadpądowe stanową podstawową gupę uządzeo zabezpeczających od sutów zwad mędzyfazowych w secach śednego nsego napęca. Celem dwczena jest poznane

Bardziej szczegółowo

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Natalia Nehrebecka Stanisław Cichocki. Wykład 10 Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane

Bardziej szczegółowo

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna

Bardziej szczegółowo

Metody numeryczne. Wykład nr 10. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 10. Dr Piotr Fronczak Meod ecze Wkład D Po Foczak Rówaa óŝczkowe cząskowe RRC lczba zech L L L F ząd ówaa: ząd awŝsze pochode 3 3 b chaakeska: lowe qas-lowe elowe C B A F E D C B A b c b a : : : :: : : : : : Nelowe lowe Qas

Bardziej szczegółowo

Natalia Nehrebecka. Dariusz Szymański

Natalia Nehrebecka. Dariusz Szymański Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

5. Model sezonowości i autoregresji zmiennej prognozowanej

5. 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 szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11 Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

WPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO. Lidia Luty

WPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO. Lidia Luty 74 LIDIA LUTY ROCZNIKI NAUKOWE EKONOMII ROLNICTWA I ROZWOJU OBSZARÓW WIEJSKICH, T. 11, z. 1, 214 WPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO Lda Lut Katedra Statstk Matematcznej

Bardziej szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.

Bardziej szczegółowo

EKONOMETRIA. metody analizy i wykorzystania danych ekonomicznych

EKONOMETRIA. metody analizy i wykorzystania danych ekonomicznych UIWERSYE EKOOMICZY w Krakowe EKOOMERIA EKOOMERIA meod analz wkorzsana danch ekonomcznch (handous zapsk wkładowc dla sudenów) Kraków Anon Gorl Anna Walkosz Unwerse Ekonomczn w Krakowe emaka. Wprowadzene..

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

SYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE

SYMULACYJNE 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 szczegółowo

Maria Dems. T. Koter, E. Jezierski, W. Paszek

Maria Dems. T. Koter, E. Jezierski, W. Paszek Sany niesalone masyn synchonicnych Maia Dems. Koe, E. Jeieski, W. Pasek Zwacie aowe pąnicy synchonicnej San wacia salonego, wany akże waciem nomalnym lb pomiaowym yskje się pe wacie acisków wonika (j (sojana

Bardziej szczegółowo

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych) Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.

Bardziej szczegółowo

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj

Bardziej szczegółowo

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?

Metody 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 szczegółowo

Dobór zmiennych objaśniających

Dobór zmiennych objaśniających Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.

Bardziej szczegółowo

Odtworzenie wywodu metodą wstępującą (bottom up)

Odtworzenie wywodu metodą wstępującą (bottom up) Przeglądane wejśca od lewej strony do prawej L (k) Odtwarzane wywodu prawostronnego Wystarcza znajomosc "k" następnych symbol łańcucha wejścowego hstor dotychczasowych redukcj, aby wyznaczyc jednoznaczne

Bardziej szczegółowo

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression). 4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

Badanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja

Badanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja Jacek Batóg Unwersytet Szczecńsk Badane optymalnego pozomu kaptału zatrudnena w polskch przedsęborstwach - ocena klasyfkacja Prowadząc dzałalność gospodarczą przedsęborstwa kerują sę jedną z dwóch zasad

Bardziej szczegółowo

Sprawozdanie powinno zawierać:

Sprawozdanie powinno zawierać: Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,

Bardziej szczegółowo

4.2. Statystyki wyższego rzędu. Dr hab. inż. Jacek Jakubowski Narzędzia 1 / 29

4.2. Statystyki wyższego rzędu. Dr hab. inż. Jacek Jakubowski Narzędzia 1 / 29 4.. Saysyk wyżsego rędu Dr hab. nż. Jacek Jakubowsk Naręda / 9 4... Ograncena klasycnej analy wdowej sygnałów losowych Twerdene Wenera-Chncyna [90]: wdowa gęsość ocy PSD S de c ep j Dr hab. nż. Jacek Jakubowsk

Bardziej szczegółowo