PROGNOZY I SYMULACJE

Podobne dokumenty
PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego

Prognozowanie i symulacje

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

Prognozowanie i symulacje

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

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

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

PROGNOZY I SYMULACJE

Metody statystyczne w naukach biologicznych

WSPOMAGANIE PROCESÓW DECYZYJNYCH

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

Prognozowanie na podstawie szeregów czasowych.

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

Ekonometria I materiały do ćwiczeń

MODEL TENDENCJI ROZWOJOWEJ

Analiza szeregów czasowych uwagi dodatkowe

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk

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

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Dane modelu - parametry

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.

TRANZYSTORY POLOWE JFET I MOSFET

licencjat Pytania teoretyczne:

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

DEA podstawowe modele

Wygładzanie metodą średnich ruchomych w procesach stałych

Prognozowanie i symulacje

Cechy szeregów czasowych

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Statystyka Wzory I. Analiza struktury

Sygnały pojęcie i klasyfikacja, metody opisu.

Ocena dopasowania modelu do danych empirycznych

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

Konspekty wykładów z ekonometrii

NIEPEWNOŚĆ POMIAROWA - WPROWADZENIE

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

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych

Analiza i prognozowanie szeregów czasowych

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

Statystyka Inżynierska

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Analiza rynku projekt

Matematyka ubezpieczeń majątkowych r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

STATYSTYKA OPISOWA PODSTAWOWE WZORY

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b,

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

STATYSTYKA OPISOWA PODSTAWOWE WZORY

Analiza autokorelacji

PROGNOZY I SYMULACJE

Narzędzia matematyczne potrzebne w kursie Reakcje w ciele stałym

Wykład 7: Układy dynamiczne

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

Pobieranie próby. Rozkład χ 2

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Wnioskowanie statystyczne dla korelacji i regresji.

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora.

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

Zasady budowania prognoz ekonometrycznych

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

MODELOWANIE I PROGNOZOWANIE

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Zbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w

ROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach

ĆWICZENIE Z PRZEDMIOTU OCHRONA ŚRODOWISKA W BUDOWNICTWIE WODNYM

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

ANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK ANALIZA, PROGNOZOWANIE I SYMULACJA EXCEL AUTOR: MARTYNA KUPCZYK

( 3 ) Kondensator o pojemności C naładowany do różnicy potencjałów U posiada ładunek: q = C U. ( 4 ) Eliminując U z równania (3) i (4) otrzymamy: =

MATEMATYKA wykład 1. Ciągi. Pierwsze 2 ciągi są rosnące (do nieskończoności), zaś 3-i ciąg jest zbieŝny do zera. co oznaczamy przez

Metody Ilościowe w Socjologii

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

2. Schemat ideowy układu pomiarowego

Prognozowanie średniego miesięcznego kursu kupna USD

STATYSTYKA I ANALIZA DANYCH

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

C d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:

Wykład 4 Metoda Klasyczna część III

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

KADD Metoda najmniejszych kwadratów

PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12


Ćwiczenie 5 PROGNOZOWANIE

( ) ( ) ( τ) ( t) = 0

Niepewności pomiarowe

MODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM, LOGISTYCZNE I KRZYśOWANIA HEURYSTYCZNEGO

Transkrypt:

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/

WYKŁAD VII zeregi czasowe III. Liiow model wgładzaia wkładiczego Hola. Model regresji liiowej (czasow

. LINIOWY MODEL WYGŁADZANIA WYKŁADNICZEGO HOLTA Model e zajduje zasosowaie w przpadku gd w szeregu czasowm wsępują red oraz wahaia przpadkowe. Jes o model dwurówaiow, w kórm do opisu edecji użwa się wielomiau sopia pierwszego. Model e jes bardziej elascz ze względu a wsępowaie dwóch paramerów wgładzaia: α oraz β. ( ( ( ( łuż do wzaczeia wgładzoch warości szeregu czasowego łuż do wzaczeia wgładzoch warości przrosu redu Ocea warości średiej w okresie -, Przrosu redu w okresie - Paramer modelu o warościach z przedziału [0;] Rówaie progoz a okres > ma posać: ( Do budow modelu Hola porzebe są począkowe warości i, ( i. Propozcja Y 0 Y Y-Y 3 Wraz wol liiowej fukcji redu Oszacowaej a podsawie próbki wsępej Współczik kierukow liiowej fukcji redu oszacowa a podsawie próbki wsępej 3

. LINIOWY MODEL WYGŁADZANIA WYKŁADNICZEGO HOLTA - przkład Warość usług w pewm przedsiębiorswie przedsawia szereg: 37, 4, 40, 4, 45, 4, 46, 48, 47, 53, 58, 67, 79, 85, 88. Wzaczć progozę warości usług w kolejm okresie. 00 90 80 Za warości począkowe przjęo: 70 ==37 Warość usług 60 50 40 =- =4-37=4 a= 0,95 β= 0,45 30 0 3 4 5 6 7 8 9 0 3 4 5 6 4

. LINIOWY MODEL WYGŁADZANIA WYKŁADNICZEGO HOLTA - przkład ( ( ( ( Y a= 0,95 β= 0,45 ( 37 37 4 - - 4 0,95 4+(-0,95(37,0+4,0=4,0 0,45 (4-37+(-0,454=4 37+4=4-3 40 0,95 40+(-0,95(4,0+4,0=40,3 0,45 (40,3-4+(-0,454=,9 4+4=45 5 4 4 0,95 4+(-0,95(40,3+,9=4, 0,45 (4,-40,3+(-0,45,9=,4 40,3+,9=4,, 5 45 0,95 45+(-0,95(4,+,4=44,9 0,45 (44,9-4,+(-0,45,4=,5 4,+,4=4,5 6,5 6 4 0,95 4+(-0,95(44,9+,5=4,3 0,45 (4,3-44,9+(-0,45,5=0, 44,9+,5=47,4 8,6 7 46 0,95 46+(-0,95(4,3+0,=45,8 0,45 (45,8-4,3+(-0,450,=,7 4,3+0,=4,5,5 8 48 0,95 48+(-0,95(45,8+,7=48,0 0,45 (48-45,8+(-0,45,7=,9 45,8+,7=47,5 0, 9 47 0,95 47+(-0,95(48,0+,9=47, 0,45 (47,-48+(-0,45,9=0,7 48+,9=49,9 8,3 0 53 0,95 53+(-0,95(47,+0,7=5,7 0,45 (5,7-47,+(-0,450,7=,9 47,+0,7=47,8 6,8 58 0,95 58+(-0,95(5,7+,9=57,9 0,45 (57,9-5,7+(-0,45,9=3,9 5,7+,9=55,6 5,6 67 0,95 67+(-0,95(57,9+3,9=66,7 0,45 (66,7-57,9+(-0,453,9=6, 57,9+3,9=6,8 7, 3 79 0,95 79+(-0,95(66,7+6,=78,7 0,45 (78,7-66,7+(-0,456,=8,8 66,7+6,=7,8 37,6 4 85 0,95 85+(-0,95(78,7+8,8=85, 0,45 (85,-78,7+(-0,458,8=7,7 78,7+8,8=87,5 6 5 88 0,95 88+(-0,95(85,+7,7=88, 0,45 (88,-85,+(-0,457,7=5,6 85,+7,7=9,8 3,3 6-88,+5,6=93,8 Wzaczć progozę 09 Wkoać obliczeia dla pierwszch 4 przpadków gdzie alfa=0,45 a bea 0,95. 5

. LINIOWY MODEL WYGŁADZANIA WYKŁADNICZEGO HOLTA - przkład ( ( ( ( ( 6 5 5 88, 0,95 0,45 (6 88 ( 0,95 (85, 7,7 (88, 85, ( 0,45 7,7 5 5,6 93,8 88, 5,6 Do oce dopuszczalości progoz moża posłużć się błędami progoz wgasłch. Obliczoo średi kwadraow błąd ex pos progoz wgasłch. s s 4 ( k Błąd względ 00% 00% 4,3 39,8 % 6 s 3 5 3 k ( 09 3 0,5 4 aska - przkład 6

7. MODEL REGREJI LINIOWEJ model aalicz Y=a+b Modele aalicze sosuje się do progozowaia zjawisk, kóre charakerzował się w przeszłości regularmi zmiaami, dającmi się opisać za pomocą fukcji czasu i wobec przszłego rozwoju kórch przjęo posawę paswą. (zakłada się iezmieość redu oraz podsawowch składowch szeregu a a b R ( ˆ ( ˆ m s współczik kierukow wraz wol średia współczik deermiacji sadardow błąd oce modelu

990 99 99 993 994 995 996 997 998 999 000 00 00 003 004 005 006 007 008 009. MODEL REGREJI LINIOWEJ model aalicz - przkład Na podsawie dach doczącch samochodów ciężarowch zarejesrowach w laach 990-009 dokoać progoz badaej cech a 00 rok. Wkorzsać model regresji liiowej. ŷ ( ˆ ( Rok Y (-śr (-śr^ (-śry ˆ 990 045-9,5 90,5-993,7 947,7 9397,6 806936,5 6469,8 99 5-8,5 7,5-9787,75 04, 943,0 645996, 4867,7 99 3-7,5 56,5-9090,75 36,8 5674, 50938, 4077, 993 4 35-6,5 4,5-808,8 3,3 5,0 37776,5 3730,7 994 5 307-5,5 30,5-787,95 35,9 360,6 70469 90580,3 995 6 354-4,5 0,5-6093,45 40,4 440,8 8057,8 49,3 996 7 43-3,5,5-5009,9 55,0 6989,6 0958,8 7855,8 997 8 487 -,5 6,5-378,5 609,6 493,4 5588,03 856,7 998 9 563 -,5,5-344, 704, 997,0 07,53 8076,75 999 0 683-0,5 0,5-84,45 798,7 3404, 35,8 6586,93 000 879 0,5 0,5 939,55 893, 99,8 35,8 098,59 00 979,5,5 968,95 987,8 7, 07,53 7780,89 00 3 63,5 6,5 5406,5 08,3 6440,3 5588,03 0064, 003 4 33 3,5,5 8096,9 76,9 8630,5 0958,8 8504,8 004 5 39 4,5 0,5 076, 7,5 443,7 8057,8 9778,5 005 6 305 5,5 30,5 674,75 366,0 3784,9 70469 063,5 006 7 393 6,5 4,5 555,55 460,6 4607,5 37776,5 98930, 007 8 5 7,5 56,5 8903,75 555, 99,7 50938, 4550 008 9 70 8,5 7,5 303,45 649,7 3600,7 645996, 746055,4 009 0 797 9,5 90,5 6569,6 744,3 76,4 806936,5 90406, 3699, 665 6880,75 4809,6 5945848 6088657 śr 0,5 845,955 Y (śr 3000 500 000 500 000 500 b a ˆ a 845,95 6880,75 665 94,55 94,55 (94,55 0,5 853, 853,0 R ( ˆ ( 5945848 6088657 0,98 s m ˆ 0 4809,6 89 8

. MODEL REGREJI LINIOWEJ model aalicz przkład ierpreacja amochod ciężarowe zarejesrowe [s. szuk] = 853,0 + 94,558 Cza ˆ Y 94,55 853, amochod ciężarowe zarejesrowe [s. szuk] Korelacja: r =,9880 3000 800 600 400 00 000 800 600 400 00 000 800 0 4 6 8 0 4 6 8 0 Y=94,6x + 853, Czas ( 0,95 Prz.Uf. W laach 990-009 ilość zarejesrowach samochodów ciężarowch wzrasała przecięie o 94,5 s. szuk. Dopasowaie modelu bło bardzo wsokie R =0,98. (W 98% model dopasowa jes do dach Przecięe odchleie warości empirczch od liii redu wiosło 89 s. sz. 9

. MODEL REGREJI LINIOWEJ model aalicz przkład progoza Rok Y 990 045 947,7 99 5 04, 99 3 36,8 993 4 35 3,3 994 5 307 35,9 995 6 354 40,4 996 7 43 55,0 997 8 487 609,6 998 9 563 704, 999 0 683 798,7 000 879 893, 00 979 987,8 00 3 63 08,3 003 4 33 76,9 004 5 39 7,5 005 6 305 366,0 006 7 393 460,6 007 8 5 555, 008 9 70 649,7 009 0 797 744,3 00 838,8 ŷ Yˆ Progoza pukowa 94,55 Błąd ex ae V 853, T T 3000 500 000 500 000 838,8 500 0 990 99 994 996 998 000 00 004 006 008 00 Y Model Y=94,55x+853, s 0,5 665 98,6 838,8 Względ błąd ex ae 00% 00% 3,47% V 0 89 98,6 Progoza przedziałowa dla zadaej z gór wiargodości progoz (zazwczaj 95% u współczik związa z wiargodością progoz, rozkładem resz i długością szeregu. P uv uv p u p 0,95 4,47 P 838,8 4,47 98,6 838,8 4,47 98, 6 p [398;379] aska - przkład 0

. MODEL REGREJI LINIOWEJ do ierpreacji Dokoać ierpreacji dwóch modeli liiowch Liie kolejowe ekploaowae [km] Liie kolejowe ekploaowae [km] = 664, - 347,7 Korelacja: r = -,9733 7 000 6 000 5 000 4 000 3 000 000 000 0 000 9 000 0 4 6 8 0 4 6 8 0 0,95 Prz.Uf. Drogi publicze o wardej awierzchi [km] Drogi publicze o wardej awierzchi [km] = 30E + 093,8 Korelacja: r =,97400 80 000 70 000 60 000 50 000 40 000 30 000 0 000 0 000 0 4 6 8 0 4 6 8 0 0,95 Prz.Uf.