zad 1 Wg danych z GUS-u bezrobotni zarejestrowani na koniec miesiąca (w tys) w roku 2021.

Proszę dopasować do danego

dokonać prognozy na listopad i grudzień 2021 roku.
01.01.120 1090.4 t Y
Feb-21 1099.5 1 1090.4 Do analizy danych referencyjnych wybrałem trz
mianowicie model liniowy, model wielomianow
Mar-21 1078.4 2 1099.5 logarytmiczny. Ponieważ model logarytmiczny
Apr-21 1053.8 3 1078.4 współczynnikiem R^2, czyli 0,83, wykluczyłem
May-21 1026.7 4 1053.8 aplikacji excela „Analiza danych” przeanalizowa
R^2 ma wartość większą niż 0,95. Po przeprow
Jun-21 993.4 5 1026.7 najlepszym modelem dla przyszłej prognozy jes
Jul-21 974.9 6 993.4 który charakteryzuje się wysokim współczynnik
Aug-21 960.8 7 974.9 jeden z punktów odniesienia, dla którego wybr
wielomianowy stopnia 4 jest odpowiednim mo
Sep-21 934.7 8 960.8 niski, a co najważniejsze, błąd standardowy wie
Oct-21 910.9 9 934.7 porównaniu z modelem liniowym.
Nov-21 862.7529 10 910.9
12/1/2021 780.4472 11 862.7529
12 780.4472

na podstawie modelu liniowego y = -21,982x + 1133,3_x000B_R² = 0,9792

na podstawie modelu wielomian 4 stopien y = -0,138x4 + 3,3729x3 - 28,259x2 + 69,72x
R² = 0,9986

na podstaie modelu log y = -83,69ln(x) + 1138,8

Model liniowego 1200

Model log
1200 f(x) = − 83.6877005526832 ln(x) + 1138
1000 R² = 0.831871533679534
1000 f(x) = − 21.9824242424243 x + 1133.25333333333
R² = 0.979172872669525 800
800
600
600
400
400
200
200
0
0 0 2 4 6 8
0 2 4 6 8 10 12
021. Proszę dopasować do danego szeregu czasowego najlepszy model matematyczny i uzasadnić swój wybór. Na podstawie wybraneg

nych referencyjnych wybrałem trzy modele matematyczne, a

model liniowy, model wielomianowy IV stopnia oraz model
y. Ponieważ model logarytmiczny charakteryzuje się niskim wielomian 4 stopien
iem R^2, czyli 0,83, wykluczyłem ten model z analizy. Za pomocą
la „Analiza danych” przeanalizowałem pozostałe 2 modele, w których t^4 t^3 T^2 t
ość większą niż 0,95. Po przeprowadzeniu analizy stwierdziłem, że
modelem dla przyszłej prognozy jest model wielomianowy stopnia 4, 1 1 1 1
eryzuje się wysokim współczynnikiem R^2, ale ponieważ nie jest to 16 8 4 2
tów odniesienia, dla którego wybrałem ten model. Uważam, że model 81 27 9 3
wy stopnia 4 jest odpowiednim modelem, ponieważ test istotności F jest
jważniejsze, błąd standardowy wielomianu stopnia 4 jest mniejszy w 256 64 16 4
z modelem liniowym. 625 125 25 5
1296 216 36 6
2401 343 49 7
4096 512 64 8
6561 729 81 9
10000 1000 100 10
14641 1331 121 11
20736 1728 144 12
x4 + 3,3729x3 - 28,259x2 + 69,72x + 1046,3

R² = 0,8319 wielomian 4 stopien

1200

Model log
f(x) = − 83.6877005526832 ln(x) + 1138.75535564397
1000
f(x) = − 0.138039044289 x⁴ + 3.37285353535 x³ − 28.25872669 x² + 69.719774669
+ 1046.25833333
R² = 0.998567833184871
R² = 0.831871533679534
800

600

400

200
2 4 6 8 10 12
0
0 2 4 6 8 10
r. Na podstawie wybranego modelu

Y
1090.4
1099.5
1078.4
1053.8
1026.7
993.4
974.9
960.8
934.7
910.9
862.7529
780.4472

28.25872669 x² + 69.7197746698 x

8 10 12
PODSUMOWANIE - WYJŚCIE

Statystyki regresji
Wielokrotn 0.989532
t Rozkład reszt
R kwadrat 0.979173 20

Składniki resztowe
Dopasowan0.976569 10
Błąd stand 10.29538 0
Obserwacj 10 -10 0 2 4 6 8 1
-20
-30
ANALIZA WARIANCJI
df SS MS F Istotność F t
Regresja 1 39866.23 39866.23 376.1144 5.188E-08
Resztkowy 8 847.9595 105.9949
Razem 9 40714.19

Współczynniki
Błąd standardowyt Stat Wartość-p Dolne 95%Górne 95%Dolne 95,0%
Górne 95,0%
Przecięcie 1133.253 7.033086 161.1317 2.462E-15 1117.035 1149.472 1117.035 1149.472
t -21.98242 1.133485 -19.39367 5.188E-08 -24.59624 -19.3686 -24.59624 -19.3686

SKŁADNIKI RESZTOWE - WYJŚCIE

Obserwacja
Przewidywane
Składniki
Y Std.
resztowe
składniki resztowe
1 1111.271 -20.87091 -2.150181
2 1089.288 10.21152 1.05202
3 1067.306 11.09394 1.14293
4 1045.324 8.476364 0.873259
5 1023.341 3.358788 0.346032
6 1001.359 -7.958788 -0.819937
7 979.3764 -4.476364 -0.461168
8 957.3939 3.406061 0.350902
9 935.4115 -0.711515 -0.073302
10 913.4291 -2.529091 -0.260554
Rozkład reszt 1500 t Rozkład linii dopasowanej
1000
Y
500 Przewidywane Y

Y
4 6 8 10 12 0
0 2 4 6 8 10 12
t

t
owanej

widywane Y
PODSUMOWANIE - WYJŚCIE

Statystyki regresji t^4 R

Wielokrotn 0.999284 6

Składniki resztowe
R kwadrat 0.998568 4
Dopasowan0.997422 2
Błąd stand 3.414953 0
Obserwacj 10 -2 0 2000
-4
ANALIZA WARIANCJI
df SS MS F Istotność F
Regresja 4 40655.88 10163.97 871.5534 2.714E-07
Resztkowy 5 58.3095 11.6619
Razem 9 40714.19

Współczynniki
Błąd standardowyt Stat Wartość-p Dolne 95%Górne 95%Dolne 95,0%
Górne 95,0%
Przecięcie 1046.258 11.28313 92.72765 2.765E-09 1017.254 1075.263 1017.254 1075.263
t^4 -0.138039 0.026607 -5.188138 0.003501 -0.206434 -0.069644 -0.206434 -0.069644
t^3 3.372854 0.588563 5.73066 0.002265 1.859905 4.885802 1.859905 4.885802
T^2 -28.25873 4.404524 -6.415841 0.001365 -39.58092 -16.93654 -39.58092 -16.93654
t 69.71977 12.71735 5.482255 0.002754 37.02877 102.4108 37.02877 102.4108

SKŁADNIKI RESZTOWE - WYJŚCIE PRAWDOPODOBIEŃSTWO - WYJŚCIE

Obserwacja
Przewidywane
Składniki
Y Std.
resztowe
składniki resztowe Percentyl Y
1 1090.954 -0.554196 -0.217728 5 910.9
2 1097.437 2.062821 0.810425 15 934.7
3 1080.975 -2.575 -1.011647 25 960.8
4 1053.522 0.277564 0.109047 35 974.9
5 1023.721 2.978671 1.170238 45 993.4
6 996.9006 -3.500583 -1.375283 55 1026.7
7 975.0762 -0.176166 -0.069211 65 1053.8
8 956.9511 3.848893 1.512124 75 1078.4
9 937.9155 -3.215501 -1.263282 85 1090.4
10 910.0465 0.853497 0.335315 95 1099.5
 t^4 Rozkład reszt
6
t^3 Rozkład reszt
Składniki resztowe

4
2 6
T^2 Rozkład reszt
Składniki resztowe

0 4
-2 0 2000
2 4000
6
6000 8000 10000 12000
t Rozkład reszt
Składniki resztowe

-4 0 4
-2 0 200
2 t^4400 6 600 800 1000 1200
t^4 Rozkład linii dopasowanej
Składniki resztowe

-4 0 4
-2 0 20
2 t^3 401500 60 80 100 120
-4 0 1000 t^3 Rozkład linii dopasowanej
-2 0 2 T^2 4
500
1500
6 8 10 Y 12
0 T^2 Rozkład linii
Przewidywane Y
Y

-4
1000
0 0 0 00 t 00 00 00 00
20 4 0 6 0 8 0 10 0 12 0
dopasowanej
Y
500 t Rozkład linii dopasowanej
Przewidywane Y
Y

1500
0 t^4 1000 1500 Y
0 00 50000 00 00 00 00
Y Przewidywane YRozkład
2 4 6 1000
8 10 12
0 t^3 prawdopodobieństw
Y
Przewidyw
500
Y
0 20 40 60 80 100 120 normalnego
0 T^2
2000
0 2 4 6 8 10 12
t
Y
0
0 10 20 30 40 50 60 7
Percentyl próbki
wanej
d linii
Ynej
inii dopasowanej
Przewidywane Y
Y
Rozkład
Przewidywane Y

rawdopodobieństwa
Y
Przewidywane Y
120 normalnego

6 8 10 12

10 20 30 40 50 60 70 80 90 100
Percentyl próbki
zad 2
Na podstawie danych z zdania pierwszego dokonać prognozy na listopad i grudzień 2021 r metodą średnich ruchomych z okre

Y k=3 MŚRuchomych Wygładzanie wykładnicze

1090.4 #N/D! #N/D! #N/D! #N/D!
Średnia ruchom
1099.5 1089.433 #N/D! #N/D! 1090.4 #N/D! 1200
1000
1078.4 1077.233 1089.43333333 #N/D! 1096.77 #N/D! 800

Wartość
1053.8 1052.967 1077.23333333 #N/D! 1083.911 #N/D! 600
400
1026.7 1024.633 1052.96666667 21.29784 1062.833 21.03124 200
993.4 998.3333 1024.63333333 27.16971 1037.54 29.1533 0
1 2 3 4 5
974.9 976.3667 998.333333333 27.16971 1006.642 37.24078
Punkt d
960.8 956.8 976.366666667 24.26907 984.4226 37.68956
934.7 935.4667 956.8 20.65472 967.8868 34.22436
910.9 910.9 935.466666667 21.08911 944.656 29.81579
862.7529 935.4667 921.0268 30.54428 W
902.7843 880.2351 43.34621
1200
1000
800

Wartość
600
prognozy na listopad i grudzień 2021 r metodą średnich ruchomych z okresek k=3 400
11.2021= 935,4667; 12.2021=902,7843. 200
prognozy na listopad i grudzień 2021 zmetodą wygładzania wykladniczego 0
11.2021=921,0268 ;12.2021=880,2351
dnich ruchomych z okresek k=3 i metodą wygładzania wykladniczego.

Średnia ruchoma
1200
1000
800
Wartość

600 Wartość bieżąca

400 Prognoza
200
0
1 2 3 4 5 6 7 8 9 10
Punkt danych

Wygładzanie wykładnicze
1200
1000
800
Wartość

600 Wartość bieżąca

400 Prognoza
200
0
1 2 3 4 5 6 7 8 9 10
Punkt danych
 wytwarzanie i
zad 3 Dane kwartalne zwGUS
zaopatrywanie w tabeli. Zastosować do poni,ższych danych model liniowy z wahaniami sezonowym
energię
elektryczną, gaz, parę
wodną i gorącą wodę w
mln zł

lata Y kw1
2019 kw 1 3789.8 lata t Y X1
kw 2 8538.7 2019 1 3789.8 1
kw 3 14 322,7 2019 2 8538.7 0
kw 4 21 994,2 2019 3 14322.7 0
2020 kw 1 3604.6 2019 4 21994.2 0
kw 2 7822.3 2020 5 3604.6 1
kw 3 12 401,2 2020 6 7822.3 0
kw 4 19 598,8 2020 7 12401.2 0
2021 kw 1 3219.4 2020 8 19598.8 0
kw 2 7649.4 2021 9 3219.4 1
kw 3 12 195,1 2021 10 7649.4 0
kw4 12052.81 2021 11 12195.1 0
kw 1 2065.626 2021 12 12052.81 0
kw 2 6531.159 2022 13 2065.626 1
kw 3 11500.69 2022 14 6531.159 0
kw4 18956.12 2022 15 11500.69 0
-184.0385 a1 2022 16 18956.12 0
-17442.61 a2
A= -12793 a3 12052.81
-7639.462 a4 Y= 2065.626 Y=X*A
21900.73 a5 6531.159
11500.69
18956.12
1
12 0 0 1 1 1
13 1 0 0 1 XT= 0
X(za ostatnii) = 14 0 1 0 1 0
15 0 0 1 1 1
5*5 16 0 0 0 1

506
15
XTX= 18
21
66
owy z wahaniami sezonowymi na podstawie tego modelu dokonać prognozy na 2022 rok.

kw2 kw3 kw4 Y=a1t + a2X1 + a3X2 + a4X3 + a5X4 + a6

X2 X3 X4
0 0 0 będę eliminowac 4 kw
1 0 0
0 1 0 Y=a1t + a2X1 + a3X2 + a4X3 + a5
0 0 1 kw1 kw2 kw3 wyr. Wolny
0 0 0 t X1 X2 X3 a5
1 0 0 1 1 0 0 1
0 1 0 2 0 1 0 1
0 0 1 3 0 0 1 1
0 0 0 4 0 0 0 1
1 0 0 5 1 0 0 1
0 1 0 X= 6 0 1 0 1
0 0 1 7 0 0 1 1
0 0 0 8 0 0 0 1
1 0 0 9 1 0 0 1
0 1 0 10 0 1 0 1
0 0 1 11 0 0 1 1

2 3 4 5 6 7 8 9 10 11
0 0 0 1 0 0 0 1 0 0
1 0 0 0 1 0 0 0 1 0
0 1 0 0 0 1 0 0 0 1
1 1 1 1 1 1 1 1 1 1

15 18 21 66 #NAME? #NAME? #NAME?

3 0 0 3 #NAME? #NAME? #NAME?
0 3 0 3 (XTX)^(-1)= #NAME? #NAME? #NAME?
0 0 3 3 #NAME? #NAME? #NAME?
3 3 3 11 #NAME? #NAME? #NAME?
wyr. Wolny

3789.8
8538.7
14322.7
21994.2
3604.6
Y= 7822.3
12401.2
19598.8
3219.4
7649.4
12195.1

#NAME? #NAME? 699982.4 #NAME?

#NAME? #NAME? 10613.8 #NAME?
#NAME? #NAME? XTY= 24010.4 A= #NAME?
#NAME? #NAME? 38919 #NAME?
#NAME? #NAME? 115136.2 #NAME?