ekonometria wyklad model liniowy WSB 13 14


Materiały do ekonometrii część I

(ekonometryczny model liniowy)

Opracowanie: dr inż. Mirosława Szewczyk

Literatura

W trosce o własne dobro sugeruję NIE KUPOWAĆ, natomiast nie wątpię, iż Student, który będzie chciał poszerzyć swoją wiedzę z ekonometrii, pobiegnie z chęcią do biblioteki lub czytelni karta opisu przedmiotu

Podstawowe pojęcia:

Ekonometria - w szerszym znaczeniu: metody matematyczne i statystyczne stosowane do badania zjawisk ekonomicznych; klasycznie: nauka zajmująca się ustalaniem za pomocą metod ilościowych prawidłowości zachodzących w życiu gospodarczym

Zmienna objaśniana - zjawisko wyjaśniane przez model (zwykle oznaczana Y)

Zmienne objaśniające - zjawiska ekonomiczne, które oddziałują na zmienną objaśnianą (zwykle oznaczane X1, X2, ...)

Cele badań ekonometrycznych:

Etapy modelowania:

  1. Określenie celu badań

  2. Dobór zmiennych objaśniających do modelu

  3. Wybór postaci analitycznej modelu

  4. Szacowanie parametrów strukturalnych modelu

  5. Weryfikacja modelu

  6. Wykorzystanie modelu do analizy lub/i prognozy

Opisowy model ekonometryczny - równanie lub układ równań, który w sposób przybliżony przedstawia powiązania ilościowe występujące między rozpatrywanymi zjawiskami ekonomicznymi. Opisowy model ekonometryczny przedstawiający zależność zmiennej Y od zmiennych X1, X2, ...Xk można zapisać w ogólnej postaci następująco: Y=f(X1, X2, ... Xk, ε), gdzie ε - tzw. składnik losowy.

Jeżeli zależność zmiennej objaśnianej Y od zmiennych objaśniających X1, X2, ...Xk ma charakter liniowy, to mamy do czynienia z modelem postaci:

Y=α0+ α 1X1+ α 2X2+...+ α kXk+ ε

gdzie α 0, α 1, α 2,..., α k - parametry strukturalne.

Po oszacowaniu parametrów strukturalnych otrzymujemy równanie

0x08 graphic

0x08 graphic
gdzie         - wartość teoretyczna zmiennej objaśnianej,

a0, a1, ..., ak - oceny parametrów strukturalnych.

  1. Określenie celu badań

  1. Dobór zmiennych objaśniających do modelu

Z formalnego punktu widzenia zmienne objaśniające w liniowym modelu ekonometrycznym powinny się odznaczać następującymi własnościami:

Schemat postępowania:

0x08 graphic

vi - współczynnik zmienności wyznaczony dla zmiennej objaśniającej Xi, si - odchylenie standardowe wyznaczone dla zmiennej objaśniającej Xi, 0x01 graphic
- średnia arytmetyczna wyznaczona dla zmiennej objaśniającej zmiennej objaśniającej Xi.

v* - wartość krytyczna współczynnika zmienności (najczęściej przyjmuje się v*=0,05 lub v*=0,1 lub v*=0,15)

Jeżeli vi ≤ v*, to zmienna objaśniająca Xi jest quasi-stała (charakteryzuje się zbyt niską zmiennością) i powinna zostać wyeliminowana z modelu. Jeżeli vi > v*, to zmienna objaśniająca Xi charakteryzuje się odpowiednio wysoką zmiennością i może pozostać w modelu.

Przykład

Dokonaj wyboru spośród kandydatek X1, X2, X3 zmiennych objaśniających charakteryzujących się odpowiednio wysoką zmiennością, jeśli v*=0,15.

Y

X1

X2

X3

10

5

6

118

12

6

6

120

8

4

6

116

0x08 graphic

Własności macierzy współczynników korelacji:

1. rii=1

2. rij= rji

Metoda grafowa

Idea: spośród kandydatek na zmienne objaśniające należy wybrać takie zmienne, które byłyby silnie skorelowane ze zmienną objaśnianą i słabo skorelowane z innymi zmiennymi objaśniającymi.

Podstawą wyboru są macierz i wektor współczynników korelacji. Na bazie współczynników korelacji zawartych w macierzy współczynników korelacji wyznaczamy wartość krytyczną r* (r*=min max |rij|). Następnie wyznaczamy tzw. macierz przyległości grafu, w której współczynniki korelacji rij spełniające nierówność |rij r* zastępowane są liczbą 0, natomiast współczynniki rij spełniające |rij| > r* zastępowane są liczbą 1. Na podstawie macierzy przyległości grafu budowany jest graf, w którym węzłami są kandydatki na zmienne objaśniające, a wiązadłami łączy się węzły wskazane przez współczynniki korelacji równe 1.

Jako zmienne objaśniające do modelu wejdą:

Przykład

Dokonaj wyboru zmiennych objaśniających do modelu spośród kandydatek X1, X2, X3, X4, X5, jeśli dane są macierz i wektor współczynników korelacji:

0x08 graphic

0x08 graphic

Metoda optymalnego doboru predykant

Idea: spośród kandydatek na zmienne objaśniające należy wybrać takie zmienne, które byłyby silnie skorelowane ze zmienną objaśnianą i słabo skorelowane z innymi zmiennymi objaśniającymi.

Podstawą wyboru są macierz i wektor współczynników korelacji. Rozpatruje się wszystkie kombinacje potencjalnych zmiennych objaśniających, których ogólna liczba wynosi K=2m-1.

Dla każdej kombinacji potencjalnych zmiennych objaśniających oblicza się wskaźniki indywidualne i integralne pojemności informacyjnej. 0x08 graphic
Indywidualne wskaźniki pojemności informacyjnej zmiennych w ramach rozpatrywanej kombinacji są zdefiniowane następująco:

gdzie k - numer kombinacji, j - numer zmiennej w kombinacji.

0x08 graphic
Integralne wskaźniki pojemności informacyjnej zmiennych w ramach rozpatrywanej kombinacji są zdefiniowane następująco:

Jako zmienne objaśniające wybiera się kandydatki z kombinacji o największej pojemności integralnej.

Przykład

Biuro podróży „Latawica” przeprowadziło badania ankietowe dotyczące współzależności pomiędzy rocznymi wydatkami rodzin na agroturystykę (Y) a przeciętnym dochodem (X1), przeciętną ceną dziennego pobytu w gospodarstwie agroturystycznym (X2) oraz liczbą dzieci w rodzinie (X3).

0x08 graphic

----------------------------------------------------------------------------------------------------------------

  1. Wybór postaci analitycznej modelu

--------------------------------------------------------------------------------------------------------------

  1. Szacowanie parametrów strukturalnych modelu

Najpowszechniej stosowaną w praktyce metodą estymacji parametrów jest klasyczna metoda najmniejszych kwadratów (KMNK). KMNK służy do estymacji parametrów strukturalnych modeli liniowych i sprowadzalnych do liniowych.

0x08 graphic
Idea KMNK: należy ustalić takie wartości ocen parametrów strukturalnych a0, a1, ..., ak dla których suma kwadratów odchyleń wartości empirycznych zmiennej objaśnianej od wartości teoretycznych jest najmniejsza

Rys. Idea szacowania parametrów prostej regresji.

0x08 graphic

Źródło: opracowanie własne.

Ogólna postać modelu liniowego: Y=α01X12X2+...+αkXk

0x08 graphic

0x08 graphic
Model po oszacowaniu:

Reszta modelu:

Założenia KMNK:

Szacowany model: Y=α0+α1X1+α2X2+...+αkXk+ɛ

a=(XTX)-1XTY wektor ocen parametrów strukturalnych

0x08 graphic

wariancja odchyleń losowych

(n - liczba obserwacji, m - liczba szacowanych parametrów)

Se odchylenie standardowe reszt; informuje o ile średnio rzecz biorąc zaobserwowane wartości zmiennej objaśnianej odchylają się od wartości wyznaczonych na podstawie oszacowanego modelu

0x08 graphic

macierz wariancji i kowariancji ocen parametrów strukturalnych

0x08 graphic

standardowy błąd szacunku parametru strukturalnego αi; informuje o ile średnio rzecz biorąc pomylilibyśmy się szacując wielokrotnie parametr αi na podstawie różnych n-elementowych prób wylosowanych z tej samej populacji

Przykład

Y

X1

X2

10

2

1

12

1

1

13

2

2

15

1

3

20

4

3

Model, którego parametry szacujemy ma postać:

Y=0+1X1+2X2+ɛ

10

1

2

1

12

1

1

1

y=

13

X=

1

2

2

15

1

1

3

20

1

4

3

1

1

1

1

1

XT=

2

1

2

1

4

1

1

2

3

3

5

10

10

XTX=

10

26

22

10

22

24

1,4

-0,2

-0,4

(XTX)-1=

-0,2

0,2

-0,1

-0,4

-0,1

0,3

0,60

0,80

0,20

0,00

-0,60

(XTX)-1XT=

0,10

-0,10

0,00

-0,30

0,30

-0,30

-0,20

0,00

0,40

0,10

6,2

a0

a=(XTX)-1XTy=

1,3

a1

2,6

a2

Model po oszacowaniu parametrów strukturalnych:

0x01 graphic
= 6,2+1,3X1+2,6X2

Wektor teoretycznych wartości zmiennej objaśnianej:

11,4

10,1

y^=Xa=

14,0

15,3

19,2

Wektor reszt:

-1,40

1,90

e=

-1,00

-0,30

0,80

eT=

-1,4

1,9

-1,0

-0,3

0,8

Y

X1

X2

Y^

e

e2

10

2

1

11,4

-1,40

1,96

12

1

1

10,1

1,90

3,61

13

2

2

14

-1,00

1,00

15

1

3

15,3

-0,30

0,09

20

4

3

19,2

0,80

0,64

S=

7,30

lub

eTe=

7,3

Se2=

3,65

Se=

1,91

5,11

-0,73

-1,46

D2(a)=

Se2(XTX)-1=

-0,73

0,73

-0,37

-1,46

-0,365

1,095

Standardowe błędy szacunku parametrów strukturalnych wynoszą:

S(a0)=

2,26

S(a1)=

0,85

S(a2)=

1,05

Wyniki szacowania modelu można zapisać następująco:

0x01 graphic
=6,2 + 1,3X1 + 2,6X2

(2,26) (0,85) (1,05)

Interpretacja oceny ai parametru strukturalnego αi (i=1, 2, ..., k) występującego przy zmiennej Xi jest następująca:

-------------------------------------------------------------------------------------------------------------

  1. Weryfikacja modelu

  1. Badanie dopasowania modelu do danych empirycznych

  2. Badanie jakości ocen parametrów strukturalnych

  3. Badanie wybranych własności wektora reszt

5a) Badanie dopasowania modelu do danych empirycznych

0x08 graphic
0x08 graphic

Współczynnik zmienności losowej W informuje jaką część (jaki procent) średniej wartości zmiennej objaśnianej modelu stanowi odchylenie standardowe reszt

0x08 graphic

0x08 graphic
Współczynnik determinacji R2 informuje jaka część zmienności zmiennej objaśnianej została wyjaśniona przez zmienne objaśniające modelu

Współczynnik zbieżności φ2 informuje jaka część zmienności zmiennej objaśnianej nie została wyjaśniona przez zmienne objaśniające modelu

-----------------------------------

5b) Badanie jakości ocen parametrów strukturalnych

Ogólna postać modelu liniowego: Y=α01X12X2+...+αkXk

0x08 graphic

Model po oszacowaniu:

Badanie koincydencji

Znak oceny ai powinien informować o kierunku oddziaływania zmiennej objaśniającej Xi na zmienną objaśnianą Y. Jeżeli wraz ze wzrostem wartości zmiennej objaśniającej Xi rosną wartości zmiennej objaśnianej Y, to ocena ai powinna mieć znak „+”.Jeżeli wraz ze wzrostem wartości zmiennej objaśniającej Xi maleją wartości zmiennej objaśnianej Y, to ocena ai powinna mieć znak „-”.

Oznacza to, że powinien być spełniony warunek

sgn ai = sgn r0i dla i=1, 2, ..., k

nazywany własnością koinydencji. Jeśli tak jest to ocena ai jest sensowna ze względu na jej znak (model ma własność koincydencji).

Jeśli natomiast dla pewnego i

sgn ai sgn r0i

to ocena ai nie jest sensowna ze względu na znak, a model nie posiada własności koincydencji. W takim przypadku zmienną Xi należy wyeliminować z modelu, a następnie oszacować parametry modelu ...

Badanie istotności parametrów strukturalnych

Badanie istotności parametrów strukturalnych α0, α1, α2,..., αk liniowego modelu ekonometrycznego ma na celu sprawdzenie czy zmienne objaśniające istotnie oddziałują na zmienną objaśnianą, czy też nie.

Dla każdego i=1, 2, ..., k weryfikuje się hipotezę zerową H0: αi=0 wobec hipotezy alternatywnej HA: αi0. Sprawdzianem tej hipotezy jest statystyka:

0x08 graphic

gdzie ai - ocena parametru strukturalnego; S(ai) - standardowy błąd szacunku tego parametru.

Z tablic testu t-Studenta dla przyjętego poziomu istotności α (przyjąć α=0,05) oraz dla n-m stopni swobody (n - liczba obserwacji, m - liczba szacowanych parametrów strukturalnych) odczytuje się wartość krytyczną t*(α, n-m).

Jeżeli ti < t*(α, n-m) to nie ma podstaw do odrzucenia hipotezy H0. Parametr strukturalny αi nie różni się istotnie od zera, a zmienna objaśniająca Xi nie wpływa w istotny sposób na zmienną objaśnianą Y. Zmienną Xi należy wyeliminować z modelu.

Natomiast jeżeli ti t*(α, n-m) to hipotezę H0 należy odrzucić na rzecz hipotezy alternatywnej (parametr strukturalny αi różni się w sposób istotny od zera, a zmienna objaśniająca Xi wpływa w istotny sposób na zmienną objaśnianą Y).

Badanie dopuszczalności

Badanie dopuszczalności polega na merytorycznym sprawdzeniu sensowności ocen parametrów strukturalnych modelu.

----------------------------------------------------------

5c) Badanie wybranych własności wektora reszt (symetria, losowość, autokorelacja, normalność, stacjonarność)

Przykład. Wyznaczyć wartości teoretyczne oraz reszty modelu 0x01 graphic
=6,2 + 1,3X1 + 2,6X2

Y

X1

X2

0x01 graphic

ei

10

2

1

11,4

-1,40

12

1

1

10,1

1,90

13

2

2

14,0

-1.00

15

1

3

15,3

-0.30

20

4

3

19,2

0.80

Symetria

Rozkład normalny jest symetryczny, a więc w wektorze reszt prawdopodobieństwo występowania reszt dodatnich i ujemnych jest jednakowe. Weryfikujemy hipotezę zerową:

H0: P(et>0)=P(et<0)

wobec hipotezy alternatywnej

0x08 graphic
Ha: P(et>0)P(et<0).

Statystyką testową jest:

gdzie n - liczba obserwacji, k - liczba reszt dodatnich.

Z tablic testu t-Studenta odczytujemy wartość krytyczną t*(α, n-1), gdzie α - poziom istotności (przyjąć α=0,05), n-1 - liczba stopni swobody.

Jeżeli t< t*(α, n-1), to brak jest podstaw do odrzucenia hipotezy H0, mówiącej o symetrii reszt modelu.

Jeżeli t≥ t*(α, n-1), to hipotezę H0 odrzucamy na rzecz Ha. Reszty modelu nie są symetryczne.

Losowość

Rozważamy ciąg reszt. Rozróżniamy w nim dwa rodzaje elementów: reszty dodatnie i reszty ujemne. Reszty równe zero pomijamy. Jeżeli dane statystyczne stanowią szeregi czasowe, to reszty porządkujemy według numerów okresów obserwacji. Obliczamy liczbę serii k. Serią nazywamy każdy podciąg złożony z elementów o jednakowych znakach. Testujemy hipotezę:

H0: reszty są losowe

wobec hipotezy alternatywnej

Ha: reszty nie są losowe.

Z tablic serii dla na (liczby reszt dodatnich) i nb (liczby reszt ujemnych) oraz dla zadanego poziomu istotności α odczytujemy wartości krytyczne k1*, k2*.

Jeżeli k≤k1* lub k≥k2*, to hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej. Reszty modelu nie są losowe.

Jeżeli natomiast k1*<k< k2*, to nie ma podstaw do odrzucenia hipotezy o losowości reszt modelu.

Badanie autokorelacji składnika losowego

0x08 graphic
0x08 graphic
Autokorelacja oznacza liniową zależność między składnikiem losowym z różnych okresów. Między składnikiem losowym z okresu t oraz z okresu t-τ występuje autokorelacja, gdy istnieją między nimi współczynniki korelacji istotnie różniące się od zera.

0x08 graphic
H0:

Ha:

0x08 graphic
Autokorelacja między ρt i ρt-1:

0x08 graphic
H0:

Ha:

0x08 graphic
Test Durbina-Watsona (α-poziom istotności, n-liczba obserwacji, k-liczba zmiennych objaśniających modelu)

Z tablic odczytujemy wartości dl, dn

Statystyka testowa:

0x08 graphic
0x08 graphic
Gdy d<2 podejrzewamy występowanie autokorelacji dodatniej i Ha:

Gdy d>2 podejrzewamy występowanie autokorelacji ujemnej, d'=4-d i Ha:

Autokorelacja dodatnia

d≥dn

d≤dl

dl<d<dn

Brak podstaw do odrzucenia H0, między ɛt i ɛt-1 nie występuje autokorelacja

H0 odrzucamy na rzecz Ha, między ɛt i ɛt-1 występuje autokorelacja dodatnia

Nie można podjąć żadnej decyzji

Autokorelacja ujemna

d'≥dn

d'≤dl

dl<d'<dn

Brak podstaw do odrzucenia H0, między ɛt i ɛt-1 nie występuje autokorelacja

H0 odrzucamy na rzecz Ha, między ɛt i ɛt-1 występuje autokorelacja ujemna

Nie można podjąć żadnej decyzji

Badanie normalności

Przyjmujemy, że reszty modelu ekonometrycznego są empiryczną realizacją składnika losowego. Testujemy hipotezę

H0: składnik losowy modelu ma rozkład normalny

przy hipotezie alternatywnej

H1: składnik losowy modelu nie ma rozkładu normalnego

Test Hellwiga

Badanie stacjonarności

Ma na celu sprawdzenie, czy reszty są nieskorelowane z czasem. Jeśli składnik losowy jest nieskorelowany z czasem to jest stacjonarny, czyli wariancja składnika losowego jest stała. Jeśli składnik losowy jest skorelowany z czasem to jest nie stacjonarny, czyli wariancja składnika losowego nie jest stała.

0x08 graphic
H0:

0x08 graphic
Ha:

0x08 graphic
Sprawdzianem jest statystyka

Statystyka ma rozkład t-Studenta o n-2 swobody. Z tablic odczytujemy wartość krytyczną t*(α,n-2), gdzie α-poziom istotności.

0x08 graphic
< t*(α,n-2) nie ma podstaw do odrzucenia H0, mówiącej o tym, że składnik losowy jest stacjonarny

0x08 graphic
t*(α,n-2) H0 odrzucamy na korzyść Ha. Składnik losowy nie jest stacjonarny

Przykład - na cały semestr

Za górami, za lasami żył sobie Szewczyk Dratewka. Po powstaniu sieci supermarketów (sprzedających m. in. tanie obuwie) oraz po zabiciu ostatniego złego smoka-ludożercy Szewczyk Dratewka stracił pracę w  zawodach wyuczonych (szewstwo, morderstwa na zlecenie). Został tym samym zmuszony do ponownego przekwalifikowania się. Ponieważ żona Szewczyka była właścicielką sklepu mięsnego „Udko” na nowym osiedlu Smok-4, Szewczyk również zajął się sprzedażą mięsa. Państwo Szewczyk żyli szczęśliwie, gdyż jeszcze przed ślubem ustalili, że o wszystkich mało istotnych sprawach decyduje pani Szewczyk, a w kwestiach ważnych - pan Szewczyk. Dotychczas spraw istotnych nie było Ale teraz pojawił się problem. Pani Szewczyk zapragnęła odwiedzić mamusię i tatusia (żyjących za siedmioma lasami i siedmioma górami). Oznacza to wyjazd pani Szewczyk na 3 miesiące. Pan Szewczyk zostaje w domu (nie cierpi teściów). Żona zostawiła mu wytyczne odnośnie wielkości zamówień na wołowinę w maju i czerwcu, ale w lipcu Szewczyk musi sobie poradzić sam. Powinien w związku z tym dokonać analizy dotychczasowej sprzedaży mięsa wołowego w sklepie „Udko”, zbudować ekonometryczny model liniowy (Y - sprzedaż wołowiny w tonach), a następnie wyznaczyć prognozę w oparciu o istniejące dane. Pani Szewczyk powiesiła na drzwiach lodówki kartkę z następującymi punktami:

a) Przy założonej wartości krytycznej współczynnika zmienności v*=0,05 sprawdź, czy potencjalne zmienne objaśniające X1, X2, X3, X4, X5 odznaczają się odpowiednio wysoką zmiennością. Wyeliminuj zmienne quasi-stałe.

b) Wyznacz wektor współczynników korelacji oraz macierz współczynników korelacji .

  1. Stosując metodę grafową dokonaj wyboru zmiennych objaśniających do modelu liniowego.

  2. Oszacuj parametry strukturalne modelu (do budowy modelu wykorzystaj tylko zmienne objaśniające dobrane w punkcie c). Zapisz model po oszacowaniu parametrów strukturalnych z uwzględnieniem standardowych błędów ocen.

Uwagi do weryfikacji modelu: podczas weryfikacji ustosunkujemy się do badanej własności i bez względu na wyniki przejdziemy do badania kolejnej własności naszego modelu (czyli cały czas weryfikujemy model z punktu d)

  1. Podaj interpretacje ocen parametrów strukturalnych. Czy spełniony jest warunek dopuszczalności?

  2. Wyznacz wartości następujących współczynników: zmienności losowej, determinacji, zbieżności; podaj ich interpretacje. Przy założonych wartościach krytycznych W*=0,1 oraz R2*=0,7 oceń dopasowanie modelu do danych empirycznych.

  3. Oceń istotność parametrów strukturalnych,

  4. Czy model ma własność koincydencji?

  5. Wyznacz wektor reszt.

  6. Przeprowadź badanie własności wektora reszt (symetria, losowość, autokorelacja, normalność, stacjonarność).

  7. Jakiej miesięcznej sprzedaży wołowiny należy się spodziewać w lipcu przy cenie wołowiny 22 zieleńce oraz cenie wieprzowiny 12 zieleńców?

Y - sprzedaż wołowiny w sklepie "Udko" w tonach

X1 - cena 1 kg wołowiny w zieleńcach

X2 - cena 1 kg wieprzowiny w zieleńcach

X3 - cena 1 kg kurczaka w zieleńcach

X4 - cena 1 kg gęsiny w zieleńcach

X5 - cena 1 kg pstrąga w zieleńcach

Lp.

Miesiące

Y

X1

X2

X3

X4

X5

1

cze-11

31,2

23,4

12,0

5,9

17,2

20,1

2

lip-11

30,2

23,0

12,6

5,8

17,3

20,0

3

sie-11

30,0

22,9

13,0

5,7

17,5

21,5

4

wrz-11

30,1

21,3

12,5

5,3

17,4

20,5

5

paź-11

33,0

21,6

12,0

5,4

17,3

20,5

6

lis-11

32,0

21,3

11,0

5,3

17,2

20,0

7

gru-11

35,5

20,0

10,0

5,0

17,1

19,0

8

sty-12

36,1

19,9

10,0

5,0

17,0

19,0

9

lut-12

33,8

20,3

10,5

5,1

17,1

19,0

10

mar-12

28,0

21,5

11,0

5,4

17,2

19,5

11

kwi-12

29,6

21,7

12,0

5,4

17,2

19,5

12

maj-12

30,3

22,0

12,5

5,5

17,3

20,5

13

cze-12

31,2

22,5

12,5

5,6

17,3

21,0

14

lip-12

30,0

22,8

13,0

5,7

17,3

22,0

15

sie-12

29,0

23,4

13,5

5,9

17,3

22,0

16

wrz-12

30,1

22,5

13,0

5,6

17,3

21,5

17

paź-12

33,5

22,0

13,5

5,5

17,4

21,0

18

lis-12

36,2

19,5

12,0

5,0

17,0

20,0

19

gru-12

36,8

19,0

11,0

4,8

17,0

20,0

20

sty-13

37,0

19,0

11,0

5,0

16,9

20,0

21

lut-13

33,8

20,3

11,5

5,3

16,8

20,0

Zieleniec - jednostka pieniężna w kraju „za górami, za lasami”, w którym żyje Szewczyk Dratewka.

1

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

Y

X

ŷ= ayx+ by

xi

yi

ŷi

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic



Wyszukiwarka

Podobne podstrony:
El en i środowisko 13 14 1, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład + ćwiczenia
Narazenia od pól elektromagnetycznych 13 14 1, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład
Ekonomia zagadnienia 13 i 14, Notatki Europeistyka Studia dzienne, II semestr
Narazenia od pól elektromagnetycznych 13 14 2, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład
Wykłady Prawo żywnościowe 13 14
Moc bierna 13 14 1, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład + ćwiczenia
chemia analityczna wyklad 13 i 14
Elektrownie wiatrowe 13 14 1, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład + ćwiczenia
13 14 Seria 1.2, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład + ćwiczenia
Duże odstępy powietrzne 13 14 1, Prywatne, EN-DI semestr 4, Elektroenergetyka, wykład + ćwiczenia
elementy ekonomii - wykład 4 (24.11.2007 r.), WSB, elementy ekonomi
elementy ekonomii - wykład 1 (27.10.2007 r.), WSB, elementy ekonomi
wykład model 1, Informatyka i Ekonometria 2 rok, badania operacyjne, sciagniete z internetu
elementy ekonomii - wykład 6 (09.12.2007 r.), WSB, elementy ekonomi
elementy ekonomii - wykład 2 (28.10.2007 r.), WSB, elementy ekonomi
Elementy ekonomii - wykład 3 (10.11.2007 r.), WSB, elementy ekonomi

więcej podobnych podstron