Jak przekształcać zmienne jakościowe?

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Jak przekształcać zmienne jakościowe?"

Transkrypt

1 Data Preparation Jak przekształcać zmienne jakościowe? Marta Płonka Predictive Solutions W ostatnim artykule zobaczyliśmy, jak sprawdzić, czy między wybranymi przez nas predyktorami a zmienną przewidywaną istnieje zależność. Pokazaliśmy, jak możemy spróbować ocenić siłę tego związku, kiedy możemy uznać go za nieistotny oraz, jak zbudować ranking predyktorów na podstawie miar zależności. Wykorzystaliśmy do tego podejście zastosowane w modelu Data Preparation, oparte na istotności oraz jakości predykcji. W kolejnych dwóch artykułach zobaczymy, jak możemy wykorzystać przekształcenia zmiennych, w celu polepszenia zależności między predyktorami a zmienną przewidywaną. Na początek skupimy się na przekształceniach zmiennych jakościowych. Przekształcenia zmiennych jakościowych Jeśli naszym predyktorem jest zmienna jakościowa, np. poziom wykształcenia, możemy sprawdzić, czy kategorie wyodrębnione przez nas lub osobę, która je opracowała (np. w badaniu ankietowym) są odpowiednie. Przykładowo, czy wyznaczone kategorie wykształcenia dobrze różnicują to, ile kto zarabia. Zbyt duża liczba szczegółowych może utrudnić nam zaobserwowanie ogólniejszych zależności. W takiej sytuacji, możemy rozważyć złączenie wybranych. W wielu technikach analitycznych zmienne jakościowe muszą zostać przekształcane na zbiór zmiennych zero-jedynkowych przed ich użyciem bierze się to z wymagań, jakie stawiają danym takie techniki, jak np. analiza regresji. Korzystając ze zmiennych o mniejszej liczbie, upraszczamy i uogólniamy nasze modele. Załóżmy, że mamy zaobserwowaną cechę, jaka nas interesuje (np. dochód). Możemy sprawdzić, czy jest ona zależna od 2 wybranych predyktora (np. wykształcenia). Jeżeli stwierdzimy, że dochód nie zależy widocznie od tego, czy wykształcenie respondenta było, np. średnie czy średnie zawodowe, możemy połączyć te dwie kategorie w jedną. Do oceny tej zależności będziemy wykorzystywać podejście znane z poprzedniego artykułu [Jak wybrać] [odpowiednie predyktory do analizy]. Opis działania Załóżmy, że mamy dane dotyczące samochodów i dwie zmienne, które nas interesują: cena i spalanie (zużycie paliwa). Informację o cenie samochodów mamy ujętą w 5 kategoriach cenowych: z bardzo tanie, z tanie, z o przeciętnej cenie, z drogie, z bardzo drogie. Podobnie, zmienna spalanie ma 5 : z bardzo niskie, z niskie, z przeciętne, z wysokie, z bardzo wysokie.

2 2 Data Preparation Jak przekształcać zmienne jakościowe? Mając takie dane możemy sprawdzić, czy wyodrębnione kategorie zużycia paliwa dobrze różnicują cenę samochodu. Może się okazać, że nie ma potrzeby rozpatrywania samochodów o niskim i bardzo niskim spalaniu oddzielnie. Co więcej, rozpatrzenie ich jako jednej ułatwi nam prognozę ceny samochodu. Wykorzystamy do tego procedurę kategoryzacji nadzorowanej. Innymi słowy, przeprowadzimy rekodowanie jakościowego predyktora w oparciu o zmienną przewidywaną. Działanie tej procedury jest podobne do etapu łączenia w trakcie budowy drzewa typu CHAID. Pierwszym krokiem jest usunięcie pustych. Przykładowo, nie mamy żadnych danych o samochodach, których spalanie jest na przeciętnym poziomie. Wartość 3 jest jedną z wartości zmiennej spalanie, ale dla naszego zbioru ma zerową liczebność. Jeżeli nasz predyktor ma takie kategorie, będą one pomijane w dalszych krokach procedury. W drugim kroku badane są odpowiednie pary. Do tego, co znaczy w tym przypadku odpowiednie, wrócimy za chwilę. Skupmy się teraz na tym, na czym polega badanie. Jeżeli zastanawiamy się, czy połączyć kategorie samochodów o bardzo niskim i niskim spalaniu musimy sprawdzić, jak kształtowała się wśród takich samochodów cena. Możemy z naszego zbioru wybrać wyłącznie takie samochody, które mają spalanie=1 lub spalanie=2 i stworzyć, dla w ten sposób okrojonej zmiennej spalanie oraz cena tabelę krzyżową. Taka przykładowa tabela przedstawiona jest poniżej: Tabela 1. Przykładowa tabela krzyżowa: Cena w tysiącach Spalanie Liczebność Spalanie bardzo niskie niskie Ogółem Cena bardzo tani tani standardowa cena drogi bardzo drogi Ogółem Na podstawie tej tabeli możemy sprawdzać, czy cena istotnie zależy od dwóch wybranych spalania. Jeżeli tak, nie powinniśmy ich łączyć; w przeciwnym wypadku możemy rozważyć ich połączenie. Do oceny, czy korelacja istnieje czy nie, wykorzystamy istotność. Przypomnijmy, że w przypadku jakościowych predyktorów, istotność wyliczamy w zależności od skali pomiaru z testu: Chi-kwadrat, F i Goodmana. Wróćmy teraz do tego, jak wybieramy pary do połączenia. Jeżeli predyktor jest mierzony na skali nominalnej, to procedura sprawdzi każdą kombinację, np., gdy mamy kategorie A, B, C to rozpatrzymy, czy nie warto połączyć AB, AC, BC. W przypadku, gdy predyktor ma skalę porządkową, zbiór kombinacji jest ograniczony tylko do sąsiednich, np. dla A, B, C spróbujemy połączyć pary AB, BC. W naszym przykładzie dla zmiennej spalanie mamy do rozpatrzenia poniższe łączenia : z bardzo niskie + niskie; z niskie + przeciętne; z przeciętne + wysokie z wysokie + bardzo wysokie. Dla każdej takiej zmiennej okrojonej do dwóch rozpatrujemy zależność ze zmienną cena. Ponieważ nasza zmienna przewidywana jest mierzona na skali przedziałowej, procedura wyznaczy istotność dla testu Goodmana. Naszym najlepszym kandydatem do połączenia będzie para o największej istotności. Innymi słowy, będzie to para, dla której istotność najsilniej przemawia za brakiem związku ze zmienną cena. Wartość istotności jest porównywana z wartością p, wskazaną przez analityka i jeżeli jest od niej większa, kategorie są łączone. Parametr p pozwala nam zadecydować, jak dużą wartość istotności uznajemy za podstawę do tego, żeby uznać kategorie za słabo oddziałujące na cenę. Domyślnie, w IBM SPSS Statistics wartość p wynosi standardowo 0,05.

3 3 Data Preparation Jak przekształcać zmienne jakościowe? Jeżeli porównywalna wartość istotności nie jest większa od wartości p, algorytm przerywa działanie. Drugim warunkiem zatrzymania procedury jest połączenie wszystkich predyktora w jedną. Jeżeli łączenie się udało, powtarzamy omówione kroki dla predyktora z nową (pomniejszoną) liczbą. Załóżmy, że połączyliśmy kategorie niskie spalanie z bardzo niskimi. Nasz predyktor ma o jedną kategorie mniej, a do rozpatrzenia mamy kombinacje łączenia: z niskie/bardzo niskie + przeciętne, z przeciętne + wysokie, z wysokie + bardzo wysokie. Ponownie procedura przeprowadza serie testów, wyznacza istotność i wybiera parę o największej istotności, itd. Nowe kategorie, numerowane od 0, wyznaczane są na podstawie największych wartości połączonych. Załóżmy, że mamy kategorie o wartościach 1/2, 3, 4/5/6, dla których wartości największe wynoszą,,. Nowe kategorie tworzymy zgodnie z zasadą: kategoria 0 wartości mniejsze lub równe od, kategoria 1 wartości większe od i mniejsze lub równe od, kategoria 2 wartości większe od Zrób to sam! Otwórzmy nasz zbiór danych samochody.sav. Mamy w nim, tak jak w poprzednim artykule, dane dotyczące 155 modeli samochodów. Tym razem mamy tylko 3 zmienne jakościowe. Zmienną cena_jakosc, której wartości reprezentują 7 cenowych, gdzie 1 oznacza klasę samochodów najtańszych. Zmienną spalanie_jakosc, która reprezentuje 7 zużycia paliwa, gdzie 1 to klasa samochodów o najmniejszym spalaniu oraz trzecią, zmienną typ, która przyjmuje dwie wartości: 0 dla samochodów osobowych i 1 dla ciężarowych. Sprawdzimy teraz, jak nasza zmienna spalanie_jakosc przejdzie przez omawianą procedurę połączenia. Wybierzmy [Przekształcenia] u [Przygotuj dane do modelowania] u [Interaktywnie]. Na zakładce [Zmienne] przenieśmy zmienną cena_jakosc do pola [Zmienna] u [przewidywana], a zmienną spalanie_jakosc na listę [Zmienne wejściowe]. Rysunek 1. Wybór zmiennych Po wyborze zmiennych, przejdźmy na zakładkę [ustawienia] i z listy po lewej stronie wybierzmy element [Przekształcenia zmiennych]. Zaznaczmy opcje [Połącz małoliczne] [kategorie ]. [wartość p] zostawmy na domyślnym poziomie 0,05. Możemy przejść jeszcze przez pozostałe opcje dostępne na liście i odznaczyć czynności, których nie omawiamy w artykule. Jak już to zrobimy, kliknijmy w [Analizuj dane].

4 4 Data Preparation Jak przekształcać zmienne jakościowe? Rysunek 2. Ustawienia Przekształcenia zmiennych Wejściowe zmienne jakościowe Na zakładce [Analiza] otrzymamy wykres jakości predykcji dla nowoutworzonej zmiennej spalanie_jakosc_transformed. Jest to zmienna, która powstała na skutek połączenia zmiennej spalanie_jakosc. Sufiks, który jest dodawany do utworzonych przez procedurę zmiennych, możemy zmienić w opcjach dostępnych w [Nazwy zmiennych] na zakładce [Ustawienia]. Przed tym, jak sprawdzimy, które kategorie zostały połączone, zobaczmy, czy jakość predykcji zmiennej przekształconej wzrosła. Wybierzmy z listy w dolnej części okna [widok: Zmienne]. Spośród wizualizacji, jakie się pojawią, otrzymamy, m.in. przedstawione poniżej porównanie jakości predykcji. Dokładne wartości możemy odczytać z wykresów lub z tabeli predyktory, przełączając [użycie: oryginalna/przekształcona]. Rysunek 3. Zakładka Analiza Widok: Zmienne Widzimy, że dla zmiennej oryginalnej jakość predykcji wynosiła 0,41, a po przekształceniu wzrosła do 0,46. Aby sprawdzić dokładnie, jak procedura przekształciła naszą zmienną, naciśnijmy przycisk [Uruchom]. Dzięki temu skończymy pracę z kreatorem, a do naszego zbioru zostanie dołączona zmienna spalanie_jakosc_transformed. Możemy teraz wykonać i porównać analizę częstości dla zmiennej przed i po przekształceniu. Wybierzmy [Analiza Opis Statystyczny] [Częstości]. Przenieśmy wspomniane zmienne na listę po prawej stronie, pod przyciskiem [Wykresy] zaznaczmy [wykresy słupkowe] i kliknijmy [OK].

5 5 Data Preparation Jak przekształcać zmienne jakościowe? Rysunek 4. Częstości W wyniku otrzymamy dwie tabele i dwa wykresy słupkowe dla analizowanych zmiennych (etykiety wartości dla nowej zmiennej trzeba wprowadzić samemu). Częstość Procent Procent ważnych Procent skumulowany Ważne <= ,2 5,2 5, ,0 9,0 14, ,3 21,3 35, ,2 34,2 69, ,0 20,0 89, ,1 7,1 96, ,2 3,2 100,0 Ogółem ,0 100,0 Częstość Procent Procent ważnych Procent skumulowany Tabela 2, 3. Porównanie zmiennych tabele częstości Spalanie i spalanie_jakosc_transformed Ważne <= ,2 14,2 14, ,3 21,3 35, ,2 34,2 69, ,0 20,0 89, ,3 10,3 100,0 Ogółem ,0 100,0 Widzimy, że zmienna po przekształceniu ma mniej. Jeśli wnikliwiej przyjrzymy się tabeli częstości zobaczymy, że procedura połączyła dwie pierwsze i dwie ostatnie kategorie. Rysunek 5. Porównanie zmiennych wykresy słupkowe Zamiast samochodów o spaleniu poniżej 16 (8 samochodów) oraz między 17 a 19 (14 samochodów), otrzymaliśmy jedną kategorię samochodów o spalaniu mniejszym lub równym 19 (22 samochody). Jak pamiętamy, w kreatorze do oceny zależności zmiennych jakościowych, w przypadku gdy zmienna przewidywana jest nominalna, wykorzystuje się test Chi-kwadrat. W związku z tym, wykonajmy teraz łączenie zmiennej spalanie_jakosc, wybierając nominalną

6 6 Data Preparation Jak przekształcać zmienne jakościowe? zmienną przewidywaną typ. Dzięki temu możemy samodzielnie prześledzić jej działanie, wyliczając istotność statystyki Chi-kwadrat w procedurze tabeli krzyżowej. Pamiętajmy, że przed utworzeniem tabeli musimy dokonać selekcji obserwacji. Przykładowo, jak badamy, czy połączyć kategorie pierwszą i drugą, wybieramy tylko obserwacje zgodnie z warunkiem spalanie_jakosc=1 or spalanie_jakosc=2. Dla danych z naszego zbioru, zmienna spalanie ma 7 : z kategoria 1: <= 16, z kategoria 2: od 17 do 19, z kategoria 3: od 20 do 22, z kategoria 4: od 23 do 26, z kategoria 5: od 27 do 29, z kategoria 6: od 30 do 32, z kategoria 7: powyżej 33, co daje 6 potencjalnych do połączenia sąsiednich : 1+2, 2+3, 3+4, , 6+7. Dla każdej z nich możemy wyliczyć istotność testu Chi-kwadrat. Otrzymamy następujące wyniki istotności: Kombinacja Tabela 4. Łączenie na podstawie istotności testu Chi-kwadrat , , , , , ,755 Największą wartość istotności ma złączenie 3 i 4. Ponieważ jest ona większa od ustalonej przez użytkownika wartości p (0,2), kategorie zostaną połączone. Dla nowych kombinacji istotność wynosi: Kombinacja Tabela 5. Łączenie na podstawie testu Chi-kwadrat , /4 0,704 3/ , , ,755 Największą wartość istotności ma złączenie 6 i 7 i wynosi 0,755 więc kategorie te zostaną połączone. Ponownie, dla nowych kombinacji mamy: Łączenie Tabela 6. Łączenie na podstawie testu Chi-kwadrat , /4 0,704 3/ , /7 0,162 Największą wartość istotności ma połączenie 2 i 3/4. Znowu możemy je połączyć, ponieważ wartość 0,704 jest większa od 0,2. Nowe kombinacje dla zmiennej wyglądają w ten sposób: Łączenie 1 + 2/3/4 0,051 2/3/ , /7 0,162

7 7 Data Preparation Jak przekształcać zmienne jakościowe? Największą wartość istotności ma połączenie 5 + 6/7. Nie jest ona jednak większa niż 0,2, więc procedura przerwie działanie. Ostatecznie nasza zmienna będzie miała teraz kategorie: z kategoria 1: <= 16, z kategoria 2: 17 26, z kategoria 3: 27 29, z kategoria 4: 30+. Przejdźmy do kreatora Automatycznego przygotowania danych i zobaczmy, czy uzyskamy to samo. Powtórzmy te same kroki, co poprzednio z tą tylko różnicą, że tym razem wybierzmy jako zmienną przewidywaną zmienną typ, a [wartość p] zwiększmy do 0,2. Powinniśmy otrzymać nową zmienną spalanie_jakosc_transformed (zmienna zostanie nadpisana). Tak, jak poprzednio wykonajmy dla niej analizę częstości. Częstość Procent Procent ważnych Procent skumulowany Ważne <= ,2 5,2 5, ,5 64,5 69, ,0 20,0 89, ,3 10,3 100,0 Ogółem ,0 100,0 Tabela 7. Rysunek 6. Wyniki łączenia na podstawie testu Chi-kwadrat Widzimy, że zgodnie z tym, co wyliczyliśmy kategorie od 17 do 20 (2), od 20 do 22 (3) oraz od 23 do 26 (4) zostały połączone w kategorie od 17 do 26. Kategoria spalanie powyżej 33 (7) i od 30 do 33 (6), zostały połączone w jedną kategorię spalanie powyżej 30. Na koniec przyjrzyjmy się pozostałym opcjom dostępnym w kreatorze w ramach przekształcenia wejściowych zmiennych jakościowych. W sytuacji, gdy nie mamy zmiennej przewidywanej możemy wykorzystać opcje połączenia małolicznych. Użytkownik wybiera dla zmiennych porządkowych lub/i zmiennych nominalnych, minimalną liczebność, jaką powinna mieć każda kategoria. Należy wybrać liczbę od 0 do 100. Gdy wybierzemy, np. 5, oznacza to, że żadna z zmiennej przekształconej nie będzie miała mniej niż 5% ogólnej liczebności. Jeżeli mamy zmienną nominalną, to małoliczne kategorie zostaną połączone w jedną wspólną kategorię. Jeżeli mamy zmienną porządkową małoliczną, kategoria zostanie dołączona do następnej. Wyjątkiem jest sytuacja, gdy małoliczna kategoria jest ostatnią kategorią. W takiej sytuacji zostaje ona dołączona do poprzedzającej ją. Predictive Solutions ul. Racławicka Kraków tel faks wew [ Podsumowując zobaczyliśmy, jak można przekształcać zmienne jakościowe tak, aby uzyskać polepszenie jakości predykcji. W następnym artykule skupimy się na przekształceniach zmiennych ilościowych. Poznamy nową metodę kategoryzacji nadzorowanej i zobaczymy, czym różni się ona od omawianej wcześniej kategoryzacji optymalnej.

Niestandardowa tabela częstości

Niestandardowa tabela częstości raportowanie Niestandardowa tabela częstości Przemysław Budzewski Predictive Solutions Do czego dążymy W Generalnym Sondażu Społecznym USA w 1991 roku badaniu poddano respondentów należących do szeregu

Bardziej szczegółowo

Co trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?

Co trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe? Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie

Bardziej szczegółowo

Stochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych

Stochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy

Bardziej szczegółowo

Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1

Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1 Ć w i c z e n i e 3 : W i z u a l i z a c j a d a n y c h - w y k r e s y S t r o n a 1 Zadanie 1. Tworzenie wykresów zmiennych jakościowych wyrażonych w skali nominalnej i porządkowej. Utworzyć wykres

Bardziej szczegółowo

Badanie zależności skala nominalna

Badanie zależności skala nominalna Badanie zależności skala nominalna I. Jak kształtuje się zależność miedzy płcią a wykształceniem? II. Jak kształtuje się zależność między płcią a otyłością (opis BMI)? III. Jak kształtuje się zależność

Bardziej szczegółowo

Wykład 3: Prezentacja danych statystycznych

Wykład 3: Prezentacja danych statystycznych Wykład 3: Prezentacja danych statystycznych Dobór metody prezentacji danych Dobór metody prezentacji danych zależy od: charakteru danych statystycznych (inne metody wybierzemy dla danych przekrojowych,

Bardziej szczegółowo

ANALIZA DANYCH PIERWOTNYCH mgr Małgorzata Kromka

ANALIZA DANYCH PIERWOTNYCH mgr Małgorzata Kromka ANALIZA DANYCH PIERWOTNYCH mgr Małgorzata Kromka Wprowadzenie do SPSS PRACA SOCJALNA Rok 1 Czym jest SPSS? SPSS to bardzo rozbudowany program. Pozwala sprawnie pracować ze zbiorami danych, analizować własne

Bardziej szczegółowo

P: Czy studiujący i niestudiujący preferują inne sklepy internetowe?

P: Czy studiujący i niestudiujący preferują inne sklepy internetowe? 2 Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia czy pomiędzy zmiennymi istnieje związek/zależność. Stosujemy go w sytuacji, kiedy zmienna zależna mierzona jest na skali

Bardziej szczegółowo

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Paweł Cibis pawel@cibis.pl 23 lutego 2007 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa

Bardziej szczegółowo

Podstawowe operacje i rodzaje analiz dostępne w pakiecie Statistica

Podstawowe operacje i rodzaje analiz dostępne w pakiecie Statistica Podstawowe operacje i rodzaje analiz dostępne w pakiecie Statistica 1. Zarządzanie danymi. Pierwszą czynnością w pracy z pakietem Statistica jest zazwyczaj wprowadzenie danych do arkusza. Oprócz możliwości

Bardziej szczegółowo

Analiza składowych głównych. Wprowadzenie

Analiza składowych głównych. Wprowadzenie Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących

Bardziej szczegółowo

PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA

PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA Krzysztof Suwada, StatSoft Polska Sp. z o.o. Wstęp Wiele różnych analiz dotyczy danych opisujących wielkości charakterystyczne bądź silnie

Bardziej szczegółowo

Jak korzystać z Excela?

Jak korzystać z Excela? 1 Jak korzystać z Excela? 1. Dane liczbowe, wprowadzone (zaimportowane) do arkusza kalkulacyjnego w Excelu mogą przyjmować różne kategorie, np. ogólne, liczbowe, walutowe, księgowe, naukowe, itd. Jeśli

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

Wykład 2: Grupowanie danych (szeregi statystyczne) + porady dotyczące analizy danych w programie STATISTICA

Wykład 2: Grupowanie danych (szeregi statystyczne) + porady dotyczące analizy danych w programie STATISTICA Wykład 2: Grupowanie danych (szeregi statystyczne) + porady dotyczące analizy danych w programie STATISTICA Dobór metody prezentacji danych Dobór metody prezentacji danych zależy od: charakteru danych

Bardziej szczegółowo

Regresja linearyzowalna

Regresja linearyzowalna 1 z 5 2007-05-09 23:22 Medycyna Praktyczna - portal dla lekarzy Regresja linearyzowalna mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie Data utworzenia:

Bardziej szczegółowo

7.4 Automatyczne stawianie prognoz

7.4 Automatyczne stawianie prognoz szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu

Bardziej szczegółowo

1. Otwórz pozycję Piston.iam

1. Otwórz pozycję Piston.iam 1. Otwórz pozycję Piston.iam 2. Wybierz z drzewa wyboru poziomego Środowisko następnie Symulacja Dynamiczna 3. Wybierz Ustawienia Symulacji 4. W ustawieniach symulacji dynamicznej zaznacz: - Automatycznie

Bardziej szczegółowo

Zadanie Wstaw wykres i dokonaj jego edycji dla poniższych danych. 8a 3,54 8b 5,25 8c 4,21 8d 4,85

Zadanie Wstaw wykres i dokonaj jego edycji dla poniższych danych. 8a 3,54 8b 5,25 8c 4,21 8d 4,85 Zadanie Wstaw wykres i dokonaj jego edycji dla poniższych danych Klasa Średnia 8a 3,54 8b 5,25 8c 4,21 8d 4,85 Do wstawienia wykresu w edytorze tekstu nie potrzebujemy mieć wykonanej tabeli jest ona tylko

Bardziej szczegółowo

Analiza zależności liniowych

Analiza zależności liniowych Narzędzie do ustalenia, które zmienne są ważne dla Inwestora Analiza zależności liniowych Identyfikuje siłę i kierunek powiązania pomiędzy zmiennymi Umożliwia wybór zmiennych wpływających na giełdę Ustala

Bardziej szczegółowo

Bazy danych Ćwiczenie 1 Instrukcja strona 1 Wersja ogólna

Bazy danych Ćwiczenie 1 Instrukcja strona 1 Wersja ogólna Bazy danych Ćwiczenie 1 Instrukcja strona 1 Wersja ogólna TEMAT: TWORZENIE NOWEJ BAZY DANYCH Uruchom Microsoft Access Rozpocznij od utworzenia nowej pustej bazy i zapisz ją w pliku o nazwie TwojeNazwiskoImię.MDB.

Bardziej szczegółowo

Test U Manna-Whitneya : Test H Kruskala-Wallisa Test Wilcoxona

Test U Manna-Whitneya : Test H Kruskala-Wallisa Test Wilcoxona Nieparametryczne odpowiedniki testów T-Studenta stosujemy gdy zmienne mierzone są na skalach porządkowych (nie można liczyć średniej) lub kiedy mierzone są na skalach ilościowych, a nie są spełnione wymagania

Bardziej szczegółowo

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Przykład 2 Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Sondaż sieciowy analiza wyników badania sondażowego dotyczącego motywacji w drodze do sukcesu Cel badania: uzyskanie

Bardziej szczegółowo

Praktyczne przykłady wykorzystania GeoGebry podczas lekcji na II etapie edukacyjnym.

Praktyczne przykłady wykorzystania GeoGebry podczas lekcji na II etapie edukacyjnym. Praktyczne przykłady wykorzystania GeoGebry podczas lekcji na II etapie edukacyjnym. Po uruchomieniu Geogebry (wersja 5.0) Pasek narzędzi Cofnij/przywróć Problem 1: Sprawdź co się stanie, jeśli połączysz

Bardziej szczegółowo

Dwuczynnikowa ANOVA dla prób niezależnych w schemacie 2x2

Dwuczynnikowa ANOVA dla prób niezależnych w schemacie 2x2 Dwuczynnikowa ANOVA dla prób niezależnych w schemacie 2x2 Poniżej prezentujemy przykładowe pytania z rozwiązaniami dotyczącymi dwuczynnikowej analizy wariancji w schemacie 2x2. Wszystkie rozwiązania są

Bardziej szczegółowo

Usługi Informatyczne "SZANSA" - Gabriela Ciszyńska-Matuszek ul. Świerkowa 25, Bielsko-Biała

Usługi Informatyczne SZANSA - Gabriela Ciszyńska-Matuszek ul. Świerkowa 25, Bielsko-Biała Usługi Informatyczne "SZANSA" - Gabriela Ciszyńska-Matuszek ul. Świerkowa 25, 43-305 Bielsko-Biała NIP 937-22-97-52 tel. +48 33 488 89 39 zwcad@zwcad.pl www.zwcad.pl Aplikacja do rysowania wykresów i oznaczania

Bardziej szczegółowo

Excel zadania sprawdzające 263

Excel zadania sprawdzające 263 Excel zadania sprawdzające 263 Przykładowe zadania do samodzielnego rozwiązania Zadanie 1 Wpisać dane i wykonać odpowiednie obliczenia. Wykorzystać wbudowane funkcje Excela: SUMA oraz ŚREDNIA. Sformatować

Bardziej szczegółowo

Przypomnienie: Ćwiczenie 1.

Przypomnienie: Ćwiczenie 1. Strona1 Przypomnienie: Zmienne statystyczne można podzielić na: 1. Ilościowe, czyli mierzalne (przedstawiane liczbowo) w tym: skokowe inaczej dyskretne (przyjmują skończoną lub co najwyżej przeliczalną

Bardziej szczegółowo

Instrukcja instalacji programu SPSS Statistics 21

Instrukcja instalacji programu SPSS Statistics 21 Instrukcja instalacji programu SPSS Statistics 21 UWAGA: DO POPRAWNEGO, PEŁNEGO ZAINSTALOWANIA (AKTYWACJI) PROGRAMU SPSS Statistics 21 NIEZBĘDNE JEST AKTYWNE POŁĄCZENIE Z INTERNETEM PODCZAS INSTALACJI

Bardziej szczegółowo

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Zadanie Zbadano satysfakcję z życia w skali 1 do 10 w dwóch grupach rodziców: a) Rodzice dzieci zdrowych oraz b) Rodzice dzieci z niepełnosprawnością

Bardziej szczegółowo

R-PEARSONA Zależność liniowa

R-PEARSONA Zależność liniowa R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe

Bardziej szczegółowo

Lekcja na Pracowni Podstaw Techniki Komputerowej z wykorzystaniem komputera

Lekcja na Pracowni Podstaw Techniki Komputerowej z wykorzystaniem komputera Lekcja na Pracowni Podstaw Techniki Komputerowej z wykorzystaniem komputera Temat lekcji: Minimalizacja funkcji logicznych Etapy lekcji: 1. Podanie tematu i określenie celu lekcji SOSOBY MINIMALIZACJI

Bardziej szczegółowo

Temat: Graficzna ilustracja danych - wykresy

Temat: Graficzna ilustracja danych - wykresy technologia informacyjna (semestr 5 / LO nr 1) Lekcja numer 15 Temat: Graficzna ilustracja danych - wykresy Jedną z najczęściej wykorzystywanych funkcji arkusza kalkulacyjnego jest graficzna prezentacja

Bardziej szczegółowo

3.7. Wykresy czyli popatrzmy na statystyki

3.7. Wykresy czyli popatrzmy na statystyki 3.7. Wykresy czyli popatrzmy na statystyki Współczesne edytory tekstu umożliwiają umieszczanie w dokumentach prostych wykresów, służących do graficznej reprezentacji jakiś danych. Najprostszym sposobem

Bardziej szczegółowo

ZARZĄDZANIE DANYMI W STATISTICA

ZARZĄDZANIE DANYMI W STATISTICA Wprowadzenie do STATISTICA Krzysztof Regulski AGH, WIMiIP ZARZĄDZANIE DANYMI W STATISTICA 1) Zastosowanie: STATISTICA umożliwia w zakresie zarządzania danymi m.in.: scalanie plików sprawdzanie danych sortowanie

Bardziej szczegółowo

Tworzenie i modyfikowanie wykresów

Tworzenie i modyfikowanie wykresów Tworzenie i modyfikowanie wykresów Aby utworzyć wykres: Zaznacz dane, które mają być zilustrowane na wykresie: I sposób szybkie tworzenie wykresu Naciśnij na klawiaturze klawisz funkcyjny F11 (na osobnym

Bardziej szczegółowo

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007 Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja

Bardziej szczegółowo

Wykład 4: Statystyki opisowe (część 1)

Wykład 4: Statystyki opisowe (część 1) Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można

Bardziej szczegółowo

5.2. Pierwsze kroki z bazami danych

5.2. Pierwsze kroki z bazami danych 5.2. Pierwsze kroki z bazami danych Uruchamianie programu Podobnie jak inne programy, OO Base uruchamiamy z Menu Start, poprzez zakładkę Wszystkie programy, gdzie znajduje się folder OpenOffice.org 2.2,

Bardziej szczegółowo

Inżynieria biomedyczna, I rok, semestr letni 2014/2015 Analiza danych pomiarowych. Laboratorium VIII: Analiza kanoniczna

Inżynieria biomedyczna, I rok, semestr letni 2014/2015 Analiza danych pomiarowych. Laboratorium VIII: Analiza kanoniczna 1 Laboratorium VIII: Analiza kanoniczna Spis treści Laboratorium VIII: Analiza kanoniczna... 1 Wiadomości ogólne... 2 1. Wstęp teoretyczny.... 2 Przykład... 2 Podstawowe pojęcia... 2 Założenia analizy

Bardziej szczegółowo

1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:

1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej: Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane

Bardziej szczegółowo

Sposoby prezentacji problemów w statystyce

Sposoby prezentacji problemów w statystyce S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki

Bardziej szczegółowo

Dopasowywanie modelu do danych

Dopasowywanie modelu do danych Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

Ekonometria, lista zadań nr 6 Zadanie 5 H X 1, X 2, X 3

Ekonometria, lista zadań nr 6 Zadanie 5 H X 1, X 2, X 3 Ekonometria, lista zadań nr 6 Zadanie 5 Poniższy diagram przedstawia porządek między rozważanymi modelami oparty na relacji zawierania pomiędzy podzbiorami zbioru zmiennych objaśniających: H, X 2, X 3

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

INFO-NET.wsparcie. pppoe.in.net.pl. Pamiętaj aby nie podawać nikomu swojego hasła! Instrukcja połączenia PPPoE w Windows XP WAŻNA INFORMACJA

INFO-NET.wsparcie. pppoe.in.net.pl. Pamiętaj aby nie podawać nikomu swojego hasła! Instrukcja połączenia PPPoE w Windows XP WAŻNA INFORMACJA Instrukcja połączenia PPPoE w Windows XP W celu ułatwienia konfiguracji połączenia w przyszłości, w poniższe pola można przepisać nazwę użytkownika (login) i hasło do połączenia, które otrzymali Państwo

Bardziej szczegółowo

Excel wykresy niestandardowe

Excel wykresy niestandardowe Excel wykresy niestandardowe Uwaga Przy robieniu zadań zadbaj by każde zadanie było na kolejnym arkuszu, zadanie na jednym, wykres na drugim, kolejne zadanie na trzecim itd.: Tworzenie wykresów Gantta

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Memeo Instant Backup Podręcznik Szybkiego Startu

Memeo Instant Backup Podręcznik Szybkiego Startu Wprowadzenie Memeo Instant Backup pozwala w łatwy sposób chronić dane przed zagrożeniami cyfrowego świata. Aplikacja regularnie i automatycznie tworzy kopie zapasowe ważnych plików znajdujących się na

Bardziej szczegółowo

Uruchom polecenie z menu Wstaw Wykres lub ikonę Kreator wykresów na Standardowym pasku narzędzi.

Uruchom polecenie z menu Wstaw Wykres lub ikonę Kreator wykresów na Standardowym pasku narzędzi. Tworzenie wykresów w Excelu. Część pierwsza. Kreator wykresów Wpisz do arkusza poniższą tabelę. Podczas tworzenia wykresów nie ma znaczenia czy tabela posiada obramowanie lub inne elementy formatowania

Bardziej szczegółowo

Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy)

Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy) Wykład 3. Metody opisu danych (statystyki opisowe, tabele liczności, wykresy ramkowe i histogramy) Co na dzisiejszym wykładzie: definicje, sposoby wyznaczania i interpretacja STATYSTYK OPISOWYCH prezentacja

Bardziej szczegółowo

TABELE WIELODZIELCZE

TABELE WIELODZIELCZE TABELE WIELODZIELCZE W wielu badaniach gromadzimy dane będące liczebnościami. Przykładowo możemy klasyfikować chore zwierzęta w badanej próbie do różnych kategorii pod względem wieku, płci czy skali natężenia

Bardziej szczegółowo

Wykład 4: Wnioskowanie statystyczne. Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA

Wykład 4: Wnioskowanie statystyczne. Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA Wykład 4: Wnioskowanie statystyczne Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA Idea wnioskowania statystycznego Celem analizy statystycznej nie jest zwykle tylko

Bardziej szczegółowo

Access - Aplikacja. Tworzenie bazy danych w postaci aplikacji

Access - Aplikacja. Tworzenie bazy danych w postaci aplikacji Tworzenie bazy danych w postaci aplikacji Access - Aplikacja 1. Otwórz plik zawierający bazę danych Wypożyczalni kaset video o nazwie Wypożyczalnia.mdb. 2. Utworzy kwerendę, która wyświetli tytuły i opisy

Bardziej szczegółowo

Eksploracja Danych. wykład 3. Sebastian Zając. 5 kwietnia 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia / 21

Eksploracja Danych. wykład 3. Sebastian Zając. 5 kwietnia 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia / 21 Eksploracja Danych wykład 3 Sebastian Zając WMP.SNŚ UKSW 5 kwietnia 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia 2017 1 / 21 Struktura Danych Rozpatrzmy zbiór danych: Sebastian Zając

Bardziej szczegółowo

Tworzenie tabeli przestawnej krok po kroku

Tworzenie tabeli przestawnej krok po kroku Tabele przestawne Arkusz kalkulacyjny jest narzędziem przeznaczonym do zapisu, przechowywania i analizy danych. Jeśli w arkuszu zamierzamy gromadzić dane o osobach i cechach je opisujących (np. skąd pochodzą,

Bardziej szczegółowo

Wahadło. Celem ćwiczenia jest zapoznanie się z zasadą dokonywania wideopomiarów w systemie Coach 6 oraz obserwacja modelu wahadła matematycznego.

Wahadło. Celem ćwiczenia jest zapoznanie się z zasadą dokonywania wideopomiarów w systemie Coach 6 oraz obserwacja modelu wahadła matematycznego. 6COACH38 Wahadło Program: Coach 6 Projekt: komputer H : C:\Program Files (x86)\cma\coach6\full.en\cma Coach Projects\PTSN Coach 6\Wideopomiary\wahadło.cma Cel ćwiczenia Celem ćwiczenia jest zapoznanie

Bardziej szczegółowo

System Informatyczny CELAB. Obsługa sprzedaży detalicznej krok po kroku

System Informatyczny CELAB. Obsługa sprzedaży detalicznej krok po kroku Instrukcja obsługi programu 2.22 Obsługa sprzedaży detalicznej - krok po kroku Architektura inter/intranetowa Aktualizowano w dniu: 2009-12-28 System Informatyczny CELAB Obsługa sprzedaży detalicznej krok

Bardziej szczegółowo

INSTRUKCJA. Konfiguracja skrytki na platformie epuap dla potrzeb rekrutacji na studia w Uniwersytecie Jagiellońskim

INSTRUKCJA. Konfiguracja skrytki na platformie epuap dla potrzeb rekrutacji na studia w Uniwersytecie Jagiellońskim INSTRUKCJA Konfiguracja skrytki na platformie epuap dla potrzeb rekrutacji na studia w Uniwersytecie Jagiellońskim Każdy użytkownik, w momencie zakładania swojego konta epuap, otrzyma domyślnie skonfigurowaną

Bardziej szczegółowo

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Prezentacja materiału statystycznego Szeroko rozumiane modelowanie i prognozowanie jest zwykle kluczowym celem analizy danych. Aby zbudować model wyjaśniający relacje pomiędzy różnymi aspektami rozważanego

Bardziej szczegółowo

ANALIZY WIELOZMIENNOWE

ANALIZY WIELOZMIENNOWE ANALIZY WIELOZMIENNOWE ANALIZA REGRESJI Charakterystyka: Rozszerzenie analizy korelacji o badanie zależności pomiędzy wieloma zmiennymi jednocześnie; Podstawowe zastosowanie (ale przez nas w tym momencie

Bardziej szczegółowo

Spis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych

Spis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych 1 Laboratorium III: Testy statystyczne Spis treści Laboratorium III: Testy statystyczne... 1 Wiadomości ogólne... 2 1. Krótkie przypomnienie wiadomości na temat testów statystycznych... 2 1.1. Weryfikacja

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Zmiany w programie LOKALE dotyczące sposobów naliczania opłat miesięcznych

Zmiany w programie LOKALE dotyczące sposobów naliczania opłat miesięcznych Zmiany w programie LOKALE dotyczące sposobów naliczania opłat miesięcznych Spis treści 1 Tworzenie taryf globalnych...2 2 Tworzenie cen przedziałowych...3 2.1 Naliczanie od osoby (lub od powierzchni lokalu,

Bardziej szczegółowo

MODELE LINIOWE. Dr Wioleta Drobik

MODELE LINIOWE. Dr Wioleta Drobik MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą

Bardziej szczegółowo

Jak sprawdzić normalność rozkładu w teście dla prób zależnych?

Jak sprawdzić normalność rozkładu w teście dla prób zależnych? Jak sprawdzić normalność rozkładu w teście dla prób zależnych? W pliku zalezne_10.sta znajdują się dwie zmienne: czasu biegu przed rozpoczęciem cyklu treningowego (zmienna 1) oraz czasu biegu po zakończeniu

Bardziej szczegółowo

Instrukcja do konfiguracji sieci WiFi w Akademii Leona Koźmińskiego dla systemu Windows XP

Instrukcja do konfiguracji sieci WiFi w Akademii Leona Koźmińskiego dla systemu Windows XP Instrukcja do konfiguracji sieci WiFi w Akademii Leona Koźmińskiego dla systemu Windows XP W celu podłączenia się do sieci WiFi ALK przeznaczonej dla studentów lub wykładowców w systemie Windows XP należy

Bardziej szczegółowo

STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE

STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE CECHY mogą być: jakościowe nieuporządkowane - skala nominalna płeć, rasa, kolor oczu, narodowość, marka samochodu,

Bardziej szczegółowo

Podręcznik użytkownika. Instrukcje

Podręcznik użytkownika. Instrukcje Podręcznik użytkownika W podręczniku użytkownika opisane są najważniejsze, podstawowe zasady pracy w programie. W celu zapoznania się z bardziej szczegółowym opisem, należy zapoznać się z dalszymi instrukcjami.

Bardziej szczegółowo

Po naciśnięciu przycisku Dalej pojawi się okienko jak poniżej,

Po naciśnięciu przycisku Dalej pojawi się okienko jak poniżej, Tworzenie wykresu do danych z tabeli zawierającej analizę rozwoju wyników sportowych w pływaniu stylem dowolnym na dystansie 100 m, zarejestrowanych podczas Igrzysk Olimpijskich na przestrzeni lat 1896-2012.

Bardziej szczegółowo

Andrzej Frydrych SWSPiZ 1/8

Andrzej Frydrych SWSPiZ 1/8 Kilka zasad: Czerwoną strzałką na zrzutach pokazuje w co warto kliknąć lub co zmieniłem oznacza kolejny wybierany element podczas poruszania się po menu Ustawienia strony: Menu PLIK (Rozwinąć żeby było

Bardziej szczegółowo

IBM SPSS Statistics Wersja 23. Konfigurowanie ułatwień dostępu

IBM SPSS Statistics Wersja 23. Konfigurowanie ułatwień dostępu IBM SPSS Statistics Wersja 23 Konfigurowanie ułatwień dostępu Spis treści Oprogramowanie technologii pomocniczych............ 1 Oprogramowanie dla systemu Windows....... 1 Oprogramowanie dla systemu Mac

Bardziej szczegółowo

TABELE I WYKRESY W EXCELU I ACCESSIE

TABELE I WYKRESY W EXCELU I ACCESSIE TABELE I WYKRESY W EXCELU I ACCESSIE 1. Tabele wykonane w Excelu na pierwszych ćwiczeniach Wielkość prób samce samice wiosna/lato 12 6 jesień 6 7 zima 10 9 Średni ciężar osobnika SD ciężaru osobnika samce

Bardziej szczegółowo

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji, współczynnik korelacji wielorakiej. Paweł Cibis

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji, współczynnik korelacji wielorakiej. Paweł Cibis Regresja liniowa, współczynnik zmienności, współczynnik korelacji, współczynnik korelacji wielorakiej Paweł Cibis pcibis@o2.pl 9 marca 2006 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa wzory

Bardziej szczegółowo

Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych)

Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Funkcja uwikłana (równanie nieliniowe) jest to funkcja, która nie jest przedstawiona jawnym przepisem, wzorem wyrażającym zależność wartości

Bardziej szczegółowo

Jak posługiwać się edytorem treści

Jak posługiwać się edytorem treści Jak posługiwać się edytorem treści Edytor CKE jest bardzo prostym narzędziem pomagającym osobom niezaznajomionym z językiem HTML w tworzeniu interaktywnych treści stron internetowych. Razem z praktyka

Bardziej szczegółowo

Analiza Statystyczna

Analiza Statystyczna Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza

Bardziej szczegółowo

Zawartość. Wstęp. Moduł Rozbiórki. Wstęp Instalacja Konfiguracja Uruchomienie i praca z raportem... 6

Zawartość. Wstęp. Moduł Rozbiórki. Wstęp Instalacja Konfiguracja Uruchomienie i praca z raportem... 6 Zawartość Wstęp... 1 Instalacja... 2 Konfiguracja... 2 Uruchomienie i praca z raportem... 6 Wstęp Rozwiązanie przygotowane z myślą o użytkownikach którzy potrzebują narzędzie do podziału, rozkładu, rozbiórki

Bardziej szczegółowo

Jak ciężka jest masa?

Jak ciężka jest masa? "Masa jest nie tylko miarą bezwładności, posiada również ciężar". Co oznacza, że nie tylko wpływa na przyspieszenie pod wpływem siły, ale powoduje, że gdy znajduje się w polu grawitacyjnym Ziemi, doświadcza

Bardziej szczegółowo

Karty pracy. Ustawienia. W tym rozdziale została opisana konfiguracja modułu CRM Karty pracy oraz widoki i funkcje w nim dostępne.

Karty pracy. Ustawienia. W tym rozdziale została opisana konfiguracja modułu CRM Karty pracy oraz widoki i funkcje w nim dostępne. Karty pracy W tym rozdziale została opisana konfiguracja modułu CRM Karty pracy oraz widoki i funkcje w nim dostępne. Ustawienia Pierwszym krokiem w rozpoczęciu pracy z modułem Karty Pracy jest definicja

Bardziej szczegółowo

Bazy danych Karta pracy 1

Bazy danych Karta pracy 1 Bazy danych Karta pracy 1 Bazy danych Karta pracy 1 1. Utwórz katalog Bazy danych służący do przechowywania wszelkich danych dotyczących kursu. 2. W katalogu Bazy danych stwórz podkatalog BD1 służący jako

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Kancelaria 2.19 - zmiany w programie czerwiec 2011

Kancelaria 2.19 - zmiany w programie czerwiec 2011 1. Finanse, opcje faktur a. Wprowadzono nowe szablony numerowania faktur: nr kolejny w roku/miesiąc/rok, numer kolejny w miesiącu/miesiąc/rok oraz numer kolejny w roku/dowolny symbol/rok. b. Wprowadzono

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

Jak korzystać z przeglądarki danych ESS SoftReport

Jak korzystać z przeglądarki danych ESS SoftReport Jak korzystać z przeglądarki danych ESS SoftReport Instalacja 1. Do korzystania z przeglądarki konieczne jest zainstalowanie programu ESS SoftReport. W tym celu należy wejść na stronę internetową http://www.ifispan.waw.pl/ess

Bardziej szczegółowo

Kurs obsługi CMS. 1. Dodawanie kolejnych podstron 2. Obsługa wielojęzycznej witryny

Kurs obsługi CMS. 1. Dodawanie kolejnych podstron 2. Obsługa wielojęzycznej witryny Kurs obsługi CMS 1. Dodawanie kolejnych podstron 2. Obsługa wielojęzycznej witryny Niewątpliwie ogromną zaletą Joomla jest fakt, że z każdego newsa można zrobić kolejną podstronę i na odwrót. Wszystkie

Bardziej szczegółowo

Komputery I (2) Panel sterowania:

Komputery I (2) Panel sterowania: Komputery I (2) Paweł Jamer Panel sterowania: Podstawowym miejscem z którego zarządzamy ustawieniami systemu Windows jest panel sterowania. Znaleźć tam możemy wszelkiego rodzaju narzędzia umożliwiające

Bardziej szczegółowo

Ćw. IV. Tabele przestawne

Ćw. IV. Tabele przestawne Ćw. IV. Tabele przestawne Przykład 1. Dysponujemy raportem w formacie tabeli (Arkusz: Tabele Przestawne ) o trzech kolumnach zawierających: nazwę produktu, kategorie, do której produkt ten należy, oraz

Bardziej szczegółowo

Dla tego magazynu dodajemy dokument "BO remanent", który definiuje faktyczny, fizyczny stan magazynu:

Dla tego magazynu dodajemy dokument BO remanent, który definiuje faktyczny, fizyczny stan magazynu: Remanent w Aptece Spis treści 1 Omówienie mechanizmu 2 Dokument BO jako remanent 2.1 Dodawanie dokumentu 2.2 Generowanie pozycji remanentu 2.3 Generowanie stanów zerowych 2.4 Raporty remanentowe 3 Raport

Bardziej szczegółowo

Graficzna prezentacja danych statystycznych

Graficzna prezentacja danych statystycznych Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych Katowice, 12 i 26 czerwca 2014 r. Dopasowanie narzędzia do typu zmiennej Dobór narzędzia do

Bardziej szczegółowo

Organizacja edytora danych

Organizacja edytora danych Organizacja edytora danych Edytor danych pakietu SPSS wygląda podobnie do arkusza kalkulacyjnego. Poszczególne obserwacje (np. osoby badane) są wyświetlane w kolejnych wierszach, a kolumny odpowidają zmiennym.

Bardziej szczegółowo

Instrukcja instalowania aplikacji TNS mobistat. Smartfon Android. Help Desk helpdesk@mobistat.pl +48 504 129 635

Instrukcja instalowania aplikacji TNS mobistat. Smartfon Android. Help Desk helpdesk@mobistat.pl +48 504 129 635 Instrukcja instalowania aplikacji TNS mobistat Smartfon Android Help Desk helpdesk@mobistat.pl +48 504 129 635 Kilka uwag ogólnych W razie gdy mamy wątpliwości czy któryś z elementów ścieżki badania działa

Bardziej szczegółowo

INSTRUKCJA OBSŁUGI PROGRAMU LOGGER PRO

INSTRUKCJA OBSŁUGI PROGRAMU LOGGER PRO CENTRUM NAUCZANIA MATEMATYKI I FIZYKI 1 LABORATORIUM FIZYKI INSTRUKCJA OBSŁUGI PROGRAMU LOGGER PRO 1. Wprowadzanie danych. 2. Dokonywanie obliczeń zestawionych w kolumnach. 3. Tworzenie wykresu. 4. Dopasowanie

Bardziej szczegółowo

Gimnastyka artystyczna

Gimnastyka artystyczna Gimnastyka artystyczna Zbadano losową próbę N=40 dziewcząt i chłopców z klas o profilu ogólnym i sportowym pod kątem ich ogólnej sprawności fizycznej ocenianej na skali Hirscha (od 0 do 20 pkt.), gdzie

Bardziej szczegółowo

Zadanie 1. Plik Nowy Kod. lub naciskając ikonę Nowy kod (jak na rysunku) Tworzymy bibliotekę o nazwie lab wpisując instrukcję

Zadanie 1. Plik Nowy Kod. lub naciskając ikonę Nowy kod (jak na rysunku) Tworzymy bibliotekę o nazwie lab wpisując instrukcję Zadanie 1 Plik Nowy Kod lub naciskając ikonę Nowy kod (jak na rysunku) Tworzymy bibliotekę o nazwie lab wpisując instrukcję libname nazwa biblioteki lokalizacja na dysku ; np. libname lab 'N:\sas2007\';

Bardziej szczegółowo

Przy dokonywaniu analiz ekonomicznych, np. sprzedażowych, bardzo

Przy dokonywaniu analiz ekonomicznych, np. sprzedażowych, bardzo Sprawdź, jak możesz przewidzieć wartość sprzedaży w nadchodzących okresach Prognozowanie w Excelu Systemy informatyczne w zarządzaniu 13/01 Przy dokonywaniu analiz ekonomicznych, np. sprzedażowych, bardzo

Bardziej szczegółowo

Sposoby opisu i modelowania zakłóceń kanałowych

Sposoby opisu i modelowania zakłóceń kanałowych INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń

Bardziej szczegółowo