PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU Nr 7 (1207) TAKSONOMIA 15 Klasyfikacja i analiza danych - teoria i zastosowania.
|
|
- Juliusz Wójcik
- 8 lat temu
- Przeglądów:
Transkrypt
1 PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU Nr 7 (1207) 2008 TAKSONOMIA 15 Klasyfikacja i analiza danych - teoria i zastosowania Marek Walesiak Uniwersytet Ekonomiczny we Wrocławi PROCEURA ANALIZY SKUPIEŃ Z WYKORZYSTANIEM PROGRAMU KOMPUTEROWEGO CLUSTERSJ:M I ŚROOWISKA R l. Wstęp W analizie skpień wyodrębnia się siedem etapów (por. np. [Mi11igan 1996, s ; Walesiak 2005]): wybór obiektów i zmiennych, wybór formły normalizacji wartości zmiennych, wybór miary odległości, wybór metody klasyfikacji, stalenie liczby klas, ocena wyników klasyfikacji, opis (interpretacja) i profilowanie klas. W artykle scharakteryzowane zostaną fnkcje pomocnicze pakiet clstersim 1 oraz wybrane fnkcje pakietów stats, clster ade4, słżące poszczególnym etapom analizy skpień. Ponadto zaprezentowane zostaną przykładowe składnie poleceń (procedry) łatwiające potencjalnem żytkownikowi realizację wiel zagadnień klasyfikacyjnych niedostępnych w podstawowych pakietach statystycznych (np. SPSS, Statistica, S-Pls, SAS). 2. Etapy w analizie skpień oraz pakiety i fnkcje program R W tab. l pokazano wybrane pakiety i fnkcje program R wykorzystywane w poszczególnych etapach analizy skpień. Szczegółowo zostaną scharakteryzowane fnkcj e niezbędne z pnkt widzenia dalszych rozważań, zawarte w pakietach clstersim, stats, clster i ade4. l Zob. prace: [Walesiak, dek 2006; 2007a; 2007b; Walesiak 2006]. IssN ~8'39-~A9.t A >~ l S5N
2 45 Tabela l. Etapy w analizie skpień oraz fnkcje program R.Lp. Etapy w analizie skpień Wybrane pakiety i fnk<.:je program R l Wybór obiektów i zmiennych Pakiet clstersim (fnk<.:ja HINoV. Mod) 2 Wybór formły normaliza<.:ji wartości zmiennych Pakiet clstersim (fnk<.:ja data. Nonna.lization) 3 Wybór miary odległości Pakiet clstersim (fnkcjedist.bc, dist.gm, dist.sm) Pakiet stats (fnkcjadist) Pakiet ade4 (fnkcja dist.binary) 4 Wybór metody klasyfikacji Pakiet clster (fnkcja agnes, diana, pam) Pakiet stats (fnkcje kmeans, hc1st) Pakiet clstersim (fnkąia initial.centers) 5 Ustalenie liczby klas Pakiet clstersim (fnkcje index. Gl, index. G2, index.g3,index.s,index.kl,index.h, index.gap) 6 Ocena wyników klasyfikacji Pakiet clstersim (fnkcja replication. Mod) 7 Opis (inteq>retacja) i profilowanie klas Pakiet clstersim (fnkcja clster. escription) Etap 1. Wybór oeiektów i zmiennych do klasyfikacji Carmone, Kara i Maxwell [1999] zaproponowali herystyczną procedrę dobor zmiennych HINo V powiązaną z metodą k-średnich i skorygowanym indeksem Randa. Celem tej metody jest dobór mniejszej liczby zmiennych z pierwotnego zbior przez eliminację tych, które zakłócają istniejącą strktrę klas w badanej zbiorowości obiektów. W wynik zastosowania metody HINo V otrzymje się dla kazdej zmiennej jej wkład do istniejącej strktry klas. W pakiecie clstersim znajdje się fnkcja prezentjąca rozszerzoną wersję tej metody dla danych niemetrycznych i innych metod klasyfikacji (zob. tab. 2). Tabela 2. Składnia fnkcji HINoV Mod w pakiecie cls tersim HINoV. Mod (x, type=nmetric", s=2,, distance=null, method="kmeans, Index= cran" ) x macierz danych s tylko dla danych metrycznych: l - ilorazowe; 2 - interwałowe lb mieszane liczba klas (dla danych metrycznych) distance NULL dla metody kmeans i danych niemetrycznych dla danych ilorazowych: "dl" - Manhattan, "d2" - Eklidesowa, "d3"- Czehyszewa (max), "d4"-kwadrateklidesowej, "d5"-gml, "d6"-canberra, "d7"-brayai Crtisa dladanycb przedziałowych lb mieszanych: "dl", "d2", "d3", "d4", "d5" method NULL dla danych niemetrycznych metoda klasyfikacji: "kmeans" (defalt), "single", "complete", "average", ''mcqitty'', ''median'', "centroid", ''Ward'', "pam" Index "cran" - sk!>i'ygowany indeks Randa, "RAN" - indeks Randa
3 46 Tabela 30 Fonnły nonnalizacyjne dla danych metrycznych Skalapcmiar. Nr Nazwa fonnły Fonnła 00 Inrzerl po: no Bez nonnalizaqi ilorazowa i(lb) ni Standaryzacja zii =(x-x)/sj ilorazowa i(lb) prz.edzjałowa p:młliałowa n2 Standaryzacja 0 zij =(x-mej/l,4826 MAj ilorazowa i(lb) prz.edzjałowa Webera ~ n3 Unitaryzacja zij =(x-xj )/1j ilorazowa i(lb) prz.ed:z1ałowa p.ed:ziałowa n4 Unitaryzacja zerowana zif =[xif -m:n {Xij}Jjrj ilorazowai (lb) przedziałowa p.ed:ziałowa n5 Nonnalizacja zij =(xif - xj )/m;lx - Xjl ilorazowai (lb) przedziałowa p.ed:ziałowa w przedziale f-lo l] n6 Przekształcenia Z =xv/sj ilorazowa ilorazowa r?i ilorazowe zlj =x/rj ilorazowa ilorazowa na zij =x/m;{x} ilorazowa ilorazowa "-n9 zif =xlj/xj ilorazowa iloormwa Ini0 I nll Z =X,JI.;=lX U zij =xjji.;=ix~ ilorazowa ilorazowa iloormwa ilorazowa XIj(Zif) -~(:znmnaii2owana wmtość)j-tęj zmiennej d1ai-tegoobit"kl, xj (Sj' r) -&ahńa(odhyltnieslandar OOwe,fC1l.SIq»dIaj-tęj mliennej, MeAMAj ) -mooiana(medianowe<xk:hyleniebelwzgl~)diaj-tęj zmiennejo Tabela 4. Składnie fnkcji pozwalających obliczać miary odległości dla danych meliycznych i niemeliyc2ilych dist.gm (x, method= GM1 " ) - fnkcja obliczającamacien odległości wedłg miary OM (rob. Walesiak [2006]), gdzie x - macien danych, OMI - miara odległości OM dla danych metrycznych, OM2 - dla danych pon:ąpkowych dist.be (x) - fnkcja obliczającamacien odległości wedłg fonnły Bmya-Cttisa dla zmiennych ilom:ro~h dist. SM (x) - fnkcja obliczającamacien odległości wedłg miary Sokala-Michenera dla zmiennych nominalnych dist(x, method=" eclidean", p = 2) x macien danych lb obiekt" dist n method miara odległości: "eclidean n (odległość eklidesowa), "maximmn, "manhattan, "canberra", "binary", "minkowski" p lpotęgadlaodległości "minkowski n dist.binary(df, method = NULL) df macien danych zawierająca wartości dodatnie lb zera. Używana z fnkcjąas matrix( 1 * (df > O» method liczba od l do 10 oznaczająca fonnłę odległości d =..11- s : 1 = Jaccard, 2 = Sokal & Michena-, 3 = Sokal & Sneath (l), 4 = Rogers & Tanimoto, 5 =Czekanowski, 6 =Gower & Legendre (l), 7 =Ochiai, 8 = Sokal & Sneath (2), 9 =Phi ofpearson, 10 =Gower & Legendre (2)
4 Tabela 5. Składnie fnkcji dla podstawowych metod klasyfikacji w środowisk R* A. Hierarchiczne metody aglomeracyjne hc1st(d, method = "comp1ete", members=null) d macierz; odległości method hierarchiczna metoda aglomeracyjna: "sing1e", "comp1ete", "ward","average", "mcqitty", "median", "centroid" members NULL or a vector with len~ size ofd B. Metoda k-średnich Janeans (x, centers, iter.max = lo, nstart = l, a1gorithm = c("hartigan- Wong", "L1oyd" I "Forgy", " MacQeen ") ) x macierz; danych centers początkowe środki ciężkości klas lb początkowa liczba klas iter.max maksymalna liczba iteracji nstart liczba losowych zbiorów danych, jeśli w centers podano liczbę klas a1gorithm stosowany algorytm C. Metoda k-medoid6w pam(x, k, diss = inherits(x, "dist"), metric = "ec1idean" I medoids = NULL, trace.1ev = O) x macierz; danych lb macierz; odległości k liczba klas diss dla TRUE x oznacza macierz odległości (domyślnie); dla FALSE - macierz; danych metric miara odległości (x o:znaczamacierz danych): "eclidean", "manhattan" medoids NULL (domyślnie) lb wektor zawierający początkowe medoidy trace.1ev zawartość drkowanych informacji w róinych fzach a1goiytm: O(domyślnie) - bez drkowania; wy2sza liczba oznacza więcej drkowanych informacji. Hierarchiczne metody aglomeracyjne agnes(x, diss = inherits(x, "dist") I metric = "eclidean" I method = "average", par.method) method metoda klasyfikacji: average I single" I "comp1ete, "ward", "weighted" I "f1exib1e" par.method wektor zawierający parametry dla metody "flexible" (1, 3 lb 4) E. Hierarchiczna metodadeglomeracyjna diana (x, diss = inherits(x, "dist"), metric = "ec1idean" ).. * OpiS mektórych fnkcji zawiera podstawowe argmenty. Etap 2. Wybór fonnły nonnalizacji wartości zmiennych Normalizację wartości zmiennych przeprowadza się w pakiecie cistersim z wykorzystaniem fnkcji data. Normalization (x, type= "no"), gdzie x oznacza macierz danych, a type - typ fonnły nonnalizacyjnej z tab. 3. Etap 3. Wybór miary odległości Podstawowe miary odległości, zależnione od skali pomiar zmiennych, za warte są w pakietach cistesim, s tats i ade4 (zob. tab. 4). Etap 4. Wybór metody klasyfikacji Najczęściej wykorzystywane w badaniach empirycznych metody klasyfikacji znajdją się w pakietach stats i cister (zob. tab. 5). 47
5 48 Tabela 6. Indeksy oceny jakości klasyfikacji słżące wyborowi liczby klas KI)tlriIm \\)łxx Nazwa iixld<rl Famła Skb:lnia lunkqi lic:zl:rykłls fi ~iharal:m?a index.g1 (x,el) argmax{gl()} x - mocie1zdan)dl Gl() = B /( -1) el - wddcr Iiczbcallcowit)d1 in&rnqją:ycho~ W,J(n-) obieldów 00 klas Bakaai HWez1a index.g2(d,el) argmax {G2()} d - mocie1zodlegkb;i G2() =s(+)-s(-). s(+)+s(-) Hb::I1a ilevine'a index.g3(d,el) arg min {G3()} () - r If1in G3() = r mar. -r min SiJInJdIe S()=.!.:t b(i)-.a(i). n i=1 max{a(i);b(z)} index.s(d,el) argmax {S()} Krzaoo.vskiego ilai index.kl (x, elall) argmax{kl()} elall - trzywddaylic:zbcalkowit)dl~o~ KL() = IIFF" l1iiiemici obiekiów00 kłls wp:xfzia\e na -l, i + l IFF,,+II klas /FF" =( -1)2/mW_1 _2/mw. Hanigma index.h (x,elall) ~,dia elall - dwaweklaylic:zbcallcowit)d1~o ~H()~lO H(U)=( W -l}n--l) ~obiekiówooklaswp:xfzia\ena i + 1 klas WU+1 Gap index.gap (x, elall, refer- ~,dia l B enee.distribtion="nif", B=IO, k!órejjl dijju ~ O Gap() = - 2)ogW b -logw method="pam" ) B b=1 dijju =Gap() - Gap( + 1) + s+1 elall-dwawektay lic:zbcalkrnlitydl ~OJll7łf" Icżno:ś:i obiekiów00klas wp:xfzia\ena i + l klas reference.distribtian-!pooob~~ s=sd,b+l/b ąjina7liliemycbzrozkłdj~ (nif, pc) sd -odd!y\enie5tlooaitbwezwarta ci B=IO-lic:Ih!~2biaów <b3eiwaąji {logw b } method-melodakmyfikaąji (ward, single, carplete, average, maqitty, median, centroid, pam, k-means) B - maciea kowariancji mi~<;j, W - maciea kowariancji ~<;j, II" - ślad macielzy, B (W) = trb. (trw.), r,s =l,... -mnner klasy, -liczbaklas, i.k = 1,... n -m.nerobiekt,n-liczbaobiekt6w,m Iiczhl2mic:mych, s(+) -liczba par <XIIegł<ś::i zgodnych, s(-) -liczba par <XIIegł<ś::i niezgodnych, () - sma wszysddch odjo. głości wewną!l:7.klasow r - 1iC2bl odieghści w~ If1in (""",) -lii!imniejsza (nąjwiększa) odiegio ć wcwnątrzkiasowa, a(i) = L ducj(n r -1) - średnia odlegiość obiekt i od pcrzalibiych obielcrów nale2ą:)d1 00 klasy p'; ke{p,li} b(i) = min{dip.} ' (lip. = LdUcjn. -średnia~obiektiodobielcrównaldą:ychdoklasy p., B -liczbagajet"os~r ', kep' wanych zbiaów obscrwaąji. Źródło: opracowanie własne na podstawie prac: [Caliński, Harabasz 1974; Hbert 1974; Milligan, Cooper 1985; Kafinan, Rosseew 1990; Hartigan 1975; Tibshirani, Walther, Hastie 2001].
6 la metody k-średnich początkowe środki ciężkości klas można stalić za pomocą fnkcji initial.centers (x, k) w pakiecie clstersim (xmacierz danych, k -liczba klas). Etap 5. Ustalenie liczby klas Charakterystykę siedmi indeksów jakości klasyftkacji dostępnych w pakiecie clstersim, a słżących wyborowi liczby klas, zawiera tab. 6. Etap 6. Ocena wyników klasyfikacji Procedra słżąca ocenie wyników klasyflkacji (analiza replikacji - zob. prace: [Breckenridge 2000; Walesiak 2007]) zawarta jest w pakietach clstersim (zob. tab. 7). Replikacja dotyczy przeprowadzenia proces klasyfikacji zbior obiektów na podstawie dwóch prób wylosowanych z danego zbior danych, a następnie ocenie zgodności otrzymanych rezltatów. Poziom zgodności wyników dwóch podziałów (skorygowany indeks Randa) odzwierciedla poziom stabilności przeprowadzonej klasyfikacji zbior obiektów. Tabela 7. Analiza replikacji z wykorzystaniem fnkcji replication. Mod pakiet cls ter8im replication.mod(x, v="m n, =2, centrotypes="centroids', normalization=null, distance=null, method="kmeans, 8=10, fixedasample=null) x macierz danych v typ danych: metryczne ("r" - ilorazowe, "i"- przedziałowe, "m" - mieszane), niemetryczne ("o".11. we,"nlt nominalne wie1ostanowe, "b" binarne) Hczbak\as centrotypes "centroids", ''medoids'' normalization fonnłyn 'na dla dan~m~cznych no -nll distance NULL dla metody k-średnich ("kmeans"), dla danych ilorazowych: "dl" - Manhattan, "d2" - Eclidean, "d3" - Chebychev (max.), "d4"-sqaredeclidean, "d5"-gmi, "d6"-canberra, "d7"-bmy-crtis dladanychprz.edziałowych i mieszanych: "dl", "d2", "d3", "d4", "d5" dla danych potządkowych: "ds" - GM2 dla danych nominalnych wielostanowych: "d9" - Sokal & Michener dla danych binarnych: "bl" =Jaccard; "b2" = Sokal & Michener; ''b3'' =Sokal & Sneath (I); ''b4'' = Rogers & Tanimoto; ''b5'' = Czekanowski; ''b6'' =Gower & Legendre (1); ''b7'' = Ochiai; ''bs'' =Sokal & Sneath (2); ''b9'' =Phi ofpearson; "blo" =Gower & Legendre (2) method metoda kl~i (zob._etap 4) S liczba symlaqji nmery obiektów dobrane losowo do podzbior A (NULL) lb nmery obiektów d0 fixedasample brane arbitralnie do ~ior A Źródło: opmcowanie własne.. Etap 7. Opis (interpretacja) i promowanie klas o wyznaczenia charakterystyk poszczególnych klas można wykorzystać z pakiet clstersim ftmk~ę clster.escription{x, ci, SdType= II sample II ) Fnkcja ta oblicza osobno dla każdej klasy i zmiennej z stalo 49
7 50 nego podział zbior obiektów na klasy cl następjące statystyki opisowe: średnia arytmetyczna (1), odchylenie standardowe (2), mediana (3), medianowe odchylenie bezwzględne (4), dominanta (5) (dla zmiennych nominalnych i porządkowych, jeśli występje więcej wartości o maksymalnej częstości występowania zwracana jest wartość "N.A."). W odchyleni standardowym w mianownik występje n-1 dla próby (sdtype= II sample ") i n dla poplacji (sdtype= II poplation"). 3. Przykładowe składnie poleceń z wykorzystaniem wybranych fnkcji program R Za pomocą dwwymiarowej zmiennej losowej o rozkładzie normalnym wygenerowano po 40 obserwacji dla trzech skpień o wydłżonym kształcie. Przyjęto o o li c,"",!!,~'" ~."".,:,,~ '~< 'n \fo o.. O"'!o.~... ~ 80 ł~ '.y. O it. ~: o.'':, -2 O Rys obserwacji pięci zmiennych w kładach dwwymiarowych
8 Przykład 2 > library(clster) > libra~(clstersim) > x <- read. csv2 ("dane. csv", header=true, row.names=l) > x <- as.matrix(x) > x <- as.data.frame(x) > rl <- HINoV.Mod(x, type="metric", s=2, 3, distance= "d4 ", method= "pam", Index= "cran" ) > options (Otec = ",") > plot(rl$stopri[,2},type="b", pch=o, xlab="nmer zmiennej", ylab="topri ", xaxt= "n" ) > axis(l,at=c(l:max(rl$stopri[,l})),labels=rl$stopri[,l}) następjące wektory wartości oczekiwanych dla skpień (O, O), (2, 3), (4; 6) oraz identyczne macierze kowariancji 1; (Uli =l, jl =-0,9). o analizy wprowadzono dodatkowe trzy zmienne zakłócające istniejącą w kładzie dwwymiarowym strktrę klas (tzw. noisy variabies). Po 120 obserwacji na tych zmiennych wygenerowano niezależnie z rozkład jednostajnego (zob. rys. 1). o wygenerowania danych wykorzystano fnkcję clster. Gen pakiet clstersim z nastc(pjącąskładniąpoleceń (zob. przykład l). Przykład 1 > library(clstersim) > means <- matrix(c(o,2,4,o,3,6),3,2) > cov <- matrix(c(l,-o.9,-o.9,l),2,2) > gr.nd <- clster.gen(nmobjects=40, means=means, cov=cov, model=2, nmnoisyvar=3) > colornames <- c("red", "ble", "green") > grnd$clsters[grnd$clsters==o}<-length(colornames) > plot (grnd$data, col=colornames[grnd$clsters}) > write.table(grnd$data, file="f:/dane.csv", sep=";", dec=", ") W składni poleceń w przykładzie 2 do snięcia zmiennych zakłócających strktrę klas zastosowano metodę HINo V z następjącymi parametrami (liczba klas: 3, miara odległości: kwadrat odległości eklidesowej d4, metoda klasyfikacji: paro). 51 wwynik zastosowania tej procedry otrzymje się wykres osypiska (rys. 2).
9 52 0 ~ " NIm.rzmiennej Rys. 2. Wykres osypiska Na podstawie wykres osypiska zmienne o nmerach 3, 4 i 5, zakłócające istniejącą w kładzie dwwymiarowym strktrę klas, zostają snięte za pomocąmetody HINo V. W składni poleceń w przykładzie 3 przyjęto następjące założenia: - obserwacje na zmiennych poddano standaryzacji Webera (n2), do pomiar odległości między obiektami zastosowano kwadrat odległości eklidesowej, do podział zbior 120 obiektów opisanych zmiennymi VI i V2 na klasy zastosowano metodę k-medoidów (pam), liczbę klas stalono na podstawie indeks gap (index. Gap), za pomocą instrkcji write. table zapisjemy w plikach wartości "diff" słżące wyborowi liczby klas dla indeks gap, zaklasyfikowanie obiektów do klas ("c1stering") oraz wartości podstawowych parametrów infonnjących o otrzymanych klasach obiektów ("clsinfo"). Przykład 3 > library(clstersim) > library(clster) > x <- read.csv2("c:/ane_120x2.csv", header=true, row.names=l) > x <- as.matrix(x) > z <- data.nonnalization (x, type="n2")
10 53 > z <- as.data.frame(z) > d <- dist(z, method="eclidean")"'2 > min_liczba_klas=l > max_liczba_klas=15 > min<- O > wyniki<- array(o,c(max_liczba_klas-min_liczba_klas+l, 2)) > wyniki[,ll<- min_liczba_klas:max_liczba_klas > znaleziono<-false > for (liczba_klas in min_liczba_klas:max_liczba_klas) > ( > ell <- pam(d, liczba_klas, diss = TRUE) > cl2 <- pam(d, liczba_klas+l, diss = TRUE) > clall<- cbind(cll$clstering,cl2$clstering) > sink(file="tymczasowy. txt") > Gap <- index.gap(z, clall, reference.distribtion = "pc", B=l O, method= "pam" ) > wyniki[liczba_klas - min_liczba_klas+l,21<-diff<print(gap$diff) > sink() > if ((wyniki[liczba_klas - mi~liczba_klas+l,21>=o) && (!znaleziono)) > { > lk<- liczba_klas > min<-diff > clopt<-cll$clster > wyn<-cll$clsinfo > znaleziono<-true > J > J > if (znaleziono) > { > print (paste ("minimalna liczba klas dla diff>=o wyno si", lk, "dla diff=",min)) > Jelse > { > print ("Nie znalazłem klasyfikacji, dla której diff>=o") > J > write.table(wyniki, file="diff.csv", sep=";", dee=", ", row.names=true, col.names=false) > write.table(clopt, file="clstering.csv", sep=";", dee=", ", row. names=true, col. names=false)
11 54 > write. table(wyn, file="clsinfo.csv", sep=";", dec=", ", row. names=true, col. names=true) > options (Otec = ",") > plot (wyniki, type="p", pch=o, xlab="liczba klas", ylab= "diff", xaxt="n") > abline(h=o, ntf = FALSE) > axis(l,c(min_liczba_klas:max_liczba_klas)) W wynik zastosowania tej procedry otrzymje się podział zbior 120 obiektów opisanych dwiema zmiennymi Xl i X2 na trzy klasy: [lj "minimalna liczba klas dla diff>=o wynosi 3 dla diff= 0, " "l o ci!." ~ o ~ a "l <;> Uczba klas Rys. 3. Graficzna prezentacja wartości indeks gap W przykładzie 4 przeprowadzono ocenę otrzymanych wyników klasyfikacji, wykorzystjąc fnkcję replication. Mod z pakiet clstersim. Przykład 4 > library(clstersim) > x <- read. csv2 ("ane_120x2. csv", header=true, row.names=l) > x <- as.matrix(x)
12 > options (Otec = ",") > w<- replication.mod(x, v="m", =3, centro- types= "centers", normalization= "n2", distance= "d4", method="pam", S=50) > print(w$crand) w wynik zastosowania tej procedry otrzymje się: [1] 0, Zatem wartość skorygowanego indeks Randa świadczy o wysokiej stabilności podział zbior 120 obiektów na trzy klasy. 4. Podsmowanie W artykle zaprezentowano siedem etapów typowej procedry analizy skpień, a następnie scharakteryzowano fnkcje pakietów clstersim, stats, clster i ade4 środowiska R słżących realizacji poszczególnych jej etapów. Ponadto przedstawiono przykładowe składnie poleceń (procedry) z wykorzystaniem analizowanych fnkcji, łatwiające potencjalnem żytkownikowi realizację wiel zagadnień klasyfikacyjnych niedostępnych w podstawowych pakietach statystycznych. 55 Literatra Breckenridge J.N. (2000), Validating Clster Analysis: Consistent Replication and Symmetry, "Ml tivariate Behavioral Research", 35 (2), s Caliński R.B., Harabasz J. (1974), A endrite Methodfor Clster Analysis, "Commnications in Sta tistics", vol. 3, s Cannone F.J., Kara A., Maxwell S. (1999), HINo V: a New Method to Improve Market Segment efini/ion by Identifying Noisy Variabies, "Joma1 of Marketing Research", November, vol. 36, s Hartigan J. (1975), Clstering Algorithms, Wiley, New York. Hbert L. (1974), Approximate Evalation Techniqefor the Single-link and Complete-link Hierarchical Clstering Procedres, "Jomal ofthe American Statistical Association", vol. 69, nr 347, s Kafman L., Rosseew P.J. 0990), Finding Grops in ata: an Introdction to Clster Analysis, Wiley, New York. Mi11igan G.W. (1996), Clstering Validation: Reslts and Implications for Applied Analyses, [w:] Clstering and Classijication, red. P. Arabie, L.J. Hbert, G. de Soete, World Scientific, Singapore, s Mi11igan G.W., Cooper M.C. (1985), An Examination ofprocedres ofetermining the Nmber of Clster in a ata Set,,,Psychometrika", vol. 50, nr 2, s R evelopment Core Team (2006), R: A Langage and Environment for Statistical Compting, R Fondation for Statistical Compting, Vienna, URL
13 56 Tibshirani R., Walther G., Hastie T. (2001), Estimating the Nmber ofclsters in a ata Set via the Gap Statistic, "Jomal ofthe Royal Statistical Society", ser. B, vol. 63, part 2, s Walesiak M. (2005), Rekomendacje w zakresie strategii postępowania w procesie klasyfikacji zbior obiektów, [w:] Przestrzenno-czasowe modelowanie i prognozowanie zjawisk gospodarczych, red. A. Zeliaś, AE, Kraków, s Walesiak M. (2006), Uogólniona miara odległości GM w programie kompterowym c/stersim dla środowiska R, [w:] Taksonomia 14, red. K. Jajga, M. Walesiak, Prace Nakowe Akademii Ekonomicznej we Wrocławi nr 1169, AE, Wrocław. Walesiak M., dek A. (2006), Symlacyjna optymalizacja wybor procedry klasyfikacyjnej dla danego typ danych - oprogramowanie kompterowe i wyniki badań, [w:] Taksonomia 13, red. K. Jajga, M. Walesiak, Prace Nakowe Akademii Ekonomicznej we Wrocławi nr 1126, AE, Wrocław, s Walesiak M., dek A. (2007a), Symlacyjna optymalizacja wybor procedry klasyfikacyjnej dla danego typ danych - charakterystyka problem, Zeszyty Nakowe Uniwersytet Szczecińskiego nr 450, s Walesiak M., dek A. (2007b), etermination ofoptimal Clstering Procedrefora ata Set, 30th Annal Conference of the German Classitication Society (GfKI) "Advances in ata Analysis", Berlin, March 8-10, Walesiak M. (2007), Ocena stabilności wyników klasy.fikacji z wykorzystaniem analizy replikacji, Prace Nakowe Akademii Ekonomicznej we Wrocławi (w przygotowani). CLUSTER ANAL YSIS PROCEURE WITH CLUSTZRSIM COMPUTER PROGRAMME AN R ENVIRONMENT Smmary The tirst part of the article presents major steps in a clster analysis procedre (see [Milligan 1996, ; Walesiak 2005]). The nex.t part presents the fnctions of clstersim, stats, clster, and ade4 packages ofr environment which are applied to solving clstering problerns in each stage ofthis procedre. Also the examples ofthe syntax (procedres) for solving different clstering problerns are presented. These procedres help to resolve a broad range of classitication problems that are not available in statistical packages (e.g. SPSS, Statistica, S-Pls, SAS).
WYBRANE ZAGADNIENIA KLASYFIKACJI OBIEKTÓW Z WYKORZYSTANIEM PROGRAMU KOMPUTEROWEGO CLUSTERSIM DLA ŚRODOWISKA R
PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 1169 2007 TAKSONOMIA 14 Klasyfikacja i analiza d anych teoria i zasto so wania Marek Walesiak Akademia Ekonomiczna we Wrocławi WYBRANE ZAGADNIENIA KLASYFIKACJI
Bardziej szczegółowoOCENA WYBRANYCH PROCEDUR ANALIZY SKUPIEŃ DLA DANYCH PORZĄDKOWYCH. 1. Wstęp
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU Nr 47 009 TAKSONOMIA 16 Klasyfikacja i analiza danych teoria i zastosowania Uniwersytet Ekonomiczny we Wrocławiu OCENA WYBRANYCH PROCEDUR ANALIZY SKUPIEŃ
Bardziej szczegółowoSYMULACYJNA OPTYMALIZACJA WYBORU PROCEDURY KLASYFIKACYJNEJ DLA DANEGO TYPU DANYCH OPROGRAMOWANIE KOMPUTEROWE I WYNIKI BADAŃ
PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WR OCŁAWIU Nr 1126 2006 TAKSONOMIA 13 Klasyfikacja i analiza d anych teoria i zasto so wania Marek Walesiak, Andrzej Dudek Akademia Ekonomiczna we Wrocławiu SYMULACYJNA
Bardziej szczegółowoSYMULACYJNA OPTYMALIZACJA WYBORU PROCEDURY KLASYFIKACYJNEJ DLA DANEGO TYPU DANYCH CHARAKTERYSTYKA PROBLEMU
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 450 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 17 2006 MAREK WALESIAK ANDRZEJ DUDEK Akademia Ekonomiczna Wrocław SYMULACYJNA OPTYMALIZACJA WYBORU PROCEDURY
Bardziej szczegółowoOCENA STABILNOŚCI WYNIKÓW KLASYFIKACJI Z WYKORZYSTANIEM ANALIZY REPLIKACJI
Marek Walesiak Akademia Ekonomiczna im Oskara Langego we Wrocławiu OCENA STABILNOŚCI WYNIKÓW KLASYFIKACJI Z WYKORZYSTANIEM ANALIZY REPLIKACJI l Wprowadzenie W typowym studium klasyfikacyjnym wyodrębnia
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoStatystyka matematyczna 2015/2016
Statystyka matematyczna 2015/2016 nazwa przedmiotu SYLABUS B. Informacje szczegółowe Elementy składowe Opis sylabusu Nazwa przedmiotu Statystyka matematyczna Kod przedmiotu 0600-FS2-2SM Nazwa jednostki
Bardziej szczegółowoEKONOMETRIA II SYLABUS A. Informacje ogólne
EKONOMETRIA II SYLABUS A. Informacje ogólne Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Język Rodzaj Rok studiów /semestr Wymagania wstępne (tzw. sekwencyjny system zajęć
Bardziej szczegółowodr inż. Cezary Wiśniewski Płock, 2006
dr inż. Cezary Wiśniewski Płock, 26 Gra z naturą polega na tym, że przeciwnikiem jest osoba, zjawisko naturalne, obiekt itp. nie zainteresowany wynikiem gry. Strategia, którą podejmie przeciwnik ma charakter
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Filogenetyka molekularna wykorzystuje informację zawartą w sekwencjach aminokwasów lub nukleotydów do kontrukcji drzew
Bardziej szczegółowoOpis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej
Opis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej 3.1 Informacje ogólne Program WAAK 1.0 służy do wizualizacji algorytmów arytmetyki komputerowej. Oczywiście istnieje wiele narzędzi
Bardziej szczegółowoHarmonogramowanie projektów Zarządzanie czasem
Harmonogramowanie projektów Zarządzanie czasem Zarządzanie czasem TOMASZ ŁUKASZEWSKI INSTYTUT INFORMATYKI W ZARZĄDZANIU Zarządzanie czasem w projekcie /49 Czas w zarządzaniu projektami 1. Pojęcie zarządzania
Bardziej szczegółowoPodstawowe działania w rachunku macierzowym
Podstawowe działania w rachunku macierzowym Marcin Detka Katedra Informatyki Stosowanej Kielce, Wrzesień 2004 1 MACIERZE 1 1 Macierze Macierz prostokątną A o wymiarach m n (m wierszy w n kolumnach) definiujemy:
Bardziej szczegółowoPodstawowe pojęcia: Populacja. Populacja skończona zawiera skończoną liczbę jednostek statystycznych
Podstawowe pojęcia: Badanie statystyczne - zespół czynności zmierzających do uzyskania za pomocą metod statystycznych informacji charakteryzujących interesującą nas zbiorowość (populację generalną) Populacja
Bardziej szczegółowoLaboratorium z przedmiotu MED. Lab1 - wprowadzenie
Laboratorium z przedmiotu MED Lab1 - wprowadzenie Grzegorz Protaziuk Konsultacje: środa godz. 11.00 12.00 pok. 301 Gmach EiTI email: gprotazi@elka.pw.edu.pl (w temacie mejla proszę dodać frazę MED) www.ii.pw.edu.pl/~gprotazi
Bardziej szczegółowoWdrożenie modułu płatności eservice dla systemu Virtuemart 2.0.x
Wdrożenie modułu płatności eservice dla systemu Virtuemart 2.0.x Wersja 02 Styczeń 2016 Centrum Elektronicznych Usług Płatniczych eservice Sp. z o.o. Spis treści 1. Wstęp... 3 1.1. Przeznaczenie dokumentu...
Bardziej szczegółowoZadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny:
Matematyka ubezpieczeń majątkowych 5.2.2008 r. Zadanie. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Pr ( N = k) = 0 dla k = 0,, K, 9. Liczby szkód w
Bardziej szczegółowoTablice, procesy, sygnały i nie tylko. Kurs systemu Unix 1
Tablice, procesy, sygnały i nie tylko Kurs systemu Unix 1 Tablice w bash-u Tablice można realizować za pomocą konstrukcji eval, ale jeżeli indeksami są liczby (od 0, jak w języku C) to prościej będzie
Bardziej szczegółowoWYKŁAD 8. Postacie obrazów na różnych etapach procesu przetwarzania
WYKŁAD 8 Reprezentacja obrazu Elementy edycji (tworzenia) obrazu Postacie obrazów na różnych etapach procesu przetwarzania Klasy obrazów Klasa 1: Obrazy o pełnej skali stopni jasności, typowe parametry:
Bardziej szczegółowo7. REZONANS W OBWODACH ELEKTRYCZNYCH
OBWODY SYGNAŁY 7. EZONANS W OBWODAH EEKTYZNYH 7.. ZJAWSKO EZONANS Obwody elektryczne, w których występuje zjawisko rezonansu nazywane są obwodami rezonansowymi lub drgającymi. ozpatrując bezźródłowy obwód
Bardziej szczegółowoStowarzyszenie Lokalna Grupa Działania EUROGALICJA Regulamin Rady
Stowarzyszenie Lokalna Grupa Działania EUROGALICJA Regulamin Rady Rozdział I Postanowienia ogólne 1 1. Rada Stowarzyszenia Lokalna Grupa Działania Eurogalicja, zwana dalej Radą, działa na podstawie: Ustawy
Bardziej szczegółowoG PROGRAMMING. Part #4
G PROGRAMMING Part #4 Tablice, wykresy, klastry Tablice Zbiór elementów danych tego samego typu Zastosowanie gromadzenie danych z powtarzalnych operacji odczytu, obliczeń (magazynowanie danych przebiegów
Bardziej szczegółowoREGULAMIN przeprowadzania okresowych ocen pracowniczych w Urzędzie Miasta Mława ROZDZIAŁ I
Załącznik Nr 1 do zarządzenia Nr169/2011 Burmistrza Miasta Mława z dnia 2 listopada 2011 r. REGULAMIN przeprowadzania okresowych ocen pracowniczych w Urzędzie Miasta Mława Ilekroć w niniejszym regulaminie
Bardziej szczegółowoPLAN PRACY KOMISJI PRZYZNAJĄCEJ
Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Załącznik nr 1 do Regulaminu Pracy Komisji Konkursowej przyznającej środki na rozwój przedsiębiorczości PLAN PRACY
Bardziej szczegółowoEKONOMETRIA dr inż.. ALEKSANDRA ŁUCZAK Uniwersytet Przyrodniczy w Poznaniu Katedra Finansów w i Rachunkowości ci Zakład Metod Ilościowych Collegium Maximum,, pokój j 617 Tel. (61) 8466091 luczak@up.poznan.pl
Bardziej szczegółowoOgólna charakterystyka kontraktów terminowych
Jesteś tu: Bossa.pl Kurs giełdowy - Część 10 Ogólna charakterystyka kontraktów terminowych Kontrakt terminowy jest umową pomiędzy dwiema stronami, z których jedna zobowiązuje się do nabycia a druga do
Bardziej szczegółowoAUTOR MAGDALENA LACH
PRZEMYSŁY KREATYWNE W POLSCE ANALIZA LICZEBNOŚCI AUTOR MAGDALENA LACH WARSZAWA, 2014 Wstęp Celem raportu jest przedstawienie zmian liczby podmiotów sektora kreatywnego na obszarze Polski w latach 2009
Bardziej szczegółowoZASADY WYPEŁNIANIA ANKIETY 2. ZATRUDNIENIE NA CZĘŚĆ ETATU LUB PRZEZ CZĘŚĆ OKRESU OCENY
ZASADY WYPEŁNIANIA ANKIETY 1. ZMIANA GRUPY PRACOWNIKÓW LUB AWANS W przypadku zatrudnienia w danej grupie pracowników (naukowo-dydaktyczni, dydaktyczni, naukowi) przez okres poniżej 1 roku nie dokonuje
Bardziej szczegółowoUCHWAŁA... Rady Miejskiej w Słupsku z dnia...
Projekt Druk Nr 13/19 UCHWAŁA... Rady Miejskiej w Słupsku z dnia... w sprawie aneksu do porozumienia międzygminnego zawartego pomiędzy Gminą Miejską Słupsk a Gminą Kobylnica i Gminą Słupsk dotyczącego
Bardziej szczegółowoProjektowanie bazy danych
Projektowanie bazy danych Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeo wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana
Bardziej szczegółowoProjektowanie procesu kształcenia wykład VI. Struktura zajęć akademickich,
Projektowanie procesu kształcenia wykład VI Struktura zajęć akademickich, Uwaga! Szanowni Państwo to jest już ostatnia prezentacja. Egzamin ustny odbędzie się w dnach: 25. listopada oraz 1 i 2. grudnia
Bardziej szczegółowoNUMER IDENTYFIKATORA:
Społeczne Liceum Ogólnokształcące z Maturą Międzynarodową im. Ingmara Bergmana IB WORLD SCHOOL 53 ul. Raszyńska, 0-06 Warszawa, tel./fax 668 54 5 www.ib.bednarska.edu.pl / e-mail: liceum.ib@rasz.edu.pl
Bardziej szczegółowo14.Rozwiązywanie zadań tekstowych wykorzystujących równania i nierówności kwadratowe.
Matematyka 4/ 4.Rozwiązywanie zadań tekstowych wykorzystujących równania i nierówności kwadratowe. I. Przypomnij sobie:. Wiadomości z poprzedniej lekcji... Że przy rozwiązywaniu zadań tekstowych wykorzystujących
Bardziej szczegółowoAPI transakcyjne BitMarket.pl
API transakcyjne BitMarket.pl Wersja 20140314 1. Sposób łączenia się z API... 2 1.1. Klucze API... 2 1.2. Podpisywanie wiadomości... 2 1.3. Parametr tonce... 2 1.4. Odpowiedzi serwera... 3 1.5. Przykładowy
Bardziej szczegółowoINSTRUKCJA SERWISOWA. Wprowadzenie nowego filtra paliwa PN 874060 w silnikach ROTAX typ 912 is oraz 912 is Sport OPCJONALNY
Wprowadzenie nowego filtra paliwa PN 874060 w silnikach ROTAX typ 912 is oraz 912 is Sport ATA System: Układ paliwowy OPCJONALNY 1) Zastosowanie Aby osiągnąć zadowalające efekty, procedury zawarte w niniejszym
Bardziej szczegółowoPAKIET MathCad - Część III
Opracowanie: Anna Kluźniak / Jadwiga Matla Ćw3.mcd 1/12 Katedra Informatyki Stosowanej - Studium Podstaw Informatyki PAKIET MathCad - Część III RÓWNANIA I UKŁADY RÓWNAŃ 1. Równania z jedną niewiadomą MathCad
Bardziej szczegółowoASD - ćwiczenia III. Dowodzenie poprawności programów iteracyjnych. Nieformalnie o poprawności programów:
ASD - ćwiczenia III Dowodzenie poprawności programów iteracyjnych Nieformalnie o poprawności programów: poprawność częściowa jeżeli program zakończy działanie dla danych wejściowych spełniających założony
Bardziej szczegółowoPraca na wielu bazach danych część 2. (Wersja 8.1)
Praca na wielu bazach danych część 2 (Wersja 8.1) 1 Spis treści 1 Analizy baz danych... 3 1.1 Lista analityczna i okno szczegółów podstawowe informacje dla każdej bazy... 3 1.2 Raporty wykonywane jako
Bardziej szczegółowoZastosowanie metod statystycznych do problemu ujednoznaczniania struktury zdania w języku polskim
Motywacja Zastosowanie metod statystycznych do problemu ujednoznaczniania struktury zdania w języku polskim Seminarium IPI PAN, 03.01.2011 Outline Motywacja 1 Motywacja Poziomy anotacji Równoważność dystrybucyjna
Bardziej szczegółowoWtedy wystarczy wybrać właściwego Taga z listy.
Po wejściu na stronę pucharino.slask.pl musisz się zalogować (Nazwa użytkownika to Twój redakcyjny pseudonim, hasło sam sobie ustalisz podczas procedury rejestracji). Po zalogowaniu pojawi się kilka istotnych
Bardziej szczegółowo7. OPRACOWYWANIE DANYCH I PROWADZENIE OBLICZEŃ powtórka
7. OPRACOWYWANIE DANYCH I PROWADZENIE OBLICZEŃ powtórka Oczekiwane przygotowanie informatyczne absolwenta gimnazjum Zbieranie i opracowywanie danych za pomocą arkusza kalkulacyjnego Uczeń: wypełnia komórki
Bardziej szczegółowoROZWIĄZANIA PRZYKŁADOWYCH ZADAŃ. KORELACJA zmiennych jakościowych (niemierzalnych)
ROZWIĄZANIA PRZYKŁADOWYCH ZADAŃ KORELACJA zmiennych jakościowych (niemierzalnych) Zadanie 1 Zapytano 180 osób (w tym 120 mężczyzn) o to czy rozpoczynają dzień od wypicia kawy czy też może preferują herbatę.
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI 19 MAJA 2015
Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 2013 KOD UZUPEŁNIA ZDAJĄCY PESEL Miejsce na naklejkę z kodem EGZAMIN MATURALNY Z INFORMATYKI 19 MAJA 2015
Bardziej szczegółowoMetody opracowywania dokumentów wielostronicowych. Technologia Informacyjna Lekcja 28
Metody opracowywania dokumentów wielostronicowych Technologia Informacyjna Lekcja 28 Tworzenie stylów w tekstu Jeśli pisze się długie teksty, stosując, zwłaszcza w jednym dokumencie róŝne r rodzaje formatowania,
Bardziej szczegółowoP 0max. P max. = P max = 0; 9 20 = 18 W. U 2 0max. U 0max = q P 0max = p 18 2 = 6 V. D = T = U 0 = D E ; = 6
XL OLIMPIADA WIEDZY TECHNICZNEJ Zawody II stopnia Rozwi zania zada dla grupy elektryczno-elektronicznej Rozwi zanie zadania 1 Sprawno przekszta tnika jest r wna P 0ma a Maksymaln moc odbiornika mo na zatem
Bardziej szczegółowoBazy danych. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15
Bazy danych Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15 Przechowywanie danych Wykorzystanie systemu plików, dostępu do plików za pośrednictwem systemu operacyjnego
Bardziej szczegółowoSCENARIUSZ LEKCJI Opracował: mgr inż. Szymon Surmacewicz ZESPÓŁ SZKÓŁ MECHANICZNYCH CKP NR 2 W BIAŁYMSTOKU
SCENARIUSZ LEKCJI Opracował: mgr inż. Szymon Surmacewicz ZESPÓŁ SZKÓŁ MECHANICZNYCH CKP NR 2 W BIAŁYMSTOKU Temat zajęć Normalizacja. Dlaczego uczeń musi o niej wiedzieć? Klasa (poziom edukacyjny) Klasa
Bardziej szczegółowoĆwiczenie: "Ruch harmoniczny i fale"
Ćwiczenie: "Ruch harmoniczny i fale" Opracowane w ramach projektu: "Wirtualne Laboratoria Fizyczne nowoczesną metodą nauczania realizowanego przez Warszawską Wyższą Szkołę Informatyki. Zakres ćwiczenia:
Bardziej szczegółowoPROCEDURA AWANSU ZAWODOWEGO NA STOPIEŃ NAUCZYCIELA MIANOWANEGO W ZESPOLE SZKÓŁ INTEGRACYJNYCH NR 1 W KATOWICACH
PROCEDURA AWANSU ZAWODOWEGO NA STOPIEŃ NAUCZYCIELA MIANOWANEGO W ZESPOLE SZKÓŁ INTEGRACYJNYCH NR 1 W KATOWICACH Opracowano na podstawie następujących aktów prawnych: - rozdział 3a Karty Nauczyciela, ustawa
Bardziej szczegółowoKoszty jakości. Definiowanie kosztów jakości oraz ich modele strukturalne
1 Definiowanie kosztów jakości oraz ich modele strukturalne Koszty jakości to termin umowny. Pojęcie to nie występuje w teorii kosztów 1 oraz nie jest precyzyjnie zdefiniowane ani przez teoretyków, ani
Bardziej szczegółowoProcedura weryfikacji badania czasu przebiegu 1 paczek pocztowych
Procedura weryfikacji badania czasu przebiegu 1 paczek pocztowych Warszawa 2012 (nowelizacja 2014) 1 zmiana nazwy zgodnie z terminologią zawartą w ustawie Prawo pocztowe Jednostka zlecająca: Urząd Komunikacji
Bardziej szczegółowoREGULAMIN RADY RODZICÓW PRZY ZESPOLE SZKÓŁ W W PIETROWICACH WIELKICH
REGULAMIN RADY RODZICÓW PRZY ZESPOLE SZKÓŁ W ROZDZIAŁ I POSTANOWIENIA OGÓLNE 1 Rada Rodziców Zespołu Szkół w Pietrowicach Wielkich, zwana dalej Radą, działa na podstawie artykułów 53 i 54 Ustawy o systemie
Bardziej szczegółowoInsERT GT Własne COM 1.0
InsERT GT Własne COM 1.0 Autor: Jarosław Kolasa, InsERT Wstęp... 2 Dołączanie zestawień własnych do systemu InsERT GT... 2 Sposób współpracy rozszerzeń z systemem InsERT GT... 2 Rozszerzenia standardowe
Bardziej szczegółowoREGULAMIN KONTROLI ZARZĄDCZEJ W MIEJSKO-GMINNYM OŚRODKU POMOCY SPOŁECZNEJ W TOLKMICKU. Postanowienia ogólne
Załącznik Nr 1 do Zarządzenie Nr4/2011 Kierownika Miejsko-Gminnego Ośrodka Pomocy Społecznej w Tolkmicku z dnia 20 maja 2011r. REGULAMIN KONTROLI ZARZĄDCZEJ W MIEJSKO-GMINNYM OŚRODKU POMOCY SPOŁECZNEJ
Bardziej szczegółowoAbsolwent szkoły kształcącej w zawodzie technik hotelarstwa powinien być przygotowany do wykonywania następujących zadań zawodowych:
Technik hotelarstwa 422402 1. CELE KSZTAŁCENIA W ZAWODZIE Absolwent szkoły kształcącej w zawodzie technik hotelarstwa powinien być przygotowany do wykonywania następujących zadań zawodowych: 1) prowadzenia
Bardziej szczegółowoGEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla uŝytkowników modułu wyszukiwania danych Warszawa 2007
GEO-SYSTEM Sp. z o.o. 02-732 Warszawa, ul. Podbipięty 34 m. 7, tel./fax 847-35-80, 853-31-15 http:\\www.geo-system.com.pl e-mail:geo-system@geo-system.com.pl GEO-RCiWN Rejestr Cen i Wartości Nieruchomości
Bardziej szczegółowoPromocja i identyfikacja wizualna projektów współfinansowanych ze środków Europejskiego Funduszu Społecznego
Promocja i identyfikacja wizualna projektów współfinansowanych ze środków Europejskiego Funduszu Społecznego Białystok, 19 grudzień 2012 r. Seminarium współfinansowane ze środków Unii Europejskiej w ramach
Bardziej szczegółowo1. Reforma procesu kształcenia jako filar linii programowej PSRP
1. Reforma procesu kształcenia jako filar linii programowej PSRP Stanowisko PSRP w sprawie pilnego nadania priorytetu pracom nad Krajową Ramą Kwalifikacji (marzec 2009) Wystąpienie Przewodniczącego PSRP
Bardziej szczegółowoZintegrowane Systemy Zarządzania Biblioteką SOWA1 i SOWA2 SKONTRUM
Zintegrowane Systemy Zarządzania Biblioteką SOWA1 i SOWA2 SKONTRUM PROGRAM INWENTARYZACJI Poznań 2011 Spis treści 1. WSTĘP...4 2. SPIS INWENTARZA (EWIDENCJA)...5 3. STAŁE UBYTKI...7 4. INTERPRETACJA ZAŁĄCZNIKÓW
Bardziej szczegółowoUCHWAŁA NR III/21/15 RADY GMINY W KUNICACH. z dnia 23 stycznia 2015 r.
UCHWAŁA NR III/21/15 RADY GMINY W KUNICACH z dnia 23 stycznia 2015 r. w sprawie przyjęcia regulaminu dofinansowania zadań z zakresu usuwania, transportu i utylizacji wyrobów zawierających azbest z terenu
Bardziej szczegółowoSoczewkowanie grawitacyjne 3
Soczewkowanie grawitacyjne 3 Przypomnienie Mikrosoczewkowania a natura ciemnej materii Źródła rozciągłe Efekt paralaksy Linie krytyczne i kaustyki Przykłady Punktowa soczewka Punktowa soczewka Punktowe
Bardziej szczegółowoBadania (PN-EN 14351-1+A1:2010) i opinia techniczna drzwi zewnętrznych z kształtowników aluminiowych z przekładką termiczną systemu BLYWEERT TRITON
Badania (PN-EN 14351-1+A1:2010) i opinia techniczna drzwi zewnętrznych z kształtowników aluminiowych z przekładką termiczną systemu BLYWEERT TRITON 2294/12/R08NK Warszawa luty 2012 r. INSTYTUT TECHNIKI
Bardziej szczegółowoZestawienie wartości dostępnej mocy przyłączeniowej źródeł w sieci RWE Stoen Operator o napięciu znamionowym powyżej 1 kv
Zestawienie wartości dostępnej mocy przyłączeniowej źródeł w sieci RWE Stoen Operator o napięciu znamionowym powyżej 1 kv stan na: lipiec 2016 r. RWE Stoen Operator Sp. z o.o. 28/06/2016 STRONA 1 Podstawa
Bardziej szczegółowoZadania. SiOD Cwiczenie 1 ;
1. Niech A będzie zbiorem liczb naturalnych podzielnych przez 6 B zbiorem liczb naturalnych podzielnych przez 2 C będzie zbiorem liczb naturalnych podzielnych przez 5 Wyznaczyć zbiory A B, A C, C B, A
Bardziej szczegółowoTemat: Funkcje. Własności ogólne. A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1
Temat: Funkcje. Własności ogólne A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1 Kody kolorów: pojęcie zwraca uwagę * materiał nieobowiązkowy A n n a R a
Bardziej szczegółowoZebranie Mieszkańców Budynków, zwane dalej Zebraniem, działa na podstawie: a / statutu Spółdzielni Mieszkaniowej WROCŁAWSKI DOM we Wrocławiu,
R E G U L A M I N Zebrania Mieszkańców oraz kompetencji i uprawnień Samorządu Mieszkańców Budynków Spółdzielni Mieszkaniowej WROCŁAWSKI DOM we Wrocławiu. ROZDZIAŁ I. Postanowienia ogólne. Zebranie Mieszkańców
Bardziej szczegółowoModuł. Rama 2D suplement do wersji Konstruktora 4.6
Moduł Rama 2D suplement do wersji Konstruktora 4.6 110-1 Spis treści 110. RAMA 2D - SUPLEMENT...3 110.1 OPIS ZMIAN...3 110.1.1 Nowy tryb wymiarowania...3 110.1.2 Moduł dynamicznego przeglądania wyników...5
Bardziej szczegółowoWiedza niepewna i wnioskowanie (c.d.)
Wiedza niepewna i wnioskowanie (c.d.) Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Wnioskowanie przybliżone Wnioskowanie w logice tradycyjnej (dwuwartościowej) polega na stwierdzeniu
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Przedmiot: Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Nr ćwiczenia: 2 Temat: Problem transportowy Cel ćwiczenia: Nabycie umiejętności formułowania zagadnienia transportowego
Bardziej szczegółowoWyklad 1. Analiza danych za pomocą pakietu SAS. Obiekty i zmienne. Rodzaje zmiennych
Bioinformatyka - rozwój oferty edukacyjnej Uniwersytetu Przyrodniczego we Wrocławiu projekt realizowany w ramach Programu Operacyjnego Kapitał Ludzki współfinansowanego ze środków Europejskiego Funduszu
Bardziej szczegółowo1. Uczniowie kończący gimnazja, dla których organem prowadzącym jest Miasto Bielsko-Biała, wprowadzają swoje dane do komputera w swoich gimnazjach.
Regulamin rekrutacji do klas pierwszych VIII Liceum Ogólnokształcącego w Zespole Szkół Medycznych i Ogólnokształcących w Bielsku - Białej w roku szkolnym 2015/2016 Na podstawie postanowienia Śląskiego
Bardziej szczegółowoKomentarz technik ochrony fizycznej osób i mienia 515[01]-01 Czerwiec 2009
Strona 1 z 19 Strona 2 z 19 Strona 3 z 19 Strona 4 z 19 Strona 5 z 19 Strona 6 z 19 Strona 7 z 19 W pracy egzaminacyjnej oceniane były elementy: I. Tytuł pracy egzaminacyjnej II. Założenia do projektu
Bardziej szczegółowoSprawozdanie z działalności Powiatowego Inspektoratu Nadzoru Budowlanego miasta Lublin w roku 2013
Sprawozdanie z działalności Powiatowego Inspektoratu Nadzoru Budowlanego miasta Lublin w roku 2013 Lublin, luty 2014 r. Przygotował: Robert Lenarcik Powiatowy Inspektor Nadzoru Budowlanego miasta Lublin
Bardziej szczegółowoModuł 2/3 Projekt procesu technologicznego obróbki przedmiotu typu bryła obrotowa
Moduł 2/3 Projekt procesu technologicznego obróbki przedmiotu typu bryła obrotowa Zajęcia nr: 4 Temat zajęć: Dokumentacja technologiczna (Karta KT oraz KIO) Materiał przygotowany z wykorzystaniem opracowań
Bardziej szczegółowoWEWNĄTRZSZKOLNE I ZEWNĘTRZSZKOLNE ZASTOSOWANIE SCHEMATU OCENIANIA NA PRZYKŁADZIE EGZAMINU MATURALNEGO Z GEOGRAFII
Maria Krystyna SZMIGEL, Henryk SZALENIEC, Wiesław SROKOSZ Okręgowa Komisja Egzaminacyjna Kraków WEWNĄTRZSZKOLNE I ZEWNĘTRZSZKOLNE ZASTOSOWANIE SCHEMATU OCENIANIA NA PRZYKŁADZIE EGZAMINU MATURALNEGO Z GEOGRAFII
Bardziej szczegółowoPRACOWNIA ZARZĄDZANIA, DIAGNOZY EDUKACYJNEJ I SZKOLNICTWA ZAWODOWEGO ODN W ZIELONEJ GÓRZE
PRACOWNIA ZARZĄDZANIA, DIAGNOZY EDUKACYJNEJ I SZKOLNICTWA ZAWODOWEGO ODN W ZIELONEJ GÓRZE RAPORTY przygotowanie do edukacji wczesnoszkolnej WEWNĄTRZSZKOLNE DIAGNOZOWANIE OSIĄGNIĘĆ Maj 22 Przedszkole i
Bardziej szczegółowoWniosek o ustalenie warunków zabudowy
Wniosek o ustalenie warunków zabudowy Informacje ogólne Kiedy potrzebna jest decyzja Osoba, która składa wniosek o pozwolenie na budowę, nie musi mieć decyzji o warunkach zabudowy terenu, pod warunkiem
Bardziej szczegółowoREGULAMIN RADY RODZICÓW Liceum Ogólnokształcącego Nr XVII im. A. Osieckiej we Wrocławiu
Uchwała nr 4/10/2010 z dnia 06.10.2010 r. REGULAMIN RADY RODZICÓW Liceum Ogólnokształcącego Nr XVII im. A. Osieckiej we Wrocławiu Podstawa prawna: - art. 53.1 ustawy z dnia 7 września 1991 r. o systemie
Bardziej szczegółowoREGULAMIN SPRZEDAŻY DREWNA w Drawieńskim Parku Narodowym
Załącznik nr 1 do Zarządzenia nr K-010-69/2015 Dyrektora Drawieńskiego Parku Narodowego z dnia 31.12.2015 r. I. Postanowienia ogólne REGULAMIN SPRZEDAŻY DREWNA w Drawieńskim Parku Narodowym 1. Wielkość
Bardziej szczegółowoNiegrzeczne dzieciaki na gorącym krześle
Niegrzeczne dzieciaki na gorącym krześle Zbadano grupę 30 przedszkolaków poddanych dwóm metodom upominania za niegrzeczne zachowanie. Jedne z dzieci upominano za pomocą naklejania smutnej minki na specjalnej
Bardziej szczegółowoKatedra Technik Wytwarzania i Automatyzacji TOLERANCJE I POMIARY WALCOWYCH KÓŁ ZĘBATYCH
Katedra Technik Wytwarzania i Automatyzacji METROLOGIA I KONTKOLA JAKOŚCI - LABORATORIUM TEMAT: TOLERANCJE I POMIARY WALCOWYCH KÓŁ ZĘBATYCH 1. Cel ćwiczenia Zapoznanie studentów z narzędziami do pomiaru
Bardziej szczegółowotel/fax 018 443 82 13 lub 018 443 74 19 NIP 7343246017 Regon 120493751
Zespół Placówek Kształcenia Zawodowego 33-300 Nowy Sącz ul. Zamenhoffa 1 tel/fax 018 443 82 13 lub 018 443 74 19 http://zpkz.nowysacz.pl e-mail biuro@ckp-ns.edu.pl NIP 7343246017 Regon 120493751 Wskazówki
Bardziej szczegółowoRegulamin Stypendium. Fundacji Rodziny Maciejko
Regulamin Stypendium Fundacji Rodziny Maciejko 1 Postanowienia ogólne 1. Niniejszy regulamin określa zasady przyznawania i wypłacania stypendium studentom rozpoczynającym studia na Politechnice Warszawskiej
Bardziej szczegółowoPROCEDURA OCENY RYZYKA ZAWODOWEGO. w Urzędzie Gminy Mściwojów
I. Postanowienia ogólne 1.Cel PROCEDURA OCENY RYZYKA ZAWODOWEGO w Urzędzie Gminy Mściwojów Przeprowadzenie oceny ryzyka zawodowego ma na celu: Załącznik A Zarządzenia oceny ryzyka zawodowego monitorowanie
Bardziej szczegółowoRozdział VIII Zasady przyjmowania uczniów do szkoły
Rozdział VIII Zasady przyjmowania uczniów do szkoły 68 1. Do klasy pierwszej Technikum przyjmuje się kandydatów po przeprowadzeniu postępowania rekrutacyjnego. 2. Kandydat przy ubieganiu się o przyjęcie
Bardziej szczegółowoJan Olek. Uniwersytet Stefana Kardynała Wyszyńskiego. Procesy z Opóźnieniem. J. Olek. Równanie logistyczne. Założenia
Procesy z Procesy z Jan Olek Uniwersytet Stefana ardynała Wyszyńskiego 2013 Wzór równania logistycznego: Ṅ(t)=rN(t)(1- N ), gdzie Ṅ(t) - przyrost populacji w czasie t r - rozrodczość netto, (r > 0) N -
Bardziej szczegółowoBadania radiograficzne rentgenowskie złączy spawanych o różnych grubościach według PN-EN 1435.
Badania radiograficzne rentgenowskie złączy spawanych o różnych grubościach według PN-EN 1435. Dr inż. Ryszard Świątkowski Mgr inż. Jacek Haras Inż. Tadeusz Belka 1. WSTĘP I CEL PRACY Porównując normę
Bardziej szczegółowoNowe funkcjonalności
Nowe funkcjonalności 1 I. Aplikacja supermakler 1. Nowe notowania Dotychczasowe notowania koszykowe, z racji ograniczonej możliwości personalizacji, zostały zastąpione nowymi tabelami z notowaniami bieżącymi.
Bardziej szczegółowoOptyka geometryczna i falowa
Pojęcie podstawowe: promień świetlny. Optyka geometryczna i alowa Podstawowa obserwacja: jeżeli promień świetlny pada na granicę dwóch ośrodków to: ulega odbiciu na powierzchni granicznej za!amaniu przy
Bardziej szczegółowoSpecyfikacja techniczna banerów Flash
Specyfikacja techniczna banerów Flash Po stworzeniu własnego banera reklamowego należy dodać kilka elementów umożliwiających integrację z systemem wyświetlającym i śledzącym reklamy na stronie www. Specyfikacje
Bardziej szczegółowoKLAUZULE ARBITRAŻOWE
KLAUZULE ARBITRAŻOWE KLAUZULE arbitrażowe ICC Zalecane jest, aby strony chcące w swych kontraktach zawrzeć odniesienie do arbitrażu ICC, skorzystały ze standardowych klauzul, wskazanych poniżej. Standardowa
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 12.10.2002 r.
Matematya ubezpieczeń majątowych.0.00 r. Zadanie. W pewnym portfelu ryzy ubezpieczycielowi udaje się reompensować sobie jedną trzecią wartości pierwotnie wypłaconych odszodowań w formie regresów. Oczywiście
Bardziej szczegółowoPRZYRODA RODZAJE MAP
SCENARIUSZ LEKCJI PRZEDMIOT: PRZYRODA TEMAT: RODZAJE MAP AUTOR SCENARIUSZA: mgr Katarzyna Borkowska OPRACOWANIE ELEKTRONICZNO GRAFICZNE : mgr Beata Rusin TEMAT LEKCJI RODZAJE MAP CZAS REALIZACJI 2 x 45
Bardziej szczegółowoRozdział 6. Pakowanie plecaka. 6.1 Postawienie problemu
Rozdział 6 Pakowanie plecaka 6.1 Postawienie problemu Jak zauważyliśmy, szyfry oparte na rachunku macierzowym nie są przerażająco trudne do złamania. Zdecydowanie trudniejszy jest kryptosystem oparty na
Bardziej szczegółowoPracownia budowy pojazdów samochodowych.
Autor: Zdzisław Skupiński Zespół Szkół Zawodowych im. Kardynała Stefana Wyszyńskiego w Dynowie PROJEKT DYDAKTYCZNY W REALIZACJI EDUKACJI ZAWODOWEJ Pracownia budowy pojazdów samochodowych. CEL OGÓLNY Poznanie
Bardziej szczegółowoElementy animacji sterowanie manipulatorem
Elementy animacji sterowanie manipulatorem 1 Cel zadania Wykształcenie umiejętności korzystania z zapisu modelu aplikacji w UML oraz definiowania właściwego interfejsu klasy. 2 Opis zadania Należy napisać
Bardziej szczegółowoInstrukcja do Arkusza kosztorysowania sieci klasy NGA na obszarach wymagających wsparcia publicznego.
Załącznik 3 do poradnika dotyczącego planowania i projektowania sieci klasy NGA Instrukcja do Arkusza kosztorysowania sieci klasy NGA na obszarach wymagających wsparcia publicznego. Wersja 1.0 Projekt:
Bardziej szczegółowoWyznaczanie współczynnika sprężystości sprężyn i ich układów
Ćwiczenie 63 Wyznaczanie współczynnika sprężystości sprężyn i ich układów 63.1. Zasada ćwiczenia W ćwiczeniu określa się współczynnik sprężystości pojedynczych sprężyn i ich układów, mierząc wydłużenie
Bardziej szczegółowoZakład Certyfikacji 03-042 Warszawa, ul. Kupiecka 4 Sekcja Ceramiki i Szkła ul. Postępu 9 02-676 Warszawa PROGRAM CERTYFIKACJI
Zakład Certyfikacji 03-042 Warszawa, ul. Kupiecka 4 Sekcja Ceramiki i Szkła ul. Postępu 9 02-676 Warszawa PC-05 PROGRAM Certyfikacja zgodności z Kryteriami Grupowymi certyfikacja dobrowolna Warszawa, PROGRAM
Bardziej szczegółowoInstrukcja obsługi Norton Commander (NC) wersja 4.0. Autor: mgr inż. Tomasz Staniszewski
Instrukcja obsługi Norton Commander (NC) wersja 4.0 Autor: mgr inż. Tomasz Staniszewski ITM Zakład Technologii Maszyn, 15.10.2001 2 1.Uruchomienie programu Aby uruchomić program Norton Commander standardowo
Bardziej szczegółowo