advanced analytics Statistical Business Analyst Certification Modele statystyczne część I: MST1-2 dni Zastosowanie i techniki segmentacji SEG - 2 dni

Wielkość: px
Rozpocząć pokaz od strony:

Download "advanced analytics Statistical Business Analyst Certification Modele statystyczne część I: MST1-2 dni Zastosowanie i techniki segmentacji SEG - 2 dni"

Transkrypt

1 advanced analytics statistical Szkolenia z tej grupy przeznaczone są dla osób odpowiedzialnych za wykonywanie analiz statystycznych, prognoz oraz optymalizacji. Podstawy SAS INTRO - 1 dzień Statistical Business Analyst Certification Podstawy statystyki PST - 1 dzień Wnioskowanie statystyczne: teoria i praktyka WST - 1 dzień Modele statystyczne część I: ANOVA MST1-2 dni Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej KAT - 2 dni Modele statystyczne część III: modele mieszane MST3-3 dni Zastosowanie i techniki segmentacji Modele statystyczne część II: regresja Analiza przeżycia SEG - 2 dni MST2-2 dni SUR - 2 dni Metody doboru próby w analizach danych Metody inputacji braków danych Modele statystyczne część IV: tematy zaawansowane MDP - 2 dni MIBD - 1 dzień MST4-1 dień Analiza danych panelowych Analizy Bayesowskie PAN - 1 dzień BAY - 2 dni Wieloczynnikowe analizy danych WAD - 2 dni Analiza szeregów czasowych ANSZ - 3 dni Analiza szeregów czasowych z SAS Forecast Server ANFS - 2 dni Budowa i rozwiązywanie modeli optymalizacyjnych z SAS OR OPT - 3 dni Certyfikacja: CERTST - 2 h: Egzamin: SAS Certified Statistical Business Analyst Using SAS 9: Regression and Modeling. 24

2 Podstawy statystyki Szkolenie rozpoczyna cały cykl pozycji poświęconych praktycznej analizie danych. Statystyka często postrzegana jest przez pryzmat skomplikowanych definicji i złożonych wzorów. Tymczasem posługując się dedykowanym oprogramowaniem użytkownik może skorzystać z automatycznych obliczeń i skupić swoją uwagę na interpretacji uzyskanych wyników. Program szkolenia ułożony jest tak, aby w miarę możliwości ograniczyć ilość zagadnień teoretycznych a główny nacisk położyć na analizę i interpretację uzyskanych wyników pod kątem praktycznym. Wprowadzenie do statystyki praktycznej Kreatory w środowisku SAS Enterprise Guide Podstawy pisania programów w SAS 4GL Podstawowe statystyki opisowe Interpretacja praktyczna Użyteczność statystyk opisowych Pozostałe praktyczne statystyki Miary położenia Miary rozproszenia Miary asymetrii Statystyka vs praktyka Porównywalność wyników Miary użyteczności danych Braki danych Obliczenia Wartości skrajne i odstające Zastosowania praktyczne Standaryzacja danych Modele predykcyjne Pomiar błędów obliczeń Użyteczne wykresy i rozkłady Histogram i wykres pudełkowy Logarytm Rozkład normalny Rozkład lognormalny Rodzaje zmiennych Zależności między zmiennymi Wykres rozproszenia Korelacja liniowa Próbka vs populacja Estymacja parametrów populacji na podstawie próbki Przedziały ufności SAS Foundation Kod szkolenia: PST Poziom szkolenia: B Wnioskowanie statystyczne: teoria i praktyka Znajomość metodyki przeprowadzania testów statystycznych jest bezwzględnym wymogiem wobec wszystkich, którzy przeprowadzają jakiekolwiek analizy danych. Prawidłowe formułowanie hipotez podlegających weryfikacji oraz rozumienie i umiejętność interpretacji otrzymanych wyników jest fundamentem dla praktycznie większości analiz statystycznych. Niezależnie od rodzaju analizy i typów wykorzystywanych zmiennych konieczność weryfikacji odpowiednich hipotez występuje praktycznie na każdym kroku analizy. Program szkolenia gwarantuje uczestnikom wymaganą podstawę do pełnego uczestnictwa w kolejnych szkoleniach z zakresu analiz danych. Wprowadzenie do wnioskowania statystycznego Przykłady praktyczne Proces weryfikacji hipotezy statystycznej Definicja hipotezy zerowej i alternatywnej Rodzaje błędów i poziom istotności Kryteria odrzucenia hipotezy statystycznej Reguły decyzyjne Wykorzystanie testów statystycznych w praktyce Weryfikacja rozkładu zmiennych Porównanie średnich w dwóch grupach Hipoteza dwustronna vs hipoteza jednostronna Siła testu statystycznego Wrażliwość testu statystycznego Wykorzystanie testów statystycznych w praktyce Pisanie programów w SAS 4GL Wykorzystanie kreatorów w środowisku SAS Enterprise Guide Zależność między zmiennymi ciągłymi Zależność między zmiennymi kategoryzującymi Testy parametryczne vs testy nieparametryczne Kod szkolenia: WST Modele statystyczne część I: ANOVA Podstawowy model statystyczny - porównanie średnich w dwóch grupach Komponenty modelu predykcyjnego INFO: Web: sas.com/poland/szkolenia Tel: (22) Miary skuteczności modelu Modyfikacja projektowania założeń modelu Model wykorzystujący średnie w wielu grupach Identyfikacja różnic między grupami Model regresji liniowej Role zmiennych w modelu Miary zależności między zmiennymi zależną i niezależną Interpretacja wyników Wykorzystanie modelu predykcyjnego scoring nowych danych Wprowadzenie do regresji wielorakiej Metody i kryteria wyboru zmiennych objaśniających Kryteria statystyczne Kryteria matematyczne Wybór najlepszego modelu Diagnostyka poprawności modelu predykcyjnego Graficzna analiza błędów modelu Identyfikacja istotnych przypadków (obserwacji) Analiza zjawiska współliniowości Wprowadzenie do analizy zmiennych kategoryzujących Zależności Tablice częstości Analiza asocjacji zdarzeń Miary asocjacji Prawdopodobieństwo vs szansa wystąpienia zdarzenia Testy statystyczne Współczynniki korelacji Wprowadzenie do regresji logistycznej Formuła modelu predykcyjnego Analiza zależności pomiędzy zmiennymi w modelu Kod szkolenia: MST1 Modele statystyczne część II: regresja Wielowymiarowe modele regresji liniowej Interpretacja równania modelu Elementy składowe modelu Wykorzystanie hipotez statystycznych Modele złożone Wielomiany Współliniowość Standaryzacja wartości Ocena efektywności modelu Diagnostyka modeli nieliniowych Weryfikacja założeń modelu Metody alternatywne Transformacja zmiennej objaśnianej 25

3 Model ważony Modelowanie różnic w grupach (ANOVA) tematy zaawansowane Własne testy statystyczne Analiza w równolicznych grupach Analiza i weryfikacja założeń modelu Modele regresji z ciągłymi i grupującymi zmiennymi objaśniającymi Adaptacja klasycznego modelu regresji Analiza kowariancji Porównanie metod Wprowadzenie do generycznych modeli liniowych Model regresji Poissona Model regresji Gamma Kod szkolenia: MST2 Zastosowanie i techniki segmentacji Dostępne techniki segmentacyjne Metody hierarchiczne Metody podziałowe Pomiar stopnia podobieństwa pomiędzy obiektami Miary odległości Skuteczność podziału Przygotowanie do segmentacji Klasteryzacja zmiennych Metody graficzne Metody redukcji wymiarów Standaryzacja zmiennych Nieregularne kształty segmentów Segmentacja z wykorzystaniem metod podziałowych Rozwiązywanie przypadków szczególnych Segmentacja z wykorzystaniem metod hierarchicznych Analiza skuteczności procesu segmentacyjnego Optymalna liczba segmentów Określanie cech charakterystycznych segmentu Miary ilościowe Metody graficzne Scoring nowych obserwacji Case study Kod szkolenia: SEG Metody doboru próby w analizach danych Podczas wykonywania analiz statystycznych i badań marketingowych bardzo rzadko dysponujemy danymi dla wszystkich interesujących badacza podmiotów zbadanie wszystkich jest albo niewykonalne albo niezwykle kosztowne. Trudno na przykład zapytać o opinię na temat produktu wszystkich Polaków albo nawet wszystkich klientów danej firmy. Dlatego badanie przeprowadzane jest najczęściej dla wybranego fragmentu całości, a następnie wyniki uogólniane są na całą populację. Ważnym pytaniem w tym momencie jest zagadnienie reprezentatywności wyników uzyskanych w ten sposób i ich dokładności. Osoby projektujące tego typu analizy i badania marketingowe muszą mieć świadomość wpływu kryteriów wyboru próby na jakość otrzymanych wyników. Do najbardziej istotnych problemów można zaliczyć: wielkość próby danych, aby wyniki były reprezentatywne dla całej populacji, wyznaczenie średniego błędu szacunku dla wybranej wielkości próby, wykorzystanie dostępnych informacji do zwiększenia efektywności badania (np. redukcja kosztów, dzięki wykorzystaniu mniejszej próby, zmniejszenie średniego błędu szacunku dla określonej wielkości próby). Uczestnicy szkolenia poznają różne metody doboru próby. Dodatkowo przedstawione zostaną metody obliczenia wielkości próby pozwalające uzyskać wyniki o założonej dokładności. Teoretyczne podstawy metody reprezentacyjnej: Ważniejsze rozkłady zmiennych losowych, Główne twierdzenia graniczne, Projektowanie badań reprezentacyjnych: Liczebność próby, Rodzaje błędów statystycznych i ich źródła, Metody losowania: Losowanie proste, Losowanie warstwowe, Losowanie systematyczne, Testy zgodności, jednorodności i niezależności. Wymagania wstępne: zalecana wiedza z zakresu szkolenia Podstawy statystyki. Kod szkolenia: MDP Poziom szkolenia: D Analiza danych panelowych Dane panelowe to zbiór obserwacji pewnych cech statystycznych dla tej samej grupy podmiotów/ jednostek w kolejnych momentach w czasie. Może on na przykład dotyczyć regularnych comiesięcznych wydatków tej samej grupy klientów na produkty/usługi badanej firmy w ciągu roku lub kilku lat. Specyfika tego rodzaju danych wymaga odpowiedniego podejścia od strony statystycznej. Uczestnicy szkolenia nauczą się szacować modele dla danych panelowych, interpretować wyniki i weryfikować hipotezy związane z estymowanymi parametrami. Wprowadzenie: Wybrane zastosowania analizy danych panelowych, Charakterystyka podejścia panelowego, Cechy prób panelowych, Modele dla danych panelowych: Liniowy model efektów nieobserwowalnych, Estymator efektów stałych, Estymator efektów losowych, Testowanie hipotez dotyczących parametrów. Wymagania wstępne: Zalecana wiedza z zakresu szkolenia: Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej Kod szkolenia: PAN Poziom szkolenia: D Analiza zmiennych kategoryzujących z wykorzystaniem regresji logistycznej (Categorical Data Analysis Using Logistic Regression) This course focuses on analyzing categorical response data in scientific fields. The SAS/STAT s addressed are PROC FREQ, PROC LOGISTIC, and PROC GENMOD. The ODS Statistical Graphics s used are PROC SGPLOT and PROC SGPANEL. The course is not designed for predictive modelers in business fields, although predictive modelers can benefit from the content of this course. 26

4 Biostatisticians, epidemiologists, social scientists, and physical scientists who analyze categorical response data and predictive modelers who would like to learn more about the statistical background of logistic regression have a working knowledge of statistical modeling, including concepts of regression, of variance, and contingency table, which you can obtain in the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course have an understanding of basic syntax in SAS s and DATA steps have experience in executing SAS programs and creating SAS data sets, which you can gain by completing the SAS Programming 1: Essentials course have experience analyzing frequency tables using SAS software have completed a course in statistics that covers linear regression and logistic regression, which you can achieve by completing the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course SAS/STAT software. Categorical Data and Contingency Table Analysis introduction to categorical data associations among categorical variables stratified contingency table Binary Logistic Regression introduction to logistic regression adding categorical predictors and the CLASS statement Model Building empirical logit plots confounding and interactions automatic model selection variable clustering for variable reduction customized tests Model Illustration and Assessment interaction illustration model sssessment ROC curves outlier detection Multinomial Logistic Regression ordinal logistic regression nominal logistic regression Advanced Topics correlated observations GEE regression models conditional logistic regression failure to converge and small samples Kod szkolenia: ANLOG Metody imputacji braków danych (Imputation Techniques in SAS) Concentrating on the needs of those relatively new to the use of multiple imputation tools in SAS, this course provides a general introduction to using the MI and MIANALYZE s for multiple imputation and subsequent analyses with imputed data sets. Analysts, data managers, and other data professionals working with data sets with missing data have a solid understanding of the SAS DATA step, which can be gained by attending the SAS Programming 1: Essentials course or the SAS Programming 2: Data Manipulation Techniques course, or have equivalent experience have an intermediate knowledge of statistics, which can be gained by attending either the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression course or thestatistics 2: ANOVA and Regression course, or have equivalent academic training. This course addresses SAS/STAT software. Missing Data Issues types of missing data and how to identify sources and patterns of missing data why missing data occurs, and what to do about it Introduction to Multiple Imputation Using SAS comparison of simple and multiple imputation approaches discussion of why multiple imputation is a preferred approach PROC MI and PROC MIANALYZE Overview of Three-Step Process multiple imputation using PROC MI of imputed data sets using standard SAS s use of PROC MIANALYZE for accounting for variability introduced during multiple imputation and of output from standard SAS s Practical Examples of Multiple Imputation common examples of multiple imputation and of imputed data sets using public release data from the Longitudinal Survey of Aging (a complex sample survey data set) examples that cover typical imputation needs and subsequent of imputed INFO: Web: sas.com/poland/szkolenia Tel: (22) data using descriptive and regression approaches output from the imputation step and the of imputed data sets Kod szkoelnia MIBD Modele statystyczne część III: modele mieszane (Mixed Models Analyses Using SAS) This course teaches you how to analyze linear mixed models using PROC MIXED. A brief introduction to analyzing generalized linear mixed models using PROC GLIMMIX is also included. Statisticians, experienced data analysts, and researchers with sound statistical knowledge know how to create and manage SAS data sets have experience performing of variance using the GLM of SAS/ STAT software have completed and mastered the Statistics 2: ANOVA and Regression course or completed a graduate-level course on general linear models. Exposure to matrix algebra will enhance your understanding of the material. Some experience manipulating SAS data sets and producing graphs using SAS/GRAPH software is also recommended. This course addresses SAS/STAT software. Introduction to Mixed Models identifying fixed and random effects describing linear mixed model equations and assumptions fitting a linear mixed model for a randomized complete block design using the MIXED writing CONTRAST and ESTIMATE statements to perform custom hypothesis tests Examples of Mixed Models in Some Designed Experiments fitting a linear mixed model for two-way mixed models fitting a linear mixed model for nested mixed models fitting a linear mixed model for split-plot designs fitting a linear mixed model for crossover designs Examples of Mixed Models with Covariates fitting of covariance models with 27

5 28 random effects performing random coefficient regression conducting hierarchical linear modeling Best Linear Unbiased Prediction explaining BLUPs and EBLUPs producing parameter estimates associated with the fixed effects and random effects explaining the difference between LSMEANS and EBLUPs computing LSMEANS and EBLUPs using the MIXED Repeated Measures Analysis discussing issues on repeated measures, including modeling covariance structure analyzing repeated measures data using the four-step process with the MIXED Mixed Models Residual Diagnostics and Troubleshooting performing residual and influence diagnostics for linear mixed models troubleshooting convergence problems Additional Information about Linear Mixed Models (Self-Study) discussing issues associated with unbalanced data, data with empty cells, estimation and inference of variance parameters, and different denominator degrees of freedom estimation methods Introduction to Generalized Linear Mixed Models and Nonlinear Mixed Models discussing the situations where generalized linear mixed models and nonlinear mixed models are needed performing the for generalized linear mixed models using the GLIMMIX Liczba dni: 3 Kod szkolenia MST3 Analiza przeżycia (Survival Analysis Using the Proportional Hazards Model) This course discusses survival concepts with an emphasis on health care problems. The course focuses on the Cox proportional hazards model, not the parametric models, and is not designed for predictive modelers. Biostatisticians, epidemiologists, social scientists, and physical scientists be able to create SAS data sets and manipulate data. You can gain this experience from the SAS Programming 2: Data Manipulation Techniques course. have completed a statistics course such as the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression or the Statistics 2: ANOVA and Regression courses. SAS/STAT software Introduction to Survival Analysis survival concepts exploratory data using survival curves Proportional Hazards Model introduction to the Cox proportional hazards model model assessment models with nonproportional hazards model building and subset selection Advanced Topics working with time-dependent covariates fitting Cox proportional hazards models for repeated events Kod szkolenia: SUR Modele statystyczne część IV: tematy zaawansowane (Advanced Statistical Modeling Using the NLMIXED Procedure) This course teaches you how to use the NLMIXED to fit statistical models. understand categorical data (for example, logistic regression). You can complete thecategorical Data Analysis Using Logistic Regression course or have equivalent experience with and knowledge of logistic regression. understand linear mixed models (the MIXED ). You can complete the Mixed Models Analyses Using SAS course or have equivalent experience with and knowledge of linear mixed models. have experience with SAS programming at the level covered in the SAS Programming 1: Essentials course. Overview of Nonlinear Mixed Models and PROC NLMIXED introduction to nonlinear mixed models Using the NLMIXED for a NLMM Applications of the NLMIXED Procedure fitting zero-inflated Poisson models fitting other mixture models including hurdle models, zero-inlfated negative binomial models, and generalized Poisson models (Self-Study) Computational Efficiency making the NLMIXED run faster using techniques achieving convergence with the NLMIXED interpreting log notes and warnings Kod szkolenia MST4 Analizy Bayesowskie (Bayesian Analyses Using SAS) The course focuses on Bayesian analyses using the PHREG, GENMOD, and s. The examples include logistic regression, Cox proportional hazards model, general linear mixed model, and the zero-inflated Poisson model. A Bayesian of a crossover design and a meta- are also shown. Biostatisticians, epidemiologists, and social scientists who are interested in the Bayesian approach be able to create SAS data sets and manipulate data. You can gain this experience from the SAS Programming 2: Data Manipulation Techniques course. have completed a statistics course such as the Statistics 1: Introduction to ANOVA, Regression, and Logistic Regression or the Statistics 2: ANOVA and Regression courses. SAS/STAT software. Introduction to Bayesian Analysis introduce the basic concepts of Bayesian compute the diagnostic plots and diagnostic statistics for model assessment discuss the advantages and disadvantages of Bayesian illustrate a Bayesian in PROC GENMOD and PROC PHREG Fitting Models with the Procedure show the essential statements in PROC show the supported distributions in PROC fit a logistic regression model in PROC fit a general linear mixed model in PROC fit a zero-inflated Poisson model in PROC

6 Bayesian Approaches to Clinical Trials use prior distributions in a Bayesian illustrate a Bayesian approach to clinical trials using PROC illustrate the Bayesian approach to meta Kod szkolenia: BAY Wieloczynnikowa analiza danych (Multivariate Statistical Methods: Practical Research Applications) This course teaches how to apply a variety of multivariate statistical methods to research data. know how to create and manage SAS data sets have experience performing a linear model using the REG or GLM s of SAS/STAT software have completed and mastered the material covered in the Statistics 2: ANOVA and Regression course or completed a graduatelevel course on general linear models. Exposure to matrix algebra will enhance your understanding of the material. Some experience manipulating SAS data sets and producing graphs SAS software is also recommended. SAS/STAT and SAS/GRAPH software. Overview and Examples of Multivariate Methods introduction and examples of multivariate statistics review of univariate statistics introduction to multivariate linear models ODS Statistical Graphics in SAS 9.2 Analysis of Groups: Multivariate Analysis of Variance factorial MANOVA contrasts More Multivariate Linear Models multivariate multiple regression canonical correlation Classification Into Groups: Discriminant Analysis canonical discriminant linear discriminant quadratic discriminant discriminant and empirical validation Variable Reduction and Extraction of Meaningful Factors principal components exploratory factor Cronbach s coefficient alpha for scale reliability Analysis of Structure Using the CALIS Procedure introduction to structural equation models confirmatory factor regression path models structural equation models with latent variables structural models with repeated measurements Additional Data Topics evaluating assumptions for multivariate Kod szkolenia: WAD Analiza szeregów czasowych z SAS Forecast Server (Forecasting Using SAS Forecast Server Software) This course prepares you to generate large volumes of forecasts automatically using the SAS Forecast Studio interactive interface. Forecasters and analysts in any industry, including retail, financial services, manufacturing, and pharmaceuticals Prerequisites be familiar with business forecasting problems have experience with a Windows computing environment have experience using a product such as Microsoft Excel to enter or transfer data and to perform elementary analyses such as computing row totals, column totals, and averages, and producing charts and plots. SAS Forecast Server, SAS/STAT software. INFO: Web: sas.com/poland/szkolenia Tel: (22) Introduction to SAS Forecast Studio Forecasting Using the Default Functionality in SAS Forecast Studio creating a SAS Forecast Studio project accuracy statistics and forecast model selection families of models supported and functionality issues scenario Hierarchical Forecasting hierarchical forecasting statistical forecast reconciliation accumulation and aggregation options reconciliation effects manual overrides to reconciled forecasts Model Refinement One Series at a Time custom models: generated and prespecified event variables Generating Best Forecasts in Hierarchically Arranged Data honest assessment outlier variables and other model inputs creating and using event variables based on calendar effects stored processes generated data sets accommodating data updates Kod szkolenia: FRS Analiza szeregów czasowych (Forecasting Using SAS Software: A Programming Approach) This course teaches analysts how to use SAS/ ETS software to diagnose systematic variation in data collected over time, create forecast models to capture the systematic variation, evaluate a given forecast model for goodness-of-fit and accuracy, and forecast future values using the model. Topics include Box-Jenkins ARIMA models, dynamic regression models, and exponential smoothing models. Scientists, engineers, and business analysts who have the responsibility of forecasting or evaluating policies and practices for their organizations SAS/ETS software Introduction to Forecasting time series and forecasting introduction to forecasting with SAS software evaluating forecasts Stationary Time Series Models introduction to stationary time series automatic model selection techniques for stationary time series estimation and forecasting for stationary time series Trend Models introduction to nonstationary time series modeling trend alternatives to PROC ARIMA for modeling trend Seasonal Models seasonal ARIMA models alternatives to PROC ARIMA for fitting seasonal models forecasting the airline passengers data Models with Explanatory Variables ordinary regression models event models 29

7 time series regression models Wymagania wstępne: Wiedza z zakresu szkolenia: Podstawy statystyki Liczba dni: 3 Kod szkolenia: ANSZ Budowa i rozwiązywanie modeli optymalizacyjnych z SAS OR (Building and Solving Optimization Models with SAS/OR) This course focuses on formulating and solving mathematical optimization using the OPTMODEL, from inputting data to interpreting output and generating reports. The course covers linear, integer, mixed-integer, and nonlinear programming problems, with an emphasis on model formulation and construction. Anyone who wants to formulate and solve linear, integer, mixed-integer, or nonlinear problems using SAS/OR software Base SAS, SAS/GRAPH, SAS/OR, SAS/STAT Prerequisites Before atending this course you should have completed an undergraduate course in operations research that includes linear programming or have recent experience using linear programming or be comfortable with matrix algebra be able to execute SAS programs and create SAS data sets. You can gain this experience by completing the SAS Programming 1: Essentials course. network flow models Integer and Mixed-Integer Linear Programming Problems introduction to integer and mixed-integer linear programming solving integer and mixed-integer programming problems using the OPTMODEL modeling using binary variables modeling using binary variables mixed-integer linear programming solver options (self-study) Nonlinear Programming Problems introduction to nonlinear programming solving nonlinear programming problems using the OPTMODEL nonlinear optimization methods in the OPTMODEL Supplemental Material declarations reading and creating data delimiters and PROC OPTMODEL syntax variables, constraints, objectives, and parameters Liczba dni: 3 Kod szkolenia: OPT 30 Introduction to Mathematical Optimization introduction simple examples the OPTMODEL Linear Programming Problems: Basic Ideas introduction to linear programming formulating and solving linear programming problems using the OPTMODEL reading data from SAS data sets writing output from the OPTMODEL dual values, reduced costs, and pricing in the simplex method Linear Programming Problems: Additional Topics basic control flow and operators in the OPTMODEL model updates in the OPTMODEL

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...

Bardziej szczegółowo

Cena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO 1 1 200 1 260 2 20 4 1 7 2

Cena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO 1 1 200 1 260 2 20 4 1 7 2 2015 SAS Education sas.com/poland/training Centrum Szkoleniowe SAS Institute sp. z o.o. ul. Gdańska 27/31, 01-633 Warszawa (22) 560 46 20 cs@spl.sas.com Kalendarz szkoleń Grow With Us Nazwa szkolenia Kod

Bardziej szczegółowo

Projekt: Mikro zaprogramowane na sukces!

Projekt: Mikro zaprogramowane na sukces! Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Projekt: Mikro zaprogramowane na sukces! Opis autoryzowanych szkoleń Oracle planowanych do realizacji w ramach

Bardziej szczegółowo

KATALOG SZKOLEŃ. SAS Education. Grow With Us sas.com/poland/szkolenia

KATALOG SZKOLEŃ. SAS Education. Grow With Us sas.com/poland/szkolenia KATALOG SZKOLEŃ 2015 SAS Education Grow With Us sas.com/poland/szkolenia The demand for people with the skills to use powerful analytics to solve increasingly complex information challenges has reached

Bardziej szczegółowo

Proposal of thesis topic for mgr in. (MSE) programme in Telecommunications and Computer Science

Proposal of thesis topic for mgr in. (MSE) programme in Telecommunications and Computer Science Proposal of thesis topic for mgr in (MSE) programme 1 Topic: Monte Carlo Method used for a prognosis of a selected technological process 2 Supervisor: Dr in Małgorzata Langer 3 Auxiliary supervisor: 4

Bardziej szczegółowo

Regresja logistyczna z wykorzystaniem narzędzi SAS Logistic Regression with SAS

Regresja logistyczna z wykorzystaniem narzędzi SAS Logistic Regression with SAS NOWY PROGRAM STUDIÓW 2014/2015 STANDARDOWY SYLABUS PRZEDMIOTU Koordynator przedmiotu: dr hab. Ewa Frątczak Sygnatura: Wykładowcy uczestniczący w opracowaniu sylabusa: 1. dr hab. Ewa Frątczak 2. 3. 4. 5.

Bardziej szczegółowo

Cel szkolenia. Konspekt

Cel szkolenia. Konspekt Cel szkolenia About this CourseThis 5-day course provides administrators with the knowledge and skills needed to deploy and ma Windows 10 desktops, devices, and applications in an enterprise environment.

Bardziej szczegółowo

ZAAWANSOWANE METODY ANALIZ STATYSTYCZNYCH red. Ewa Frątczak

ZAAWANSOWANE METODY ANALIZ STATYSTYCZNYCH red. Ewa Frątczak Tytuł: Autor: ZAAWANSOWANE METODY ANALIZ STATYSTYCZNYCH red. Ewa Frątczak Wstęp Zaawansowane metody analiz statystycznych przenoszą analizy statystyczne na kolejny wyższy poziom. Określenie tego wyższego

Bardziej szczegółowo

ZAWANSOWANE METODY ANALIZ STATYSTYCZNYCH ADVANCED STATISTICAL ANALYSIS METHODS. Część A

ZAWANSOWANE METODY ANALIZ STATYSTYCZNYCH ADVANCED STATISTICAL ANALYSIS METHODS. Część A NOWY PROGRAM STUDIÓW 2014/2015 STANDARDOWY SYLABUS PRZEDMIOTU KIERUNKOWEGO/SPECJALNOŚCIOWEGO Koordynator przedmiotu: dr hab. prof. SGH Ewa Frątczak Sygnatura: Wykładowcy uczestniczący w opracowaniu sylabusa:

Bardziej szczegółowo

SZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie

SZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie SZKOLENIA SAS ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie DANIEL KUBIK ŁUKASZ LESZEWSKI ROLE ROLE UŻYTKOWNIKÓW MODUŁU

Bardziej szczegółowo

Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak

Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak Podstawy statystyki dla psychologów. Podręcznik akademicki. Wydanie drugie poprawione. Wiesław Szymczak Autor prezentuje spójny obraz najczęściej stosowanych metod statystycznych, dodatkowo omawiając takie

Bardziej szczegółowo

Zarządzanie sieciami telekomunikacyjnymi

Zarządzanie sieciami telekomunikacyjnymi SNMP Protocol The Simple Network Management Protocol (SNMP) is an application layer protocol that facilitates the exchange of management information between network devices. It is part of the Transmission

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYCZNA ANALIZA DANYCH Nazwa w języku angielskim STATISTICAL DATA ANALYSIS Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

System optymalizacji produkcji energii

System optymalizacji produkcji energii System optymalizacji produkcji energii Produkcja energii jest skomplikowanym procesem na który wpływa wiele czynników, optymalizacja jest niezbędna, bieżąca informacja o kosztach i możliwościach wykorzystania

Bardziej szczegółowo

ERASMUS + : Trail of extinct and active volcanoes, earthquakes through Europe. SURVEY TO STUDENTS.

ERASMUS + : Trail of extinct and active volcanoes, earthquakes through Europe. SURVEY TO STUDENTS. ERASMUS + : Trail of extinct and active volcanoes, earthquakes through Europe. SURVEY TO STUDENTS. Strona 1 1. Please give one answer. I am: Students involved in project 69% 18 Student not involved in

Bardziej szczegółowo

Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH

Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH Kierunek Elektronika i Telekomunikacja, Studia II stopnia Specjalność: Systemy wbudowane Metodyki projektowania i modelowania systemów Cyganek & Kasperek & Rajda 2013 Katedra Elektroniki AGH Zagadnienia

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

Projektowanie (design) Eurostat

Projektowanie (design) Eurostat Projektowanie (design) Eurostat Podstawa prezentacji moduł Overall design autor Eva Elvers ze Statistics Sweden Prezentacja autora na szkoleniu w Hadze 28-29 listopada 2013 r. Zarys Badanie statystyczne

Bardziej szczegółowo

Akademia Morska w Szczecinie. Wydział Mechaniczny

Akademia Morska w Szczecinie. Wydział Mechaniczny Akademia Morska w Szczecinie Wydział Mechaniczny ROZPRAWA DOKTORSKA mgr inż. Marcin Kołodziejski Analiza metody obsługiwania zarządzanego niezawodnością pędników azymutalnych platformy pływającej Promotor:

Bardziej szczegółowo

MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ

MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ I LOJALNOŚCIĄ WOBEC MARKI Adam Sagan Akademia Ekonomiczna w Krakowie, Katedra Analizy Rynku i Badań Marketingowych Wstęp Modelowanie strukturalne ma wielorakie

Bardziej szczegółowo

Kierunek i poziom studiów: Biologia, poziom drugi Sylabus modułu: Metody statystyczne w naukach przyrodniczych

Kierunek i poziom studiów: Biologia, poziom drugi Sylabus modułu: Metody statystyczne w naukach przyrodniczych Uniwersytet Śląski w Katowicach str. 1 Kierunek i poziom studiów: Biologia, poziom drugi Sylabus modułu: Metody statystyczne w naukach przyrodniczych kod modułu: 2BL_02 1. Informacje ogólne koordynator

Bardziej szczegółowo

JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1

JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1 Powtórzenie: ANOVA 1 JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1 Obserwowana (badana) cecha Y Czynnik wpływający na Y (badany) A A i i ty poziom czynnika A (i=1..a), n i liczba powtórzeń w i tej populacji

Bardziej szczegółowo

Krytyczne czynniki sukcesu w zarządzaniu projektami

Krytyczne czynniki sukcesu w zarządzaniu projektami Seweryn SPAŁEK Krytyczne czynniki sukcesu w zarządzaniu projektami MONOGRAFIA Wydawnictwo Politechniki Śląskiej Gliwice 2004 SPIS TREŚCI WPROWADZENIE 5 1. ZARZĄDZANIE PROJEKTAMI W ORGANIZACJI 13 1.1. Zarządzanie

Bardziej szczegółowo

dr Dominik M. Marciniak Analizy statystyczne w pracach naukowych czego unikać, na co zwracać uwagę.

dr Dominik M. Marciniak Analizy statystyczne w pracach naukowych czego unikać, na co zwracać uwagę. dr Dominik M. Marciniak Analizy statystyczne w pracach naukowych czego unikać, na co zwracać uwagę. Statistics in academic papers, what to avoid and what to focus on. Uniwersytet Medyczny im. Piastów Śląskich

Bardziej szczegółowo

PROGRAM STAŻU. IBM Global Services Delivery Centre Sp z o.o. Nazwa podmiotu oferującego staż / Company name. Muchoborska 8, 54-424 Wroclaw

PROGRAM STAŻU. IBM Global Services Delivery Centre Sp z o.o. Nazwa podmiotu oferującego staż / Company name. Muchoborska 8, 54-424 Wroclaw PROGRAM STAŻU Nazwa podmiotu oferującego staż / Company name IBM Global Services Delivery Centre Sp z o.o. Miejsce odbywania stażu / Legal address Muchoborska 8, 54-424 Wroclaw Stanowisko, obszar działania/

Bardziej szczegółowo

Ćwiczenie 12. Metody eksploracji danych

Ćwiczenie 12. Metody eksploracji danych Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych

Bardziej szczegółowo

Zdalny dostęp do Statystycznych Baz Danych a bezpieczeństwo danych jednostkowych.

Zdalny dostęp do Statystycznych Baz Danych a bezpieczeństwo danych jednostkowych. Zdalny dostęp do Statystycznych Baz Danych a bezpieczeństwo danych jednostkowych. Przegląd zastosowanych rozwiązań urzędów statystycznych na świecie. mgr inż. Jarosław Butanowicz mgr inż. Łukasz Ślęzak

Bardziej szczegółowo

KARTA PRZEDMIOTU / SYLABUS

KARTA PRZEDMIOTU / SYLABUS Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna

Bardziej szczegółowo

Szkolenie Analiza przeżycia

Szkolenie Analiza przeżycia Analiza przeżycia program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Analiza przeżycia - program i cennik Analiza przeżycia Co obejmuje? Analiza przeżycia (Survival analysis)

Bardziej szczegółowo

PROGRAM NAUCZANIA PRZEDMIOTU OBOWIĄZKOWEGO NA WYDZIALE LEKARSKIM I ROK AKADEMICKI 2014/2015 PRZEWODNIK DYDAKTYCZNY dla STUDENTÓW IV ROKU STUDIÓW

PROGRAM NAUCZANIA PRZEDMIOTU OBOWIĄZKOWEGO NA WYDZIALE LEKARSKIM I ROK AKADEMICKI 2014/2015 PRZEWODNIK DYDAKTYCZNY dla STUDENTÓW IV ROKU STUDIÓW PROGRAM NAUCZANIA PRZEDMIOTU OBOWIĄZKOWEGO NA WYDZIALE LEKARSKIM I ROK AKADEMICKI 2014/2015 PRZEWODNIK DYDAKTYCZNY dla STUDENTÓW IV ROKU STUDIÓW 1. NAZWA PRZEDMIOTU : BIOSTATYSTYKA 2. NAZWA JEDNOSTKI (jednostek

Bardziej szczegółowo

Metody statystyki medycznej stosowane w badaniach klinicznych

Metody statystyki medycznej stosowane w badaniach klinicznych Metody statystyki medycznej stosowane w badaniach klinicznych Statistics for clinical research & post-marketing surveillance część III Program szkolenia część III Model regresji liniowej Współczynnik korelacji

Bardziej szczegółowo

PROGRAM STAŻU. Nazwa podmiotu oferującego staż / Company name IBM Global Services Delivery Centre Sp z o.o.

PROGRAM STAŻU. Nazwa podmiotu oferującego staż / Company name IBM Global Services Delivery Centre Sp z o.o. PROGRAM STAŻU Nazwa podmiotu oferującego staż / Company name IBM Global Services Delivery Centre Sp z o.o. Miejsce odbywania stażu / Legal address Muchoborska 8, 54-424 Wroclaw Stanowisko, obszar działania/

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Statystyka komputerowa Computer statistics Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: Fakultatywny - oferta Poziom studiów:

Bardziej szczegółowo

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013 Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 01/01 Wydział Prawa, Administracji i Stosunków Miedzynarodowych Kierunek

Bardziej szczegółowo

METODY STATYSTYCZNE W BIOLOGII

METODY STATYSTYCZNE W BIOLOGII METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

Bardziej szczegółowo

Formularz dla osób planujących ubiegać się o przyjęcie na studia undergraduate (I stopnia) w USA na rok akademicki

Formularz dla osób planujących ubiegać się o przyjęcie na studia undergraduate (I stopnia) w USA na rok akademicki Formularz dla osób planujących ubiegać się o przyjęcie na studia undergraduate (I stopnia) w USA na rok akademicki 2017-2018 Zanim zaczniesz wypełniać formularz, zapoznaj się z Instrukcjami! Imię i nazwisko:

Bardziej szczegółowo

2014-3-30. Urbanek J., Jabłoński A., Barszcz T ssswedfsdfurbanek J., Jabłoński A., Barszcz T., Wykonanie pomiarów

2014-3-30. Urbanek J., Jabłoński A., Barszcz T ssswedfsdfurbanek J., Jabłoński A., Barszcz T., Wykonanie pomiarów Wykonanie pomiarów sygnałów wibroakustycznych przy stałych oraz zmiennych warunkach eksploatacyjnych na stanowisku testowym. Część II: Analiza poprawności pomiarów. Autorzy: Urbanek J., Jabłoński A., Barszcz

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

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo

Bardziej szczegółowo

Szkolenie Data mining przegląd metod

Szkolenie Data mining przegląd metod Szkolenie Data mining przegląd metod program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Data mining przegląd metod Co obejmuje? Szkolenie obejmuje podstawowe

Bardziej szczegółowo

Estimation and planing. Marek Majchrzak, Andrzej Bednarz Wroclaw, 06.07.2011

Estimation and planing. Marek Majchrzak, Andrzej Bednarz Wroclaw, 06.07.2011 Estimation and planing Marek Majchrzak, Andrzej Bednarz Wroclaw, 06.07.2011 Story points Story points C D B A E Story points C D 100 B A E Story points C D 2 x 100 100 B A E Story points C D 2 x 100 100

Bardziej szczegółowo

Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl. magda.szewczyk@slo-wroc.pl. Twoje konto Wyloguj. BIODIVERSITY OF RIVERS: Survey to teachers

Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl. magda.szewczyk@slo-wroc.pl. Twoje konto Wyloguj. BIODIVERSITY OF RIVERS: Survey to teachers 1 z 7 2015-05-14 18:32 Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl Back Twoje konto Wyloguj magda.szewczyk@slo-wroc.pl BIODIVERSITY OF RIVERS: Survey to teachers Tworzenie ankiety Udostępnianie

Bardziej szczegółowo

Configuring and Testing Your Network

Configuring and Testing Your Network Configuring and Testing Your Network Network Fundamentals Chapter 11 Version 4.0 1 Konfigurowanie i testowanie Twojej sieci Podstawy sieci Rozdział 11 Version 4.0 2 Objectives Define the role of the Internetwork

Bardziej szczegółowo

Wykład z Nowej ekonometrii, 7 marca 2006:

Wykład z Nowej ekonometrii, 7 marca 2006: Wykład z Nowej ekonometrii, 7 marca 2006: Na mojej stronie internetowej podane są pliki z danymi: http://akson.sgh.waw.pl/~ewams/mills.zip http://akson.sgh.waw.pl/~ewams/mills_obligacje.xls dane z pierwszego

Bardziej szczegółowo

S t a t y s t y k a, część 3. Michał Żmihorski

S t a t y s t y k a, część 3. Michał Żmihorski S t a t y s t y k a, część 3 Michał Żmihorski Porównanie średnich -test T Założenia: Zmienne ciągłe (masa, temperatura) Dwie grupy (populacje) Rozkład normalny* Równe wariancje (homoscedasticity) w grupach

Bardziej szczegółowo

Planning and Cabling Networks

Planning and Cabling Networks Planning and Cabling Networks Network Fundamentals Chapter 10 Version 4.0 1 Projektowanie okablowania i sieci Podstawy sieci Rozdział 10 Version 4.0 2 Objectives Identify the basic network media required

Bardziej szczegółowo

2008-03-18 wolne wolne 2008-03-25 wolne wolne

2008-03-18 wolne wolne 2008-03-25 wolne wolne PLAN SPOTKAŃ ĆWICZEŃ: Data Grupa 2a Grupa 4a Grupa 2b Grupa 4b 2008-02-19 Zajęcia 1 Zajęcia 1 2008-02-26 Zajęcia 1 Zajęcia 1 2008-03-04 Zajęcia 2 Zajęcia 2 2008-03-11 Zajęcia 2 Zajęcia 2 2008-03-18 wolne

Bardziej szczegółowo

Analiza Sieci Społecznych Pajek

Analiza Sieci Społecznych Pajek Analiza Sieci Społecznych Pajek Dominik Batorski Instytut Socjologii UW 25 marca 2005 1 Wprowadzenie Regularności we wzorach relacji często są nazywane strukturą. Analiza sieci społecznych jest zbiorem

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl. magda.szewczyk@slo-wroc.pl. Twoje konto Wyloguj. BIODIVERSITY OF RIVERS: Survey to students

Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl. magda.szewczyk@slo-wroc.pl. Twoje konto Wyloguj. BIODIVERSITY OF RIVERS: Survey to students Ankiety Nowe funkcje! Pomoc magda.szewczyk@slo-wroc.pl Back Twoje konto Wyloguj magda.szewczyk@slo-wroc.pl BIODIVERSITY OF RIVERS: Survey to students Tworzenie ankiety Udostępnianie Analiza (55) Wyniki

Bardziej szczegółowo

POLITECHNIKA ŚLĄSKA INSTYTUT AUTOMATYKI ZAKŁAD SYSTEMÓW POMIAROWYCH

POLITECHNIKA ŚLĄSKA INSTYTUT AUTOMATYKI ZAKŁAD SYSTEMÓW POMIAROWYCH POLITECHNIKA ŚLĄSKA INSTYTUT AUTOMATYKI ZAKŁAD SYSTEMÓW POMIAROWYCH Gliwice, wrzesień 2005 Pomiar napięcia przemiennego Cel ćwiczenia Celem ćwiczenia jest zbadanie dokładności woltomierza cyfrowego dla

Bardziej szczegółowo

Badania Marketingowe. Zajęcia 1 Wprowadzenie do badao marketingowych

Badania Marketingowe. Zajęcia 1 Wprowadzenie do badao marketingowych Badania Marketingowe Zajęcia 1 Wprowadzenie do badao marketingowych Definicje badao marketingowych Badanie marketingowe to systematyczne projektowanie, zbieranie, prezentowanie danych i wyników badao istotnie

Bardziej szczegółowo

Akcja COST FP0902 jako przykład międzynarodowej współpracy w zakresie metodyki badań pozyskiwania biomasy leśnej do celów energetycznych

Akcja COST FP0902 jako przykład międzynarodowej współpracy w zakresie metodyki badań pozyskiwania biomasy leśnej do celów energetycznych Akcja COST FP0902 jako przykład międzynarodowej współpracy w zakresie metodyki badań pozyskiwania biomasy leśnej do celów energetycznych Krzysztof Jodłowski, Michał Kalinowski Instytut Badawczy Leśnictwa

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

PRACA DYPLOMOWA Magisterska

PRACA DYPLOMOWA Magisterska POLITECHNIKA WARSZAWSKA Wydział Samochodów i Maszyn Roboczych PRACA DYPLOMOWA Magisterska Studia stacjonarne dzienne Semiaktywne tłumienie drgań w wymuszonych kinematycznie układach drgających z uwzględnieniem

Bardziej szczegółowo

Diagnostyka w Pakiecie Stata

Diagnostyka w Pakiecie Stata Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.

Bardziej szczegółowo

ANKIETA ŚWIAT BAJEK MOJEGO DZIECKA

ANKIETA ŚWIAT BAJEK MOJEGO DZIECKA Przedszkole Nr 1 w Zabrzu ANKIETA ul. Reymonta 52 41-800 Zabrze tel./fax. 0048 32 271-27-34 p1zabrze@poczta.onet.pl http://jedyneczka.bnet.pl ŚWIAT BAJEK MOJEGO DZIECKA Drodzy Rodzice. W związku z realizacją

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

Health Resorts Pearls of Eastern Europe Innovative Cluster Health and Tourism

Health Resorts Pearls of Eastern Europe Innovative Cluster Health and Tourism Health Resorts Pearls of Eastern Europe Innovative Cluster Health and Tourism Projekt finansowany Fundusze Europejskie z budżetu państwa dla rozwoju oraz ze Polski środków Wschodniej Unii Europejskiej

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE. Negotiation techniques. Management. Stationary. II degree

PRZEWODNIK PO PRZEDMIOCIE. Negotiation techniques. Management. Stationary. II degree Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj

Bardziej szczegółowo

Tematy projektów HDiPA 2015

Tematy projektów HDiPA 2015 Tematy projektów HDiPA 2015 Robert Wrembel Poznan University of Technology Institute of Computing Science Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Reguły Projekty zespołowe 2-4 osoby

Bardziej szczegółowo

Analiza Sieci Społecznych Pajek

Analiza Sieci Społecznych Pajek Analiza Sieci Społecznych Pajek Dominik Batorski Instytut Socjologii UW 3 czerwca 2016 1 Wprowadzenie Regularności we wzorach relacji często są nazywane strukturą. Analiza sieci społecznych jest zbiorem

Bardziej szczegółowo

Domy inaczej pomyślane A different type of housing CEZARY SANKOWSKI

Domy inaczej pomyślane A different type of housing CEZARY SANKOWSKI Domy inaczej pomyślane A different type of housing CEZARY SANKOWSKI O tym, dlaczego warto budować pasywnie, komu budownictwo pasywne się opłaca, a kto się go boi, z architektem, Cezarym Sankowskim, rozmawia

Bardziej szczegółowo

Załącznik nr 4 do Zarządzenia Nr.. KARTA KURSU. Kod Punktacja ECTS* 2. Koordynator Dr Stanisław Skórka Zespół dydaktyczny

Załącznik nr 4 do Zarządzenia Nr.. KARTA KURSU. Kod Punktacja ECTS* 2. Koordynator Dr Stanisław Skórka Zespół dydaktyczny Załącznik nr 4 do Zarządzenia Nr.. KARTA KURSU Nazwa Nazwa w j. ang. Architektura informacji Information Architecture Kod Punktacja ECTS* 2 Koordynator Dr Stanisław Skórka Zespół dydaktyczny Opis kursu

Bardziej szczegółowo

INFORMATYKA W SELEKCJI

INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne

Bardziej szczegółowo

O PORÓWNYWANIU DWÓCH POPULACJI WIELOWYMIAROWYCH Z WYKORZYSTANIEM OBJĘTOŚCI ELIPSOID UFNOŚCI

O PORÓWNYWANIU DWÓCH POPULACJI WIELOWYMIAROWYCH Z WYKORZYSTANIEM OBJĘTOŚCI ELIPSOID UFNOŚCI Jacek Stelmach Grzegorz Kończak Uniwersytet Ekonomiczny w Katowicach O PORÓWNYWANIU DWÓCH POPULACJI WIELOWYMIAROWYCH Z WYKORZYSTANIEM OBJĘTOŚCI ELIPSOID UFNOŚCI Wprowadzenie Statystyka dostarcza wielu

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

The use of objective statistical processing for presenting the data in scientific publications

The use of objective statistical processing for presenting the data in scientific publications The use of objective statistical processing for presenting the data in scientific publications Zastosowanie obiektywnej analizy statystycznej w celu prezentacji danych w publikacjach naukowych Fedortsiv

Bardziej szczegółowo

4D and 5D applications in BIM technology.

4D and 5D applications in BIM technology. 4D and 5D applications in BIM technology. Datacomp Grzegorzecka 79 street, 31-559 Cracow, Poland Paweł Kogut p.kogut@datacomp.com.pl Andrzej Tomana a.tomana@datacomp.com.pl Plan Who we are? Experience.

Bardziej szczegółowo

DATA-S MONITORING ROZPROSZONY OŚWIETLENIA AWARYJNEGO DIVERSIFIED MONITORING OF EMERGENCY LIGHTING

DATA-S MONITORING ROZPROSZONY OŚWIETLENIA AWARYJNEGO DIVERSIFIED MONITORING OF EMERGENCY LIGHTING Wymiary Dimensions 500x282x89 IP40 DATA-S MONITORING ROZPROSZONY OŚWIETLENIA AWARYJNEGO System monitoruje prawidłową pracę zainstalowanych opraw oświetlenia awaryjnego w dużych obiektach użyteczności publicznej.

Bardziej szczegółowo

P R A C A D Y P L O M O W A

P R A C A D Y P L O M O W A POLITECHNIKA POZNAŃSKA Wydział Maszyn Roboczych i Transportu P R A C A D Y P L O M O W A Autor: inż. METODA Ε-CONSTRAINTS I PRZEGLĄDU FRONTU PARETO W ZASTOSOWANIU DO ROZWIĄZYWANIA PROBLEMU OPTYMALIZACJI

Bardziej szczegółowo

Własności estymatora parametru lambda transformacji potęgowej. Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński

Własności estymatora parametru lambda transformacji potęgowej. Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński Własności estymatora parametru lambda transformacji potęgowej Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński 1. Wstęp Najczęstszym powodem transformowania zmiennej losowej jest jej normalizacja,

Bardziej szczegółowo

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005 Cracow University of Economics Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions 2000-2005 - Key Note Speech - Presented by: Dr. David Clowes The Growth Research Unit CE Europe

Bardziej szczegółowo

Nauka Przyroda Technologie

Nauka Przyroda Technologie Nauka Przyroda Technologie ISSN 1897-7820 http://www.npt.up-poznan.net Dział: Rolnictwo Copyright Wydawnictwo Uniwersytetu Przyrodniczego w Poznaniu 2010 Tom 4 Zeszyt 4 ALICJA SZABELSKA 1, MICHAŁ SIATKOWSKI

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

Zróżnicowanie poziomu ubóstwa w Polsce z uwzględnieniem płci

Zróżnicowanie poziomu ubóstwa w Polsce z uwzględnieniem płci Zróżnicowanie poziomu ubóstwa w Polsce z uwzględnieniem płci Łukasz Wawrowski Katedra Statystyki Uniwersytet Ekonomiczny w Poznaniu Zróżnicowanie poziomu ubóstwa w Polsce z uwzględnieniem płci 2 / 23 Plan

Bardziej szczegółowo

Realizacja systemów wbudowanych (embeded systems) w strukturach PSoC (Programmable System on Chip)

Realizacja systemów wbudowanych (embeded systems) w strukturach PSoC (Programmable System on Chip) Realizacja systemów wbudowanych (embeded systems) w strukturach PSoC (Programmable System on Chip) Embeded systems Architektura układów PSoC (Cypress) Możliwości bloków cyfrowych i analogowych Narzędzia

Bardziej szczegółowo

I webinarium 18.02.2015

I webinarium 18.02.2015 I webinarium 18.02.2015 Współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Współpracy Transgranicznej Republika Czeska - Rzeczpospolita Polska 2007-2013.

Bardziej szczegółowo

UWAGI O TESTACH JARQUE A-BERA

UWAGI O TESTACH JARQUE A-BERA PRZEGLĄD STATYSTYCZNY R. LVII ZESZYT 4 010 CZESŁAW DOMAŃSKI UWAGI O TESTACH JARQUE A-BERA 1. MIARY SKOŚNOŚCI I KURTOZY W literaturze statystycznej prezentuje się wiele miar skośności i spłaszczenia (kurtozy).

Bardziej szczegółowo

kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2

kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 Kierunek Turystyka i Rekreacja Poziom kształcenia II stopień Rok/Semestr 1/2 Typ przedmiotu (obowiązkowy/fakultatywny) obowiązkowy y/ ćwiczenia

Bardziej szczegółowo

Ćwiczenie: Wybrane zagadnienia z korelacji i regresji.

Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. W statystyce stopień zależności między cechami można wyrazić wg następującej skali: Skala Guillforda Przedział Zależność Współczynnik [0,00±0,20)

Bardziej szczegółowo

Fig 5 Spectrograms of the original signal (top) extracted shaft-related GAD components (middle) and

Fig 5 Spectrograms of the original signal (top) extracted shaft-related GAD components (middle) and Fig 4 Measured vibration signal (top). Blue original signal. Red component related to periodic excitation of resonances and noise. Green component related. Rotational speed profile used for experiment

Bardziej szczegółowo

Statystyka Małych Obszarów w badaniach próbkowych

Statystyka Małych Obszarów w badaniach próbkowych Statystyka Małych Obszarów w badaniach próbkowych Łukasz Wawrowski l.wawrowski@stat.gov.pl Urząd Statystyczny w Poznaniu SKN Estymator, UEP 5.03.2012 1 Wprowadzenie Podstawowe pojęcia Badanie 2 Estymator

Bardziej szczegółowo

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Małgorzata Szerszunowicz Uniwersytet Ekonomiczny w Katowicach ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Wprowadzenie Statystyczna kontrola jakości ma na celu doskonalenie procesu produkcyjnego

Bardziej szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

Bardziej szczegółowo

Regresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

Regresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Regresja wielokrotna Model dla zależności liniowej: Y=a+b 1 X 1 +b 2 X 2 +...+b n X n Cząstkowe współczynniki regresji wielokrotnej: b 1,..., b n Zmienne niezależne (przyczynowe): X 1,..., X n Zmienna

Bardziej szczegółowo

Szkolenie Regresja liniowa

Szkolenie Regresja liniowa Szkolenie Regresja liniowa program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Regresja liniowa Co to jest regresja liniowa? Regresja liniowa jest podstawową metodą

Bardziej szczegółowo

Instrukcja konfiguracji usługi Wirtualnej Sieci Prywatnej w systemie Mac OSX

Instrukcja konfiguracji usługi Wirtualnej Sieci Prywatnej w systemie Mac OSX UNIWERSYTETU BIBLIOTEKA IEGO UNIWERSYTETU IEGO Instrukcja konfiguracji usługi Wirtualnej Sieci Prywatnej w systemie Mac OSX 1. Make a new connection Open the System Preferences by going to the Apple menu

Bardziej szczegółowo

Unit of Social Gerontology, Institute of Labour and Social Studies ageing and its consequences for society

Unit of Social Gerontology, Institute of Labour and Social Studies ageing and its consequences for society Prof. Piotr Bledowski, Ph.D. Institute of Social Economy, Warsaw School of Economics local policy, social security, labour market Unit of Social Gerontology, Institute of Labour and Social Studies ageing

Bardziej szczegółowo

CENNIK SZKOLEO MICROSOFT OFFICE

CENNIK SZKOLEO MICROSOFT OFFICE CENNIK SZKOLEO MICROSOFT OFFICE Numer szkolenia Nazwa szkolenia Ilość dni Cena za osobę AL 1211 Microsoft Word dla użytkowników 3 dni 1100 PLN AL 1212 Microsoft Word dla zaawansowanych 3 dni 1150 PLN AL

Bardziej szczegółowo

Logika rozmyta typu 2

Logika rozmyta typu 2 Logika rozmyta typu 2 Zbiory rozmyte Funkcja przynależności Interwałowe zbiory rozmyte Funkcje przynależności przedziałów Zastosowanie.9.5 Francuz Polak Niemiec Arytmetyka przedziałów Operacje zbiorowe

Bardziej szczegółowo

J. SZYMSZAL 1, A. GIEREK 2, J. PIĄTKOWSKI 3, J. KLIŚ 4 Politechnika Śląska, 40-019 Katowice, ul. Krasińskiego 8

J. SZYMSZAL 1, A. GIEREK 2, J. PIĄTKOWSKI 3, J. KLIŚ 4 Politechnika Śląska, 40-019 Katowice, ul. Krasińskiego 8 3/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 PROGNOZOWANIE SZEREGU CZASOWEGO WYKAZUJĄCEGO WAHANIA SEZONOWE

Bardziej szczegółowo

Metody statystyki medycznej stosowane w badaniach klinicznych

Metody statystyki medycznej stosowane w badaniach klinicznych Metody statystyki medycznej stosowane w badaniach klinicznych Statistics for clinical research & post-marketing surveillance część I Program szkolenia część I Wprowadzenie Podstawowe pojęcia statystyczne

Bardziej szczegółowo

WYDZIAŁ: PSYCHOLOGIA KIERUNEK:

WYDZIAŁ: PSYCHOLOGIA KIERUNEK: Lp. I Introductory module 3 Academic skills Information Technology introduction Intellectual Property Mysterious Code of Science Online surveys Personal growth and social competences in the globalizedintercultural

Bardziej szczegółowo

w ekonomii, finansach i towaroznawstwie

w ekonomii, finansach i towaroznawstwie w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez

Bardziej szczegółowo

Testowanie oprogramowania w środowisku IBM Rational Software Architect

Testowanie oprogramowania w środowisku IBM Rational Software Architect Testowanie oprogramowania w środowisku IBM Rational Software Architect Software Development 2008 Michał Wolski m.wolski@modesto.pl szkolenia: inżynierii oprogramowania zarządzania projektami usługi doradcze

Bardziej szczegółowo

KARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) 748 55 82 email: statinfmed@uwb.edu.pl dr Robert Milewski

KARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) 748 55 82 email: statinfmed@uwb.edu.pl dr Robert Milewski Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot:

Bardziej szczegółowo

No matter how much you have, it matters how much you need

No matter how much you have, it matters how much you need CSR STRATEGY KANCELARIA FINANSOWA TRITUM GROUP SP. Z O.O. No matter how much you have, it matters how much you need Kancelaria Finansowa Tritum Group Sp. z o.o. was established in 2007 we build trust among

Bardziej szczegółowo