Analiza danych Data Mining Inteligencja biznesowa (BI)
|
|
- Sebastian Chrzanowski
- 8 lat temu
- Przeglądów:
Transkrypt
1 naliza danych (wielowymiarowa analiza statystyczna) odnosi się do grupy metod statystycznych, za pomocą, których jednoczesnej analizie poddane są pomiary na przynajmniej dwóch zmiennych opisujących każdy obiekt badania. Obiekty są rozumiane w sensie zarówno dosłownym, jak i przenośnym. Obiektem jest, więc w badaniach określona rzecz, osoba, kategoria abstrakcyjna lub zdarzenie. Zmienna w statystycznej analizie wielowymiarowej jest charakterystyką opisującą zbiorowość obiektów. Metody wielowymiarowej analizy statystycznej operują na danych mierzonych na różnych skalach pomiaru: słabych (nominalnej i porządkowej) silnych. (przedziałowej i ilorazowej). Istotne jest to, aby stosując metody wielowymiarowej analizy statystycznej używane je dla danych z takich skal pomiaru, dla jakich zostały skonstruowane (np. nie stosować klasycznej metody k-średnich dla danych słabych). Najpopularniejsze grupy metod wielowymiarowej analizy statystycznej to: analiza skupień, analiza dyskryminacyjna, analiza regresji, drzewa klasyfikacyjne, sieci neuronowe, analiza czynnikowa, skalowanie wielowymiarowe, conjoint analysis. Data Mining (Eksploracja danych, drążenie danych, pozyskiwanie wiedzy, wydobywanie danych, ekstrakcja danych, głęboka analiza danych) czyli odkrywania wiedzy z baz danych Idea eksploracji danych polega na wykorzystaniu szybkości komputera do znajdowania ukrytych dla człowieka (właśnie z uwagi na ograniczone możliwości czasowe) prawidłowości w danych zgromadzonych w hurtowniach danych. Istnieją dwa główne wyróżniki metod data mining. Po pierwsze dane do data mining zawsze pochodzą z komputerowych baz danych, po drugie metody data mining nigdy nie definiują żadnych założeń dotyczących struktury danych (w tym sensie są zasadniczo różne od metod analizy danych, gdyż nie definiują skali pomiaru) natomiast wszystkie wzorce i zależności dla danych są znajdowane podczas badania. Inteligencja biznesowa (BI) to proces przekształcania danych w informacje, a informacji w wiedzę, która może być wykorzystana do zwiększenia konkurencyjności przedsiębiorstwa. Efektywne eksploatowanie narzędzi BI jest mocno uzależnione od utworzenia hurtowni danych uwalniających systemy transakcyjne od czasochłonnego generowania raportów. Systemy BI wyliczają kluczowe wskaźniki efektywności działania przedsiębiorstwa, na podstawie których stawia się hipotezy, po czym weryfikuje się je poprzez wykonywanie szczegółowych "przekrojów" danych poprzez narzędzia Online nalytical Protocol i pokrewne. Wyróżnikiem BI jest integracja z systemami informatycznymi zarządzania albo w postaci modułów dużych systemów albo poprzez odpowiednie standardy wymiany danych jak to jest w przypadku środowisk statycznych:
2 Statistika, SPSS czy R, przy czym, inaczej niż w przypadku data mining dane nie pochodzą bezpośrednio z baz danych (czyli nie są surowe) ale z samych systemów informatycznych zarządzania, ich modułów eksportujących, analitycznych, czy raportowych, są już więc wstępnie przetworzone. Sztuczna inteligencja zajmuje się tworzeniem modeli zachowań inteligentnych oraz programów komputerowych symulujących te zachowania. Głównym zadaniem badań nad sztuczną inteligencji jest konstruowanie maszyn i programów komputerowych zdolnych do realizacji wybranych funkcji umysłu i ludzkich zmysłów niepoddających się prostej numerycznej algorytmizacji, czyli można ją też zdefiniować jako dział informatyki zajmujący się rozwiązywaniem problemów, które nie są efektywnie algorytmizowalne. Do metod sztucznej inteligencji zalicza się m.in. logikę rozmytą, algorytmy ewolucyjne czy sieci neuronowe. Należy podkreślić, że w literaturze te cztery pojęcia są bardzo często używane zamiennie, granice są bardzo płynne. Np sieci neuronowe to metoda i analizy danych i sztucznej inteligencji, drzewa klasyfikacyjne zalicza się i do data mining i do analizy danych a w różnych opracowaniach data mining jest traktowana jako część inteligencji biznesowej lub odwrotnie a są też takie opracowania w których i data mining i inteligencję biznesową traktuje się jako podzbiór funkcjonalności hurtowni danych. Zastosowania metod analizy danych w ekonomii można podzielić na zastosowania metod jedno-, dwu- i wielowymiarowych (por. np. Hellwig [1968], s. 12). W przypadku tych pierwszych zakres zastosowań jest bardzo rozległy i trudny do jednoznacznego określenia (por. Gatnar, Walesiak (red.) [2004], s. 56). Tabela przedstawia najważniejsze metody wielowymiarowe podejścia ilościowego wraz z typowymi obszarami ich zastosowań. Zawiera ona tylko te metody podejścia ilościowego, które w ostatnich kilkudziesięciu latach odegrały i nadal odgrywają ważną rolę w badaniach ekonomicznych. 2
3 Jaki typ zależności jest badany? zależności Ilu zmiennych dotyczy predykcja? Struktra jakiego typu związków jest badana? Wielokrotne relacje pomiędzy zmiennymi zależnymi i niezależnymi Kilka zmiennych zależnych w pojedynczej relacji Jedna zmiena zależna w pojedynczej relacji Związki między zmiennymi Przypadki indywidualne / respondenci Obiekty "Klasyczna" analiza skupień Modele równań strukturalnych (SEM) Na jakiej skali mierzone są zmienne zależne? Na jakiej skali mierzona jest zmienna zależna? naliza czynnikowa Konfirmacyjna analiza czynnikowa naliza skupień oparta na modelu Sieci Kohonena Na jakiej skali mierzone są zmienne Skala metryczna Skala porządkowa lub nominalna Skala metryczna Skala porządkowa lub nominalna Porządkowanie liniowe Skala metryczna Skala porządkowa lub nominalna Skala metryczna Na jakiej skali mierzone są zmienne niezależne? Kanoniczna analiza korelacji ze zmiennymi sztucznymi Skala porządkowa lub nominalna Regresja wieloraka Conjoint nalysis naliza dyskryminacyjna Sieci neuronowe Drzewa klasyfikacyjne Liniowe modele probabislistyczne Skalowanie wielowymiarowe naliza korespondencji Kanoniczna analiza korelacji Wielowymiarowa analiza wariancji 3
4 Tabela Najważniejsze metody badawcze podejścia ilościowego Metoda Kategoria Źródła literaturowe Uwagi / przykłady zastosowań naliza regresji wielorakiej zależności Legendre [1805], Gauss [1809, 1821], Galton [1877, 1885], Fisher [1922] naliza popytu na samochody firmy Chrysler (Menezes, Currim [1992]), analiza ryzyka kredytowego (Szmit, Szmit, Kaniewski [2003]), projektowanie scenariuszy promocji cenowych (Błażejowski, Kufel [2007]), badanie reakcji klienta na zmiany cen paliw (Kufel, Błażejowski [2008]) Nieparametryczne metody regresji zależności Friedman [1991], Kooperberg, Bose, Stone [1997], Friedman, Stuetzle [1981], Rousseeuw, Struyf [1998] Najważniejsze algorytmy: MRT, POLYMRS, PPR, CE, vas, regresja oparta na głębi naliza regresji zmiennych dyskretnych i ograniczonych zależności Bliss [1934], Berkson [1944], McFadden [1974 ], Maddala [1986], gresti [2002] popytu na samochody (Cragg, Uhler [1970]), badanie czynników decydujących o głosowaniu w kongresie US nad ustawą medicare (McKelvey, Zavoina [1975]), analiza czynników wyboru zawodu (Schmidt, Strauss [1975]), badania przekształceń strukturalnych w przemyśle (Heckman [1976]), pomiar preferencji (Bąk [2004]), badanie preferencji klientów biur podróży (Rybicka [2006]), badania spłacalności kredytów (Chrzanowska, Kompa, Witkowska [2005], Marzec [2008]) naliza regresji wykorzystująca modele wywodzące się z koncepcji procesu stochastycznego (por. Jajuga [2003], s. 8) zależności Quenouille [1957], Box, Jenkins [1976], Bollerslev [1986], Heston [1993] Modele z tej grupy można podzielić na dwie podstawowe rodziny: analizy średniej ruchomej składnika losowego (RM, RIM i pokrewne) oraz modele dotyczące danych o małej stabilności wariancji składnika losowego (RCH, GRCH i pokrewne) wykorzystywane do analizy zjawisk wielosezonowych, takich jak np. prognozowanie obciążania mocą elektryczną (Nazarko, Chrabołowska, Rybaczuk [2004]). Modele z drugiej grupy znajdują zastosowanie zwłaszcza w analizie procesów finansowych (por. Welfe [2003], s. 125). Wśród innych zastosowań można wymienić badania wpływu liberalizacji polityki rolnej na ceny żywności (Yang, Haigh, Leathman [2001]) i badania makroekonometryczne poziomu inflacji, PKB i krótkoterminowych stóp procentowych Banku Centralnego (Engle, Rangel [2008]) naliza dyskryminacyjna zależności Bayes [1763], Fisher [1936], Hart [1968], Hand [1982], Vapnik [1998] Prognozowanie upadłości przedsiębiorstw (ltman [1968], Hadasik [1998], Hołda [2001]), badanie rentowności spółek giełdowych (Gierałtowska [2001]), badanie kondycji finansowej banków (Witkowska, Witkowski [2006]) Sieci neuronowe zależności McCulloch, Pitts [1943], Robbins, Monro [1951], Rosenblatt [1958], naliza rynku nieruchomości (Lula [1999]), konkurencyjności i innowacyjności regionów (Korol, Lis [2004]), ocena ryzyka kredytu 4
5 Tadeusiewicz [1993] konsumpcyjnego (Staniec, Szmit [2004]), badania spłacalności kredytów (Chrzanowska, Kompa, Witkowska [2005]), ocena ryzyka kredytowego klientów w telekomunikacji (Ząbkowski [2008]) Drzewa klasyfikacyjne zależności Breiman i in. [1984], Breiman [1994], Freund, Schapire [1996], Ho [1998], Breiman [1998], Hall [2000], Breiman [2001], Gatnar [2001] Identyfikacjia determinant jakości usług świadczonych przez przedsiębiorców (Holmes [1980]), badanie czynników warunkujących lojalność klientów na rynku motoryzacyjnym (Green, Tull, lbaum [1988]), poszukiwanie charakterystyki klientów o podobnych postawach (Magidson [1994]), wyodrębnienie potencjalnych segmentów klientów na podstawie wydatków na kulturę, rozrywkę sport i turystykę (Kurzydłowski [2000]), analiza zdolności kredytowej kredytobiorców (Staniec [2005]), analiza wymagań klientów na rynku nieruchomości (Mazur, Witkowska [2007]) Modele równań strukturalnych zależności Wright [1921], Haavelmo [1943], Simon [1953], Bollen [1989] Modelowanie indeksu wolności gospodarczej EFW (Zacny [2004]), badanie konkurencyjności i innowacyjności regionów (Korol, Lis [2004]) naliza skupień Sneath [1957], Ward [1963], MacQueen [1967], nderberg [1973], ldenderfer, Blashfield 1984], Gordon [1999], Everitt i in. [2001] Wspomaganie prac nad podziałem administracyjnym kraju (Gatnar, Wywiał [1998]), klasyfikacja funduszy inwestycyjnych (Salamaga [2008]). Szeroki przegląd zastosowań analizy skupień znajduje się w pracy Walesiak [1993] naliza skupień oparta na modelu McLachlan, Basford [1988], Banfield, Raftery [1993] Zakres zastosowań analogiczny do tradycyjnych metod analizy skupień naliza wariancji Fisher [1925], Hartley [1940], Speed [1987] Często stosowana jako wstępna technika przed innymi metodami analizy danych Samoorganizujące się mapy Kohonen [1982], Kohonen [2001], DeBoeck, Kohonen [2001] Klasyfikacja województw pod względem rozwoju infrastruktury i jakości życia (Siedlecki, Tarczyński [1998]), prognozowanie długookresowych stóp procentowych (De Bodt, Gregoire, Cottrel [2001]), wybór funduszy inwestycyjnych (DeBoeck [2001]), analiza potencjalnych bankructw małych i średnich przedsiębiorstw (Kiviluoto, Bergiud [2001]), analiza porównawcza banków (Szumski, Jarowoj [2001]), badanie innowacyjności i absorpcji szkoleń w przedsiębiorstwach (Jurkiewicz, Najman [2004] ) Skalowanie wielowymiarowe Young, Householder [1938], Torgerson [1952], Coombs [1950], Identyfikacja kryteriów, jakimi kierują się konsumenci przy wyborze określonych domów handlowych (Singson [1975]), określenie wpływu kampanii reklamowej na 5
6 Green [1952], Hurley, Cattell [1962], Kruskal [1964a], Kruskal [1964b], Sammon [1969], Cox, Cox [2001] zmianę pozycji na rynku papierosów (Smith, Lusch [1976]), wybór hasła reklamowego i zbadanie jego perswazyjnej efektywności (Lautman, Percy, Kordish [1978]), segmentacja rynku i pozycjonowanie produktów na przykładzie brytyjskiego rynku papierosów (Hooley [1980]), poszukiwanie kierunku zmiany pozycji na rynku (dams, Van nken [1995]), badania rozwoju społecznogospodarczego (Malina, Wanat 2000]) naliza czynnikowa Spearman [1904], Thurstone [1931], Kaiser [1970], Harman [1975], Kim, Mueller [1978] Pozycjonowanie kawy na rynku (Sztemberg [1999]), określanie pozycji nowych produktów (filmów) na rynku (Neelamegham, Jain [1999]) naliza głównych składowych Pearson [1901], Hotelling [1993], Jollife [2002] Zakres zastosowań analogiczny do analizy czynnikowej naliza korespondencji Burt [1950], Benzérci [1973], Greenacre [1984], Hoffman, Franke [1986] naliza nawyków palaczy papierosów w przedsiębiorstwie (Greenacre [1984], s. 55), badanie determinant wyboru linii lotniczych przez klientów (Erdener, Kucukemiroglu, Kara [1994]), wybór kanałów telewizyjnych pod kątem docelowych klientów dla reklamodawców (ssael, Poltrack [1999]), badanie związku między miejscem zakupów a wzorcem zakupów produktów (Yavas [2001]), wykorzystanie internetu w promocji i sprzedaży produktów (Kwak, Zinkhan, Domonick [2002]), badanie rynków zagranicznych dla produktu (dresów) (Sobczak [2008]), badanie rynku ubezpieczeń III filara (Batóg, Mojsiewicz, Wawrzyniak [2009]) Conjoint analysis Luce, Tukey [1964], Green, Wind [1973, 1975], Green [1984], Louviere [1988] Wprowadzanie nowego produktu na rynek (opona Goodyear) (Walesiak [1996], s. 90, (zaparzacze do kawy) (Churchil [1995], s. 505), oferta szkoleniowa szkoły policealnej (Dziechciarz, Walesiak [1996]), badanie preferencji nabywców nieruchomości (Bartłomowicz [2003]), ocena oferty ubezpieczeniowej (Tarka, Żuraw [2008]) Porządkowanie liniowe Hellwig [1968], Walesiak [1993] naliza standardów życia w 49 województwach Polski (Siedlecka, Siedlecki [1994], Malina, Zeliaś [1997]), ocena kapitału intelektualnego w przedsiębiorstwie (Staniec [2007]), ocena rynku nieruchomości według województw (Foryś [2008]) 6
7 Termin statystyczna analiza wielowymiarowa odnosi się do grupy metod statystycznych, za pomocą których jednoczesnej analizie poddane są pomiary na przynajmniej dwóch zmiennych opisujących każdy obiekt badania. Do podstawowych pojęć statystycznej analizy wielowymiarowej zalicza się pojęcie obiektu i zmiennej. Obiekty są rozumiane w sensie zarówno dosłownym, jak i przenośnym. Obiektem jest więc w badaniach określona rzecz, osoba, kategoria abstrakcyjna lub zdarzenie. Konkretnymi przykładami obiektów są: konsument X, produkt Y, marka samochodu S, pacjent P, gmina G, przedsiębiorstwo F, rzeka R, rynek testowy T, hipermarket H, rynek zbytu Z, gospodarstwo domowe D, idea filozoficzna I. Zbiór obiektów badania będzie oznaczany przez. n i 1 n 1,, Zmienna w statystycznej analizie wielowymiarowej jest charakterystyką opisującą zbiorowość obiektów. W ujęciu formalnym zmienna M j to odwzorowanie (por. Borys [1984], s. 87): M j : Q ( j 1,,m ), (2.1) gdzie: Q zbiór obrazów (liczb rzeczywistych, kategorii), m liczba zmiennych. Z uwagi na to, że metody statystycznej analizy wielowymiarowej zwykle wymagają, aby realizacje zmiennych były liczbami rzeczywistymi zachodzi potrzeba kodowania zmiennych wyrażonych w formie kategorii. Jeśli w odwzorowaniu (2.1) zbiór obrazów jest zbiorem kategorii, to należy go przekodować na zbiór liczb rzeczywistych. Można wykorzystać następujące sposoby kodowania zmiennych: a) jeśli dana zmienna ma tylko dwie kategorie można ją zamienić na tzw. zmienną sztuczną (np. zero-jedynkową). Jednemu wariantowi nadaje się wartość 1, a drugiemu wartość 0 (lub 1). Np. dla zmiennej płeć kodowanie będzie następujące: kobieta 1, mężczyzna 0 lub 1 ; b) jeśli zmienna ma więcej niż dwie kategorie, to stosujemy sposób zamiany, polegający na zastosowaniu zespołu zmiennych sztucznych (np. zero-jedynkowych). Obowiązuje tutaj zasada, według której liczba wprowadzonych zmiennych sztucznych musi być mniejsza o jeden od liczby poziomów (kategorii) danej zmiennej. Załóżmy, że dla zmiennej wykształcenie występują trzy warianty (kategorie): podstawowe, zasadnicze zawodowe, średnie zawodowe lub ogólne. Należy w tym przypadku wprowadzić dwie zmienne sztuczne zdefiniowane następująco: 7
8 Wyksztacen ie M j M j 1 podstawowe 0 0 zasadnicze zawodowe średnie zawodowelub ogólne lub M j M j c) poszczególnym kategoriom można przypisać kolejne liczby naturalne. Nie ma tutaj znaczenia czy kategorie można uporządkować według stopnia intensywności oddziaływania (zmienna porządkowa) czy też nie można uporządkować (zmienna nominalna). Np. dla zmiennej porządkowej organizacja pracy obejmującej kategorie bardzo bobra, dobra, słaba, zła można zastosować kodowanie: zła 1 słaba 2 dobra 3 bardzo dobra 4 Znajomość w analizie statystycznej zbioru obiektów i zmiennych pozwala zapisać macierz danych, w której dowolny element oznacza się przez x ij ( 0 1 i 1,,n ; 1 0 j 1,,m ). Jest to obserwacja j-tej zmiennej w i-tym obiekcie. Wielowymiarowa obserwacja (m-wymiarowa) będzie zapisywana w formie wektora (por. Jajuga [1993], s. 21): x i x, x 2,, x i1 i T im. (2.2) Jeśli do dwóch wymiarów (obiekty, zmienne) wprowadzi się wymiar czasu, to otrzymuje się tzw. kostkę danych. Pojęcia tego używają w swoich pracach m.in. Žukowska oraz Mučnik [1976], s. 15 i Jajuga [1987], s ; [1993], s Dowolną liczbę w kostce danych oznacza się przez x. Jest to wartość j-tej zmiennej w i-tym obiekcie w i jt okresie t ( i 1,,n ; j 1,,m ; t 1,,T ). W celu uproszczenia zapisu do wszystkich wzorów w pracy będzie stosowana zasada, według której indeks pasywny (stały) będzie pomijany. Trójwymiarowe ujęcie w postaci kostki danych pozwala stosować w badaniach następujące schematy badawcze: a) ujęcie całościowe, w którym wykorzystuje się całą kostkę danych analizowany jest tutaj zbiór n obiektów w T okresach ze względu na m zmiennych; b) ujęcie cząstkowe kostka ma trzy wymiary, więc możliwe są do uzyskania trzy różne jej przekroje: przekrój czas zmienna, w którym jeden z obiektów jest analizowany w T okresach ze względu na m zmiennych, 8
9 przekrój obiekt czas, w którym n obiektów jest analizowanych w T okresach ze względu na jedną zmienną, przekrój obiekt zmienna, w którym n obiektów jest analizowanych ze względu na m zmiennych w jednym okresie. W dalszej części pracy będą wykorzystywane dwa ujęcia: całościowe oraz cząstkowe w przekroju czas zmienna i obiekt zmienna z koncepcji kostki danych. Ujęcie cząstkowe w przekroju obiekt czas nie będzie rozpatrywane, ponieważ jest to zagadnienie analizy jednowymiarowej Typy skal pomiarowych i ich charakterystyka W klasycznym ujęciu przez pomiar rozumie się przyporządkowanie liczb obiektom zgodnie z określonymi regułami w taki sposób, aby liczby odzwierciedlały relacje zachodzące między tymi obiektami (por. np. Pawłowski [1969], s. 54; Choynowski [1971], s. 17). Podstawą teorii pomiaru jest pojęcie skali. DEFINICJ 1 (por. dams, Fagot i Robinson [1965], s ; Walesiak [1990], s. 37). Taką uporządkowaną czwórkę U ; G; H; F a) to niepusty zbiór obiektów, H zbiór liczb rzeczywistych, G klasa funkcji odwzorowujących w H, F klasa funkcji odwzorowujących H w H, b) dla wszystkich g G i f F, f g G,, że c) F zawiera przekształcenie H na H, a ponadto dla każdego f, f F k l złożenie f k f F, l nazywa się skalą pomiaru. W teorii pomiaru rozróżnia się cztery podstawowe skale pomiaru, wprowadzone przez Stevensa [1959]. Definiując w odniesieniu do skali ilorazowej dopuszczalne przekształcenie, Stevens nie określił, do którego zbioru należy x w funkcji (2.6), tzn. czy należy do całego zbioru liczb rzeczywistych, zbioru liczb rzeczywistych dodatnich, czy rzeczywistych nieujemnych. Dopiero definicja damsa, Fagota i Robinsona usunęła tę usterkę. DEFINICJ 2 (por. dams, Fagot i Robinson [1965] s. 103; Walesiak [1991], s ). U ; G; H; F jest skalą nominalną wtedy i tylko wtedy, gdy F jest zbiorem wszystkich funkcji f odwzorowujących H w H (H = R) takich, że f funkcja wzajemnie jednoznaczna. (2.3) 9
10 DEFINICJ 3 (por. dams, Fagot i Robinson [1965], s. 103; Walesiak [1991], s. 14). U ; G; H; F jest skalą porządkową wtedy i tylko wtedy, gdy F jest zbiorem wszystkich funkcji f odwzorowujących H w H (H = R) takich, że f funkcja ściśle monotonicznie rosnąca. (2.4) DEFINICJ 4 (por. dams, Fagot i Robinson [1965], s. 103; Walesiak [1990], s. 37). U ; G; H; F jest skalą interwałową (przedziałową) wtedy i tylko wtedy, gdy H jest zbiorem wszystkich liczb rzeczywistych R i F jest zbiorem funkcji f takich, że dla dodatniego b f ( x) bx a, f ( x) R (2.5) dla wszystkich x R. DEFINICJ 5 (por. dams, Fagot i Robinson [1965], s. 103; Walesiak [1990], s. 38). U ; G; H; F zbiorem liczb rzeczywistych dodatnich dodatniego b dla wszystkich x R. jest skalą ilorazową (stosunkową) wtedy i tylko wtedy, gdy H jest R f ( x) bx, f ( x) R i F jest zbiorem funkcji f takich, że dla (2.6) Skale pomiaru są uporządkowane od najsłabszej do najmocniejszej: nominalna, porządkowa (rangowa), przedziałowa (interwałowa), ilorazowa (stosunkowa). Skale przedziałową i ilorazową zalicza się do skal metrycznych, natomiast nominalną i porządkową do niemetrycznych. Z przytoczonych definicji 2-5 wynika, że z typem skali wiąże się grupa przekształceń, ze względu na które skala zachowuje swe własności. Dopuszczalnymi przekształceniami są więc te, które nie naruszają zasobu informacji zawartej dla mierzonej zmiennej. Skala mocniejsza od skali U 1 wtedy i tylko wtedy, gdy jej dopuszczalne przekształcenie jest zdegenerowanym przypadkiem dopuszczalnego przekształcenia skali U 1 (por. Walenta [1971], s. 52). Podstawowe własności skal pomiaru zawiera tab U 2 jest 10
11 Tabela 2.1. Podstawowe własności skal pomiaru Dozwolone przekształcenia Typ skali matematyczne Nominalna z f (x), dowolne przekształcenie wzajemnie jednoznaczne Porządkowa Przedziałowa Ilorazowa z f (x) f (x) f (x), dowolna ściśle monotonicznie rosnąca funkcja ( b 0) z R z bx a, dla wszystkich x zawartych w R, wartość zerowa na tej skali jest zwykle przyjmowana arbitralnie lub na podstawie konwencji* z bx ( b 0), R z R dla wszystkich x Dopuszczalne relacje równości ( ), x x B różności ( x x ) powyższe oraz większości ( mniejszości ( B x x B x x B powyższe oraz równości różnic i przedziałów ( x x B x C x D ) powyższe oraz równości ilorazów ( x x B x x C D ) i ) Dopuszczalne operacje arytmetyczne zliczanie zdarzeń (liczba relacji równości, różności) zliczanie zdarzeń (liczba relacji równości, różności, większości, mniejszości) powyższe oraz dodawanie i odejmowanie powyższe oraz mnożenie i dzielenie zawartych w, naturalnym początkiem skali ilorazowej jest wartość zerowa (zero ) lewostronnie ogranicza zakres skali) * Por. ckoff [1969], s Źródło: opracowanie własne na podstawie prac: Stevens [1959], s. 25 i 27; dams, Fagot i Robinson [1965]; Walesiak [1995], s ; Walesiak i Bąk [2000], s. 17. Jedna z podstawowych reguł teorii pomiaru mówi, że jedynie rezultaty pomiaru w skali mocniejszej mogą być transformowane na liczby należące do skali słabszej (por. np. Steczkowski i Zeliaś [1981], s. 17; [1997], s. 19; Wiśniewski [1986; 1987]; Walesiak [1990], s. 40). Transformacja skal polegająca na ich wzmacnianiu nie jest możliwa, ponieważ z mniejszej ilości informacji nie można uzyskać większej jej ilości. W literaturze (por. nderberg [1973], s ; Pociecha [1986]) podawane są pewne aproksymacyjne metody przekształcania skal słabszych w silniejsze, opierające się na pewnych dodatkowych informacjach. Stosując zaś dozwolone przekształcenie wartości na skali, zachowujemy niezmienność typu skali przyjętej dla danej zmiennej. Inna z reguł teorii pomiaru mówi, że metody ilościowe, które można stosować do wyników pomiaru w skali słabszej, stosuje się również do liczb uzyskanych z mierzenia na poziomie mocniejszym. Wynika to z tego, że skala mocniejsza zawiera w sobie dopuszczalne relacje skali słabszej. Typ skali, ze względu na dopuszczalne przekształcenia, determinuje stosowalność rozmaitych technik statystyczno-ekonometrycznych. Technikami statystycznymi dopuszczalnymi dla danego typu skali są takie techniki, które dostarczają wyników (w sensie relacji) niezmiennych względem dopuszczalnych przekształceń (por. np. Walenta [1971], s. 61). W artykule Handa [1996] dyskutowany jest problem relacji między skalami pomiaru a dopuszczalnymi dla nich technikami statystycznymi. Pokazano w nim przykłady, które są źródłem kontrowersji w wypadku ścisłego stosowania reguł pomiaru. 11
Badania eksperymentalne
Badania eksperymentalne Analiza CONJOINT mgr Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Najpopularniejsze sposoby oceny wyników eksperymentu w schematach
Bardziej szczegółowoRecenzenci Stefan Mynarski, Waldemar Tarczyński. Redaktor Wydawnictwa Anna Grzybowska. Redaktor techniczny Barbara Łopusiewicz. Korektor Barbara Cibis
Komitet Redakcyjny Andrzej Matysiak (przewodniczący), Tadeusz Borys, Andrzej Gospodarowicz, Jan Lichtarski, Adam Nowicki, Walenty Ostasiewicz, Zdzisław Pisz, Teresa Znamierowska Recenzenci Stefan Mynarski,
Bardziej szczegółowoDOPUSZCZALNE DZIAŁANIA NA LICZBACH W BADANIACH MARKETINGOWYCH Z PUNKTU WIDZENIA SKAL POMIAROWYCH * 1. Rola skal pomiarowych w badaniach marketingowych
PRACE NAUKOWE AKADEMll EKONOMCZNEJ WE WROCŁAWU Nr 718 1996 nł"or:rnatyka i Ekono:rnet:ria 1 Marek Walesiak DOPUSZCZALNE DZAŁANA NA LCZBACH W BADANACH MARKETNGOWYCH Z PUNKTU WDZENA SKAL POMAROWYCH * 1.
Bardziej szczegółowoOperacjonalizacja zmiennych
Metodologia badań naukowych - wykład 2 Operacjonalizacja zmiennych Pojęcie zmiennej Definiowanie zmiennych w planie badania Mierzenie. Skale mierzenia Pojęcie wskaźnika. Dobór wskaźnika dla zmiennej Kryteria
Bardziej szczegółowoModel procesu dydaktycznego
Model procesu dydaktycznego w zakresie Business Intelligence Zenon Gniazdowski 1,2), Andrzej Ptasznik 1) 1) Warszawska Wyższa Szkoła Informatyki, ul. Lewartowskiego 17, Warszawa 2) Instytut Technologii
Bardziej szczegółowoGraficzna prezentacja danych statystycznych
Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych Katowice, 12 i 26 czerwca 2014 r. Dopasowanie narzędzia do typu zmiennej Dobór narzędzia do
Bardziej szczegółowoPodstawowe pojęcia statystyczne
Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoSTRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
Bardziej szczegółowo1551\1 0324- glrlrs ISSf'J 1501- - 386'
PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 1100------------------ Ekonometria 16 2006 Marek Walesiak PRZEGLĄD PODSTAWOWYCH ZASTOSOWAŃ METOD STATYSTYCZNEJ ANALIZY WIELOWYMIAROWEJ W BADANIACH MARKETINGOWYCH
Bardziej szczegółowoFinanse i Rachunkowość
Wydział Nauk Ekonomicznych i Technicznych Państwowej Szkoły Wyższej im. Papieża Jana Pawła II w Białej Podlaskiej Zestaw pytań do egzaminu licencjackiego na kierunku Finanse i Rachunkowość 1 Zestaw pytań
Bardziej szczegółowow 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 szczegółowoBadania Statystyczne
Statystyka Opisowa z Demografią oraz Biostatystyka Badania Statystyczne Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoSprowadzenie rzeczywistości do pewnych jej elementów określanych jako zmienne i stałe, razem z relacjami, jakie między tymi elementami zachodzą.
Model: Sprowadzenie rzeczywistości do pewnych jej elementów określanych jako zmienne i stałe, razem z relacjami, jakie między tymi elementami zachodzą. Odwzorowanie rzeczywistości poprzez definiowanie
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoAnaliza. danych jakoêciowych i symbolicznych z wykorzystaniem programu R. Eugeniusz Gatnar Marek Walesiak. Redakcja naukowa
Analiza danych jakoêciowych i symbolicznych z wykorzystaniem programu R Redakcja naukowa Eugeniusz Gatnar Marek Walesiak Analiza danych jakoêciowych i symbolicznych z wykorzystaniem programu R Autorzy:
Bardziej szczegółowoWykład 10 Skalowanie wielowymiarowe
Wykład 10 Skalowanie wielowymiarowe Wrocław, 30.05.2018r Skalowanie wielowymiarowe (Multidimensional Scaling (MDS)) Główne cele MDS: przedstawienie struktury badanych obiektów przez określenie treści wymiarów
Bardziej szczegółowo(x j x)(y j ȳ) r xy =
KORELACJA. WSPÓŁCZYNNIKI KORELACJI Gdy w badaniu mamy kilka cech, często interesujemy się stopniem powiązania tych cech między sobą. Pod słowem korelacja rozumiemy współzależność. Mówimy np. o korelacji
Bardziej szczegółowoSTRA TEGIE POSTĘPOWANIA W BADANIACH STATYSTYCZNYCH W PRZYPADKU ZBIORU ZMIENNYCH MIERZONYCH NA SKALACH RÓŻNEGO TYPU**
BADANIA OPERACYJNE I DECYZJE Marek WALESIAK* STRA TEGIE POSTĘPOWANIA W BADANIACH STATYSTYCZNYCH W PRZYPADKU ZBIORU ZMIENNYCH MIERZONYCH NA SKALACH RÓŻNEGO TYPU** Omówiono strategie postępowania w badaniach
Bardziej szczegółowoRok akademicki: 2030/2031 Kod: ZZP MK-n Punkty ECTS: 3. Poziom studiów: Studia II stopnia Forma i tryb studiów: Niestacjonarne
Nazwa modułu: Komputerowe wspomaganie decyzji Rok akademicki: 2030/2031 Kod: ZZP-2-403-MK-n Punkty ECTS: 3 Wydział: Zarządzania Kierunek: Zarządzanie Specjalność: Marketing Poziom studiów: Studia II stopnia
Bardziej szczegółowoSTATYSTYKA EKONOMICZNA
STATYSTYKA EKONOMICZNA Analiza statystyczna w ocenie działalności przedsiębiorstwa Opracowano na podstawie : E. Nowak, Metody statystyczne w analizie działalności przedsiębiorstwa, PWN, Warszawa 2001 Dr
Bardziej szczegółowoZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO
Wydział Nauk Ekonomicznych i Zarządzania Kierunek Analityka Gospodarcza Studia stacjonarne I stopnia ZAKRES TEMATYCZNY EGZAMINU LICENCJACKIEGO Zagadnienia ogólnoekonomiczne 1. Aktualna sytuacja na europejskim
Bardziej szczegółowoWykład ze statystyki. Maciej Wolny
Wykład ze statystyki Maciej Wolny T1: Zajęcia organizacyjne Agenda 1. Program wykładu 2. Cel zajęć 3. Nabyte umiejętności 4. Literatura 5. Warunki zaliczenia Program wykładu T1: Zajęcia organizacyjne T2:
Bardziej szczegółowoMetody badań w naukach ekonomicznych
Metody badań w naukach ekonomicznych Tomasz Poskrobko Metodyka badań naukowych Metody badań ilościowe jakościowe eksperymentalne Metody badań ilościowe jakościowe eksperymentalne Metody ilościowe metody
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoCzęść I Formułowanie celów i organizacja badań
Spis treści Wstęp Część I Formułowanie celów i organizacja badań 1. Przedmiot i etapy badań marketingowych 1.1. Istota, przesłanki i użyteczność badań marketingowych 1.1.1. Definicja i cele badań 1.1.2.
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoAnaliza 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 szczegółowoAnaliza współzależności zjawisk. dr Marta Kuc-Czarnecka
Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z
Bardziej szczegółowostrona 1 / 12 Autor: Walesiak Marek Publikacje:
Autor: Walesiak Marek Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii i zastosowań metod taksonomicznych, s.
Bardziej szczegółowoCZĘŚĆ I. PRZYGOTOWANIE PROCESU BADAŃ MARKETINGOWYCH. 1.2.1. Faza identyfikacji problemów decyzyjnych lub okoliczności sprzyjających
Badania marketingowe. Podstawy metodyczne Autor: Stanisław Kaczmarczyk Wstęp CZĘŚĆ I. PRZYGOTOWANIE PROCESU BADAŃ MARKETINGOWYCH Rozdział 1. Badania marketingowe a zarządzanie 1.1. Rozwój praktyki i teorii
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowostrona 1 / 11 Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje:
Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii
Bardziej szczegółowoZagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów)
Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów) 1. Topologie sieci komputerowych a. 06IE_2A_W02 - jest w stanie zdefiniować problem decyzyjny, analizować źródła
Bardziej szczegółowoPropozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki. (dla cyklu kształcenia )
Propozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki (dla cyklu kształcenia 05-09) Dr hab. Jacek Adamek, prof. nadzw. UE Katedra Finansów i Rachunkowości
Bardziej szczegółowoWydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze
Wydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze Propozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki (dla cyklu kształcenia 2016-2020) Opiekunowie
Bardziej szczegółowoBadania marketingowe : podstawy metodyczne / Stanisław Kaczmarczyk. - wyd. 4. Warszawa, 2011
Badania marketingowe : podstawy metodyczne / Stanisław Kaczmarczyk. - wyd. 4. Warszawa, 2011 Spis treści Wstęp 13 CZĘŚĆ I. Przygotowanie procesu badań marketingowych 17 Rozdział 1. Badania marketingowe
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoDoświadczalnictwo leśne. Wydział Leśny SGGW Studia II stopnia
Doświadczalnictwo leśne Wydział Leśny SGGW Studia II stopnia Treści i efekty kształcenia Treści: Statystyka matematyczna, planowanie eksperymentu Efekty kształcenia: student potrafi opisywać zjawiska za
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowo7. Zastosowanie wybranych modeli nieliniowych w badaniach ekonomicznych. 14. Decyzje produkcyjne i cenowe na rynku konkurencji doskonałej i monopolu
Zagadnienia na egzamin magisterski na kierunku Ekonomia 1. Znaczenie wnioskowania statystycznego w weryfikacji hipotez 2. Organizacja doboru próby do badań 3. Rozkłady zmiennej losowej 4. Zasady analizy
Bardziej szczegółowoMATRYCA EFEKTÓW KSZTAŁCENIA
ZAŁĄCZNIK NR 2 MATRYCA EFEKTÓW KSZTAŁCENIA Studia podyplomowe ZARZĄDZANIE FINANSAMI I MARKETING Przedmioty OPIS EFEKTÓW KSZTAŁCENIA Absolwent studiów podyplomowych - ZARZĄDZANIE FINANSAMI I MARKETING:
Bardziej szczegółowoPodsumowanie wyników ankiety
SPRAWOZDANIE Kierunkowego Zespołu ds. Programów Kształcenia dla kierunku Informatyka dotyczące ankiet samooceny osiągnięcia przez absolwentów kierunkowych efektów kształcenia po ukończeniu studiów w roku
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoBadania sondażowe. Wprowadzenie. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badania sondażowe Wprowadzenie Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Zasady zaliczenia części Badania sondażowe: 3 prace zaliczeniowe wysyłane
Bardziej szczegółowoWstęp... 9. Podstawowe oznaczenia stosowane w książce... 13
Spis treści Wstęp... 9 Podstawowe oznaczenia stosowane w książce... 13 1. PODEJŚCIE SYMBOLICZNE W BADANIACH EKONOMICZ- NYCH... 15 1.1. Uwagi dotyczące przyjętych w rozdziale konwencji nomenklaturowych.
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSYLABUS DOTYCZY CYKLU KSZTAŁCENIA (skrajne daty)
Załącznik nr 4 do Uchwały Senatu nr 430/01/2015 SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2016-2019 (skrajne daty) 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu Statystyka w biologii
Bardziej szczegółowoStatystyka 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 szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowoWYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS WIEDZA
WYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS Symbol kierunkowego efektu kształcenia Efekty kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA K1_W01 K1_W02
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoWydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze
Wydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze Propozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki (dla cyklu kształcenia 2017-2021) Opiekunowie
Bardziej szczegółowoOPIS PRZEDMIOTU ZAMÓWIENIA. Część nr 8 OPROGRAMOWANIE DO ANALIZ MARKETINGOWYCH (pom. nr 1.21)
Zamówienie publiczne współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Regionalnego Programu Operacyjnego Województwa Mazowieckiego 2007-2013 w związku
Bardziej szczegółowoECTS Razem 30 Godz. 330
3-letnie stacjonarne studia licencjackie kier. Matematyka profil: ogólnoakademicki Semestr 1 Przedmioty wspólne Algebra liniowa z geometrią analityczną I 7 30 30 E Analiza matematyczna I 13 60 60 E Technologie
Bardziej szczegółowoOpis efektów kształcenia dla modułu zajęć
Nazwa modułu: Wprowadzenie do analizy danych Rok akademicki: 2012/2013 Kod: IET-2-303-SU-s Punkty ECTS: 2 Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Elektronika i Telekomunikacja Specjalność:
Bardziej szczegółowo1.7. 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 szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
Bardziej szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoI. Oprogramowanie sieciowe do prowadzenia analiz statystycznych wyników badań naukowych
Załącznik nr 1 do siwz Znak sprawy: ZP-PNK/D/2013/9/87 (nazwa wykonawcy) SPECYFIKACJA PRZEDMIOTU ZAMÓWIENIA w postępowaniu powaniu o udzielenie zamówienia publicznego prowadzonym w trybie przetargu nieograniczonego
Bardziej szczegółowoBadania marketingowe. Podstawy metodyczne Stanisław Kaczmarczyk
Badania marketingowe. Podstawy metodyczne Stanisław Kaczmarczyk Badania marketingowe stanowią jeden z najważniejszych elementów działań marketingowych w każdym przedsiębiorstwie. Dostarczają decydentom
Bardziej szczegółowoSpis 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 szczegółowoANALIZA CZYNNIKOWA Przykład 1
ANALIZA CZYNNIKOWA... stanowi zespół metod i procedur statystycznych pozwalających na badanie wzajemnych relacji między dużą liczbą zmiennych i wykrywanie ukrytych uwarunkowań, ktore wyjaśniają ich występowanie.
Bardziej szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
Bardziej szczegółowo3-letnie (6-semestralne) stacjonarne studia licencjackie kier. matematyka stosowana profil: ogólnoakademicki. Semestr 1. Przedmioty wspólne
3-letnie (6-semestralne) stacjonarne studia licencjackie kier. matematyka stosowana profil: ogólnoakademicki Semestr 1 Przedmioty wspólne Nazwa przedmiotu ECTS W Ć L P S Zal. Algebra liniowa z geometrią
Bardziej szczegółowoSTATYSTYKA. dr Agnieszka Figaj
STATYSTYKA OPISOWA dr Agnieszka Figaj Literatura B. Pułaska Turyna: Statystyka dla ekonomistów. Difin, Warszawa 2011 M. Sobczyk: Statystyka aspekty praktyczne i teoretyczne, Wyd. UMCS, Lublin 2006 J. Jóźwiak,
Bardziej szczegółowoBadania marketingowe. - Konspekt wykładowy
Badania marketingowe - Konspekt wykładowy Badania marketingowe w logistyce Zakres materiału do egzaminu: 1. Wprowadzenie do przedmiotu - istota, przesłanki oraz użyteczność badań marketingowych 2. Informacja
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSpis treści Urszula Gierałtowska Alicja Grześkowiak Stanisław Heilpern Grzegorz Kończak Sebastian Majewski, Mariusz Doszyń Zofia Mielecka-Kubień
Spis treści Od Redakcji... 13 Urszula Gierałtowska (Uniwersytet Szczeciński) Wykorzystanie liniowej funkcji dyskryminacyjnej do klasyfikacji spółek giełdowych... 15 Alicja Grześkowiak (Akademia Ekonomiczna
Bardziej szczegółowoKARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4
KARTA KURSU (do zastosowania w roku ak. 2015/16) Nazwa Statystyka 1 Nazwa w j. ang. Statistics 1 Kod Punktacja ECTS* 4 Koordynator Dr hab. Tadeusz Sozański (koordynator, wykłady) Dr Paweł Walawender (ćwiczenia)
Bardziej szczegółowoWydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze
Wydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze Propozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki (dla cyklu kształcenia 2016-2020) Opiekunowie
Bardziej szczegółowoANALIZA DANYCH PIERWOTNYCH mgr Małgorzata Kromka
ANALIZA DANYCH PIERWOTNYCH mgr Małgorzata Kromka Wprowadzenie do SPSS PRACA SOCJALNA Rok 1 Czym jest SPSS? SPSS to bardzo rozbudowany program. Pozwala sprawnie pracować ze zbiorami danych, analizować własne
Bardziej szczegółowoPrzykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku
Przykład 2 Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Sondaż sieciowy analiza wyników badania sondażowego dotyczącego motywacji w drodze do sukcesu Cel badania: uzyskanie
Bardziej szczegółowoIII. Funkcje rzeczywiste
. Pojęcia podstawowe Załóżmy, że dane są dwa niepuste zbiory X i Y. Definicja. Jeżeli każdemu elementowi x X przyporządkujemy dokładnie jeden element y Y, to mówimy, że na zbiorze X została określona funkcja
Bardziej szczegółowoBadanie zależności skala nominalna
Badanie zależności skala nominalna I. Jak kształtuje się zależność miedzy płcią a wykształceniem? II. Jak kształtuje się zależność między płcią a otyłością (opis BMI)? III. Jak kształtuje się zależność
Bardziej szczegółowoModelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński
Modelowanie i obliczenia techniczne dr inż. Paweł Pełczyński ppelczynski@swspiz.pl Literatura Z. Fortuna, B. Macukow, J. Wąsowski: Metody numeryczne, WNT Warszawa, 2005. J. Awrejcewicz: Matematyczne modelowanie
Bardziej szczegółowoPrzedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii
SPIS TREŚCI Przedmowa... 11 Wykaz symboli... 15 Litery alfabetu greckiego wykorzystywane w podręczniku... 15 Symbole wykorzystywane w zagadnieniach teorii mnogości (rachunku zbiorów)... 16 Symbole stosowane
Bardziej szczegółowoDZISIAJ.
ZMIENNE DZISIAJ METODĄ INDUKCJI: Co to są zmienne? Czym różni się zmienna zależna od zmiennej niezależnej? Co to są poziomy pomiaru? Jakie są poszczególne poziomy pomiarów? PRZYKŁAD WIEK: 28 LAT ZAWÓD:
Bardziej szczegółowoWydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze
Wydział Ekonomii, Zarządzania i Turystyki w Jeleniej Górze Propozycja obszarów tematycznych seminarium doktoranckiego na Wydziale Ekonomii, Zarządzania i Turystyki (dla cyklu kształcenia 2018-2022) Opiekunowie
Bardziej szczegółowoDostawa oprogramowania. Nr sprawy: ZP /15
........ (pieczątka adresowa Oferenta) Zamawiający: Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu, ul. Staszica,33-300 Nowy Sącz. Strona: z 5 Arkusz kalkulacyjny określający minimalne parametry techniczne
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoAnaliza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym
Jacek Batóg Uniwersytet Szczeciński Analiza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym Warunki działania przedsiębiorstw oraz uzyskiwane przez
Bardziej szczegółowoSkalowanie wielowymiarowe idea
Skalowanie wielowymiarowe idea Jedną z wad metody PCA jest możliwość używania jedynie zmiennych ilościowych, kolejnym konieczność posiadania pełnych danych z doświadczenia(nie da się użyć PCA jeśli mamy
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoModelowanie wybranych pojęć matematycznych. semestr letni, 2016/2017 Wykład 10 Własności funkcji cd.
Modelowanie wybranych pojęć matematycznych semestr letni, 206/207 Wykład 0 Własności funkcji cd. Ciągłość funkcji zastosowania Przybliżone rozwiązywanie równań Znajdziemy przybliżone rozwiązanie równania
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowo1.1 Definicja. 1.2 Przykład. 1.3 Definicja. Niech G oznacza dowolny, niepusty zbiór.
20. Definicje i przykłady podstawowych struktur algebraicznych (grupy, pierścienie, ciała, przestrzenie liniowe). Pojęcia dotyczące przestrzeni liniowych (liniowa zależność i niezależność układu wektorów,
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 1 Zadanie Definicja 1.1. (zadanie) Zadaniem nazywamy zagadnienie znalezienia rozwiązania x spełniającego równanie F (x, d) = 0, gdzie d jest zbiorem danych (od których zależy rozwiązanie x), a F
Bardziej szczegółowoZa pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).
Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 23 października 2016 Metodologia i metoda naukowa 1 Metodologia Metodologia nauka o metodach nauki
Bardziej szczegółowoWykład z dnia 8 lub 15 października 2014 roku
Wykład z dnia 8 lub 15 października 2014 roku Istota i przedmiot statystyki oraz demografii. Prezentacja danych statystycznych Znaczenia słowa statystyka Znaczenie I - nazwa zbioru danych liczbowych prezentujących
Bardziej szczegółowo