Regionalizacja biomasy ubocznej i odpadowej w Polsce i Europie
|
|
- Sławomir Wieczorek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Regionalizacja biomasy ubocznej i odpadowej w Polsce i Europie Przemysław Czaban Warsztaty Ocena potencjału biomasy odpadowej i ubocznej oraz skutki środowiskowe produkcji i wykorzystania biomasy IUNG-PIB, 28 maja 2014
2 Ocena potencjału odpadów z produkcji rolniczej dostępnej dla wytwarzania energii Oryginalne opracowanie zawiera dane dla każdej kategorii odpadu obejmujące obszar UE 27 i Szwajcarię w rozdzielczości NUTS 3 Dane te można przedstawid poglądowo na mapach Jednak jedna mapa może przedstawid tylko jedną kategorię W powyższym przypadku całościowa analiza wymaga pracy z dziesięcioma mapami W celu zredukowania wielowymiarowego zbioru danych do zbioru jednowymiarowego, który dawałby możliwośd łatwiejszej poglądowej oceny danych posłużono się analizą skupieo
3 W ocenie potencjałów biomasy, populację badanych obiektów tworzą europejskie regiony NUTS 3 (1313 regionów) Każdy z nich jest scharakteryzowany zestawem dziesięciu cech wcześniej obliczonym potencjałem dla każdego z dziesięciu rodzajów biomasy odpadowej o 1.1. Nawozy naturalne o 1.2. Słoma o 1.3. Siano o 1.4. Plantacje wieloletnie o 2.0. Biomasa leśna o 3.1. Biomasa miejska o 3.2. Przydrożna o 4.1. Odpady komunalne o 4.2. Odpady przemysłu spożywczego o 4.3. Odpady przemysłu drzewnego W ten sposób pojawia się dziesięciowymiarowa przestrzeo cech mierzalnych W tej przestrzeni można określid odległośd między obiektami, np. za pomocą metryki euklidesowej
4
5 10 map 10-cio wymiarowa przestrzeo danych Trudna do jednoczesnej analizy
6 Cechy analizy skupieo: Z wyjściowego zbioru danych wydziela jednorodne zbiory danych o podobnej charakterystyce. Jest możliwa do zastosowania bardzo szerokiej klasy danych (przy doborze odpowiedniej metody analizy skupieo). Wystarczy aby dla danych można było określid pewną miarę odległości. Duże trudności w interpretacji (brak jednoznacznej definicji skupienia).
7 Człowiek jest w stanie w doskonały sposób zrobid analizę skupieo za pomocą wykresu rozrzutu i swojego wzroku Ale tylko w dwóch, ewentualnie trzech wymiarach
8 1. Pierwszy krok w przeprowadzonej analizie skupieo: Wybór zmiennych, które mają największy potencjał różnicujący Zastosowano metodę HINoV (Heuristic Identification of Noisy Variables) (Carmone F.J., Kara A., Maxwell S.) opierającą się wyliczeniu odpowiedniego wskaźnika dla założonej liczby skupieo i analizie wykresów osypiska
9
10 Analizy wykresów osypiska wskazują dośd jednoznacznie, że w następnych krokach należy pominąd zmienne 3, 1 i 2 (siano, biomasę uboczną z produkcji zwierzęcej i słomę) Jednakże uznano, iż zmienna 2 (słoma) jest na tyle ważna z punktu widzenia sumarycznego zasobu biomasy w Europie, że usunięcie jej z dalszych obliczeo bardzo zubożyłoby analizę.
11 Wybór metody Pierwsze próby: metody aglomeracyjne brak dobrych efektów (skupienia o bardzo nierównomiernej liczebności i słabo od siebie odseparowane); Następne próby: metoda k-średnich lepsze, obiecujące efekty; Metoda k-średnich wymaga podania z góry liczby skupieo Zastosowano algorytmiczne określenie najlepszej liczby klas poprzez sprawdzenie kilku metod postępowania przy jednoczesnym nadzorze eksperckim, aby finalne skupienia oprócz technicznego uproszczenia zbioru danych dawały interpretowalny obraz w sensie badanego zjawiska
12 Algorytm oparty na indeksie Calioskiego i Harabasza, dany wzorem (Calioski i Harabasz 1974): CH u = tr(b u)/(u 1) tr(w u )/(n u) W powyższym wzorze B u to macierz kowariancji międzyklasowej, zaś W u to macierz kowariancji wewnątrzklasowej, n liczba punktów, zaś u liczba skupieo. Przez tr(a) oznaczono ślad macierzy A. Procedura polega na wyliczeniu indeksu dla wybranego zbioru potencjalnych liczby skupieo i wybraniu takiej liczby skupieo dla której indeks przyjmuje maximum, czyli: u = arg max CH u. u
13 Algorytm oparty na indeksie Huberta i Levina, dany wzorem (Milligan i Cooper 1985): HL u = D u I w D min, I w D max I w D min gdzie D(u) to suma wszystkich odległości międzyklasowych, I w liczba odległości wewnątrzklasowych, D min (u) najmniejsza odległośd wewnątrzklasowa, zaś D max (u) największa odległośd międzyklasowa. W odróżnieniu od punktu 1 należy wybrad u = arg min u HL u.
14 Algorytm oparty na indeksie Krzanowskiego i Lai, dany wzorem (Krzanowski i Lai 1985, Tibshirani i in. 2001): KL u = (u 1) 2/m tr(w u 1 ) u 2 m tr(w u ) (u) 2/m tr(w u ) u+1 2 m tr(w u+1 ), gdzie m to liczba zmiennych. Pozostałe symbole jak wyżej. Podobnie jak w punkcie 1, należy wybrać u = arg max KL u. u
15 Algorytm oparty na indeksie Daviesa i Bouldina dany wzorem (Davies i Bouldin 1979): DB u = 1 u S r = 1 nr p u r=1 max s,r s i P r m j=1 S r +S s d rs,gdzie x ij r z rj q 1 q, zaś m p d rs = z rj z sj, x r ij to j-ta współrzędna i-tego j=1 elemntu klasy r, z rj j-ta współrzędna środka ciężkości r-tej klasy, a P r -zbiór obiektów tejże klasy; q i p to parametry, zazwyczaj przyjmuje się 1 lub 2. W tym punkcie tak jak w przypadku metody Huberta i Levina należy wybrać u = arg min u DB u.
16 Algorytm oparty na indeksie Hartigana dany wzorem (Hartigan 1975): H u = tr(w u) 1 n u 1. tr(w u+1 ) Dla tego algorytmu optymalną liczbą klas jest najmniejsze u, którego H(u) 10. W wyniku przeprowadzonych testów otrzymano wiele zbyt różniących się przesłanek do wyboru liczby klas skupień (tab. 18).
17 Algorytm Liczba klas 1 Algorytm oparty na indeksie Calioskiego i Harabasza Algorytm oparty na indeksie Huberta i Levina 10 3 Algorytm oparty na indeksie Krzanowskiego i Lai Algorytm oparty na indeksie Daviesa i Bouldina 5 5 Algorytm oparty na indeksie Hartigana >=10
18 Rozbieżności w sugerowanej przez algorytmy liczbie skupieo wskazują na, między innymi, dwa fakty: trudności interpretacyjne w analizie skupieo; struktura klasowa w badanym zbiorze danych jest słabo wykształcona Zastosowano matematyczny miernik siły struktury klasowej
19 Miernik siły struktury klasowej, oparty na indeksie Silhouette, dany jest poniższym wzorem: S u = 1 n n i=1 b i a(i) max *a i, b i + gdzie: a i = d ik k *P r \i+, (n r 1) b i = min s r *d i P s +, d i Ps = k P s odpowiednio zbiór obiektów klasy r i s. d ik n s,p r i P s to
20 Liczba skupieo Indeks Silhouette 1 NA 2 0,24 3 0,29 4 0,33 5 0,33 6 0,34 7 0,27 8 0,28 9 0, ,27 indeks Silhouette dla liczby klas równej 6 wynosi 0,34, według autorów metody (Kaufmana i Rousseeuwa) świadczy o słabej, ale występującej strukturze klas
21 Wyniki analizy skupieo przeprowadzonej metodą k-średnich dla liczby skupieo równej 6. Ocena za pomocą dwuwymiarowych wykresów rozrzutu.
22 Analiza danych za pomocą dwuwymiarowych wykresów rozrzutu Przestrzeo danych jest ośmiowymiarowa (z powodu odrzucenia dwóch zmiennych na etapie analizy HINoV) niemożliwa do oceny wzrokowej przez człowieka. Możliwa jest natomiast wzrokowa analiza dwuwymiarowych płaszczyzn, którymi wyjściowa przestrzeo jest przecinana.
23 1.2 Słoma 1.4 Plantacje wieloletnie 2.0 Biomasa leśna 3.1 Biomasa miejska 3.2 Przydrożna 4.1 Odpady komunalne 4.2 Odpady przemysłu spożywczego 4.3 Odpady przemysłu drzewnego Ośmiowymiarowa przestrzeo analizy skupieo zwizualizowana dla wszystkich klas w symetrycznej macierzy
24 1.2 Słoma 1.4 Plantacje wieloletnie 2.0 Biomasa leśna 3.1 Biomasa miejska 3.2 Przydrożna 4.1 Odpady komunalne 4.2 Odpady przemysłu spożywczego 4.3 Odpady przemysłu drzewnego Powiększony obraz przestrzeni analizy skupieo, w których żadna cecha nie odchyla się od średniej o więcej niż 6 odchyleo standardowych.
25 1.2 Słoma 1.4 Plantacje wieloletnie 2.0 Biomasa leśna 3.1 Biomasa miejska 3.2 Przydrożna 4.1 Odpady komunalne 4.2 Odpady przemysłu spożywczego 4.3 Odpady przemysłu drzewnego Losowo wybrana próba 200 NUTS-3
26 Wynikowa mapa analizy skupieo skupienie sadowniczo-spożywcze skupienie leśne skupienie pośrednie skupienie supermiejskie skupienie rolnicze skupienie miejskie
27 Typ biomasy Słoma Uprawy sadownicz e Biomasa leśna Biomasa miejska Biomasa przydrożn a Odpady komunaln e Odpady przem. spoz. Odpady przem. drzew. Zmienna Klasa; b.1.2 b.1.4 b.2.0 b.3.1 b.3.2 b.4.1 b.4.2 b ,1 (-0,3) 35,3 (3,4) 12,5 (-0,6) 0,2 (-0,4) 1,6 (-0,1) 33,2 (-0,2) 38,0 (2,8) 0,4 (-0,8) 2 20,2 (-0,3) 1,0 (-0,2) 47,0 (1,1) 0,3 (-0,3) 1,4 (-0,2) 20,1 (-0,3) 0,5 (-0,2) 2,6 (1,2) 3 32,6 (0,0) 1,9 (-0,1) 14,4 (-0,5) 0,6 (-0,2) 1,2 (-0,2) 42,4 (-0,1) 1,3 (-0,1) 0,7 (-0,6) 4 3,0 (-0,7) 0,0 (-0,3) 5,5 (-1,0) 9,7 (4,3) 14,1 (5,7) 1682,3 (8,7) 0,0 (-0,2) 0,4 (-0,8) 5 154,1 (2,7) 2,4 (-0,1) 14,0 (-0,5) 0,4 (-0,3) 1,1 (-0,3) 24,8 (-0,2) 4,3 (0,1) 0,6 (-0,6) 6 13,8 (-0,5) 0,6 (-0,3) 10,8 (-0,7) 6,1 (2,5) 5,4 (1,7) 329,5 (1,4) 0,5 (-0,2) 0,6 (-0,6)
28 Podejście do regionalizacji nakierowane na określenie preferowanego procesu przetwarzania biomasy W ramach projektu BioBoost została określona preferowana kolejnośd surowców dla poszczególnych typów przetwarzania biomasy: Szybka Piroliza Miskant Odpady przemysłu drzewnego Słoma pszeniczna Piroliza katalityczna Drewno bukowe Miskant Słoma pszeniczna Karbonizacja hydrotermalna Organiczne odpady komunalne Odpady browarnicze Wheat straw
29
30 Dziękuję za uwagę
Magdalena Borzęcka-Walker. Wykorzystanie produktów opartych na biomasie do rozwoju produkcji biopaliw
Magdalena Borzęcka-Walker Wykorzystanie produktów opartych na biomasie do rozwoju produkcji biopaliw Cele Ocena szybkiej pirolizy (FP), pirolizy katalitycznej (CP) oraz hydrotermalnej karbonizacji (HTC),
Bardziej szczegółowoOCENA WYBRANYCH PROCEDUR ANALIZY SKUPIEŃ DLA DANYCH PORZĄDKOWYCH. 1. Wstęp
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU Nr 47 009 TAKSONOMIA 16 Klasyfikacja i analiza danych teoria i zastosowania Uniwersytet Ekonomiczny we Wrocławiu OCENA WYBRANYCH PROCEDUR ANALIZY SKUPIEŃ
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowoZałóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb
Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę
Bardziej szczegółowoBiomasa uboczna z produkcji rolniczej
Biomasa uboczna z produkcji rolniczej dr Zuzanna Jarosz Warsztaty Systemy informacji o wpływie zmian klimatu i zasobach biomasy Puławy, 01 grudnia 2015 r. Głównym postulatem Unii Europejskiej, a także
Bardziej szczegółowoOcena możliwości rozwoju upraw wieloletnich na cele energetyczne z uwzględnieniem skutków środowiskowych i bezpieczeostwa żywnościowego Antoni Faber
Ocena możliwości rozwoju upraw wieloletnich na cele energetyczne z uwzględnieniem skutków środowiskowych i bezpieczeostwa żywnościowego Antoni Faber Warsztaty Ocena potencjału biomasy odpadowej i ubocznej
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoGeoinformacja zasobów biomasy na cele energetyczne
Geoinformacja zasobów biomasy na cele energetyczne Anna Jędrejek Zakład Biogospodarki i Analiz Systemowych GEOINFORMACJA synonim informacji geograficznej; informacja uzyskiwana poprzez interpretację danych
Bardziej szczegółowoZasoby biomasy w Polsce
Zasoby biomasy w Polsce Ryszard Gajewski Polska Izba Biomasy POWIERZCHNIA UŻYTKÓW ROLNYCH W UE W PRZELICZENIU NA JEDNEGO MIESZKAŃCA Źródło: ecbrec ieo DEFINICJA BIOMASY Biomasa stałe lub ciekłe substancje
Bardziej szczegółowoPOSSIBILITIES OF USING BIOMASS IN POLAND
POSSIBILITIES OF USING BIOMASS IN POLAND Ryszard Gajewski POLSKA IZBA BIOMASY www.biomasa.org.pl Miskolc, 28 kwietnia 2011 r. Powierzchnia użytków rolnych w UE w przeliczeniu na jednego mieszkańca Źródło:
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoMOŻLIWOŚCI POZYSKANIA BIOMASY DRZEWNEJ DO CELÓW ENERGETYCZNYCH W SADOWNICTWIE I LEŚNICTWIE
MOŻLIWOŚCI POZYSKANIA BIOMASY DRZEWNEJ DO CELÓW ENERGETYCZNYCH W SADOWNICTWIE I LEŚNICTWIE Dr inż. Stanisław Parzych, Dr inż. Agnieszka Mandziuk Wydział Leśny SGGW w Warszawie Mgr inż. Sebastian Dawidowski
Bardziej szczegółowoWykorzystanie biomasy na cele energetyczne w UE i Polsce
Wykorzystanie biomasy na cele energetyczne w UE i Polsce dr Zuzanna Jarosz Biogospodarka w Rolnictwie Puławy, 21-22 czerwca 2016 r. Celem nadrzędnym wprowadzonej w 2012 r. strategii Innowacje w służbie
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoIdea. Algorytm zachłanny Algorytmy hierarchiczne Metoda K-średnich Metoda hierarchiczna, a niehierarchiczna. Analiza skupień
Idea jest narzędziem analizy danych służącym do grupowania n obiektów, opisanych za pomocą wektora p-cech, w K niepustych, rozłącznych i możliwie jednorodnych grup skupień. Obiekty należące do danego skupienia
Bardziej szczegółowoOcena potencjału biomasy stałej z rolnictwa
Ocena potencjału biomasy stałej z rolnictwa dr Zuzanna Jarosz Inżynieria rolnicza w ochronie i kształtowaniu środowiska Lublin, 23-24 września 2015 Głównym postulatem Unii Europejskiej, a także Polski,
Bardziej szczegółowoRobert Susmaga. Instytut Informatyki ul. Piotrowo 2 Poznań
... Robert Susmaga Instytut Informatyki ul. Piotrowo 2 Poznań kontakt mail owy Robert.Susmaga@CS.PUT.Poznan.PL kontakt osobisty Centrum Wykładowe, blok informatyki, pok. 7 Wyłączenie odpowiedzialności
Bardziej szczegółowoRegresja i Korelacja
Regresja i Korelacja Regresja i Korelacja W przyrodzie często obserwujemy związek między kilkoma cechami, np.: drzewa grubsze są z reguły wyższe, drewno iglaste o węższych słojach ma większą gęstość, impregnowane
Bardziej szczegółowoAnaliza skupień. Idea
Idea Analiza skupień Analiza skupień jest narzędziem analizy danych służącym do grupowania n obiektów, opisanych za pomocą wektora p-cech, w K niepustych, rozłącznych i możliwie jednorodnych grup skupień.
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 szczegółowoUPRAWY ENERGETYCZNE W CENTRALNEJ I WSCHODNIEJ EUROPIE
UPRAWY ENERGETYCZNE W CENTRALNEJ I WSCHODNIEJ EUROPIE Bioenergia w krajach Europy Centralnej, uprawy energetyczne. Dr Hanna Bartoszewicz-Burczy, Instytut Energetyki 23 kwietnia 2015 r., SGGW 1. Źródła
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 szczegółowoZnaczenie biomasy leśnej w realizacji wymogów pakietu energetycznoklimatycznego
Znaczenie biomasy leśnej w realizacji wymogów pakietu energetycznoklimatycznego w Polsce. Ryszard Gajewski POLSKA IZBA BIOMASY www.biomasa.org.pl Łagów, 5 czerwca 2012 r. Wnioski zużycie energii finalnej
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
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 szczegółowoBudowa pionowa drzewostanu w świetle przestrzennego rozkładu punktów lotniczego skanowania laserowego
Budowa pionowa drzewostanu w świetle przestrzennego rozkładu punktów lotniczego skanowania laserowego Marcin Myszkowski Marek Ksepko Biuro Urządzania Lasu i Geodezji Leśnej Oddział w Białymstoku PLAN PREZENTACJI
Bardziej szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoMetody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin. Henryk Bujak
Metody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin Henryk Bujak e-mail: h.bujak@ihar.edu.pl Ocena różnorodności fenotypowej Różnorodność fenotypowa kolekcji roślinnych zasobów
Bardziej szczegółowoBiogazownie w energetyce
Biogazownie w energetyce Temat opracował Damian Kozieł Energetyka spec. EGIR rok 3 Czym jest biogaz? Czym jest biogaz? Biogaz jest to produkt fermentacji metanowej materii organicznej przez bakterie beztlenowe
Bardziej szczegółowoSkrócony opis produktu
1 Produkt 8: Kalkulator do szacowania ilości biomasy Skrócony opis produktu Kontekst produktu innowacyjnego: Kalkulator do szacowania ilości biomasy to narzędzie służące do szacowania rentowności produkcji
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 szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoWykorzystanie biomasy stałej w Europie
Wykorzystanie biomasy stałej w Europie Rafał Pudełko POLSKIE Wykorzystanie biomasy stałej w Europie PLAN PREZENTACJI: Aktualne dane statystyczne Pierwsze pomysły dot. energetycznego wykorzystania biomasy
Bardziej szczegółowoAnaliza skupień. Waldemar Wołyński, Tomasz Górecki. Wydział Matematyki i Informatyki UAM Poznań. 6 marca 2013
Analiza skupień Waldemar Wołyński, Tomasz Górecki Wydział Matematyki i Informatyki UAM Poznań 6 marca 2013 W. Wołyński, T. Górecki (UAM) Analiza skupień 6 marca 2013 1 / 46 Idea: Analiza skupień jest narzędziem
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 7 maja Magdalena Alama-Bućko Statystyka 7 maja / 40
Statystyka Wykład 9 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka 7 maja 2018 1 / 40 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia miary
Bardziej szczegółowoBiogaz i biomasa -energetyczna przyszłość Mazowsza
Biogaz i biomasa -energetyczna przyszłość Mazowsza Katarzyna Sobótka Specjalista ds. energii odnawialnej Mazowiecka Agencja Energetyczna Sp. z o.o. k.sobotka@mae.mazovia.pl Biomasa Stałe i ciekłe substancje
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33
Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,
Bardziej szczegółowoAnaliza współzależności dwóch cech I
Analiza współzależności dwóch cech I Współzależność dwóch cech W tym rozdziale pokażemy metody stosowane dla potrzeb wykrywania zależności lub współzależności między dwiema cechami. W celu wykrycia tych
Bardziej szczegółowoStatystyka opisowa. Wykład I. Elementy statystyki opisowej
Statystyka opisowa. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Elementy statystyku opisowej 1 Elementy statystyku opisowej 2 3 Elementy statystyku opisowej Definicja Statystyka jest to nauka o
Bardziej szczegółowoKierunek i poziom studiów: Matematyka, studia I stopnia (licencjackie), rok I
Uniwersytet Śląski w Katowicach str. 1 Kierunek i poziom studiów: Matematyka, studia I stopnia (licencjackie), rok I Sylabus modułu: Wstęp do algebry liniowej i geometrii analitycznej (03-M01N-12-WALG)
Bardziej szczegółowoStatystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35
Statystyka Wykład 7 Magdalena Alama-Bućko 16 kwietnia 2017 Magdalena Alama-Bućko Statystyka 16 kwietnia 2017 1 / 35 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoWybór optymalnej liczby składowych w analizie czynnikowej Test Równolegości Horn a i test MAP Velicera
Wybór optymalnej liczby składowych w analizie czynnikowej Test Równolegości Horn a i test MAP Velicera Wielu badaczy podejmuje decyzje o optymalnej liczbie składowych do wyodrębnienia na podstawie arbitralnych
Bardziej szczegółowoWykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy
Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy
Bardziej szczegółowoPOD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
POD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoMETODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski
METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,
Bardziej szczegółowoKURS FUNKCJE WIELU ZMIENNYCH
KURS FUNKCJE WIELU ZMIENNYCH Lekcja Ekstrema (lokalne) funkcji wielu zmiennych ZADANIE DOMOWE www.etrapez.pl Strona Częśd : TEST Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie Wykres
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41
Statystyka Wykład 4 Magdalena Alama-Bućko 13 marca 2017 Magdalena Alama-Bućko Statystyka 13 marca 2017 1 / 41 Na poprzednim wykładzie omówiliśmy następujace miary rozproszenia: Wariancja - to średnia arytmetyczna
Bardziej szczegółowoStatystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28
Statystyka Wykład 3 Magdalena Alama-Bućko 6 marca 2017 Magdalena Alama-Bućko Statystyka 6 marca 2017 1 / 28 Szeregi rozdzielcze przedziałowe - kwartyle - przypomnienie Po ustaleniu przedziału, w którym
Bardziej szczegółowoPochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji
Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji Adam Kiersztyn Lublin 2014 Adam Kiersztyn () Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji maj 2014 1 / 24 Zanim przejdziemy
Bardziej szczegółowoANALIZA STRUKTURY WIEKOWEJ ORAZ PŁCIOWEJ CZŁONKÓW OFE Z WYKORZYSTANIEM METOD TAKSONOMICZNYCH
Sugerowany przypis: Chybalski F., Analiza struktury wiekowej oraz płciowej członków OFE z wykorzystaniem metod taksonomicznych [w:] Chybalski F., Staniec I. (red.), 10 lat reformy emerytalnej w Polsce.
Bardziej szczegółowoPrawdopodobieństwo czerwonych = = 0.33
Temat zajęć: Naiwny klasyfikator Bayesa a algorytm KNN Część I: Naiwny klasyfikator Bayesa Naiwny klasyfikator bayerowski jest prostym probabilistycznym klasyfikatorem. Naiwne klasyfikatory bayesowskie
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 23 kwietnia Magdalena Alama-Bućko Statystyka 23 kwietnia / 38
Statystyka Wykład 8 Magdalena Alama-Bućko 23 kwietnia 2017 Magdalena Alama-Bućko Statystyka 23 kwietnia 2017 1 / 38 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoPrace nad rozporządzeniem określającym zasady zrównoważonego pozyskania biomasy oraz jej dokumentowania na potrzeby systemu wsparcia
Prace nad rozporządzeniem określającym zasady zrównoważonego pozyskania biomasy oraz jej dokumentowania na potrzeby systemu wsparcia Jarosław Wiśniewski Zastępca Dyrektora Departamentu Gospodarki Ziemią
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 4 Temat: Analiza korelacji i regresji dwóch zmiennych
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoODNAWIALNE ŹRÓDŁA ENERGII. Seminarium Biomasa na cele energetyczne założenia i realizacja Warszawa, 3 grudnia 2008 r.
ODNAWIALNE ŹRÓDŁA ENERGII Seminarium Biomasa na cele energetyczne założenia i realizacja Warszawa, 3 grudnia 2008 r. 1 Odnawialne Źródła Energii w 2006 r. Biomasa stała 91,2 % Energia promieniowania słonecznego
Bardziej szczegółowoSurowce w gospodarce o obiegu zamkniętym Łukasz Sosnowski, Sekretarz Zespołu ds. Gospodarki o Obiegu Zamkniętym
Surowce w gospodarce o obiegu zamkniętym Łukasz Sosnowski, Sekretarz Zespołu ds. Gospodarki o Obiegu Zamkniętym Surowce dla gospodarki Polski, Kraków 23 maja 2017 r. Nowa wizja europejskiego modelu gospodarczego
Bardziej szczegółowoO czym w Sejmie piszczy? Analiza tekstowa przemówień poselskich
O czym w Sejmie piszczy? Analiza tekstowa przemówień poselskich mgr Aleksander Nosarzewski Szkoła Główna Handlowa w Warszawie pod kierunkiem naukowym dr hab. Bogumiła Kamińskiego, prof. SGH Problem Potrzeba
Bardziej szczegółowoPotencjał biomasy nowe kierunki jej wykorzystania
INSTYTUT GÓRNICTWA ODKRYWKOWEGO Dominika Kufka Potencjał biomasy nowe kierunki jej wykorzystania Transnational Conference 25 th 26 th of November 2014, Wrocław Fostering communities on energy transition,
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoMarta Dziechciarz Duda SEGMENTACJA RYNKU DÓBR TRWAŁEGO UŻYTKOWANIA NA PODSTAWIE DANYCH NIEMETRYCZNYCH. 1. Wstęp
Marta Dziechciarz Duda SEGMENTACJA RYNKU DÓBR TRWAŁEGO UŻYTKOWANIA NA PODSTAWIE DANYCH NIEMETRYCZNYCH 1. Wstęp W statystycznej analizie danych istnieje możliwość stosowania znacznie większej liczby metod,
Bardziej szczegółowoSocjo-ekonomiczne aspekty polskich inwestycji biomasowych
Socjo-ekonomiczne aspekty polskich inwestycji biomasowych Jerzy JANOTA BZOWSKI Bracka 4, 00-502 Warszawa tel.(+4822)6289854, fax. (+4822)6285082 e-mail:jbzowski@ekofundusz.org.pl. www.ekofundusz.org.pl
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoKlasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących
Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Cezary Dendek Wydział Matematyki i Nauk Informacyjnych PW Plan prezentacji Plan prezentacji Wprowadzenie
Bardziej szczegółowoUkłady równań liniowych
Układy równań liniowych ozważmy układ n równań liniowych o współczynnikach a ij z n niewiadomymi i : a + a +... + an n d a a an d a + a +... + a n n d a a a n d an + an +... + ann n d n an an a nn n d
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
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 szczegółowoWYMAGANIA EDUKACYJNE Rok szkolny 2018/2019
WYMAGANIA EDUKACYJNE Rok szkolny 2018/2019 Przedmiot Klasa Nauczyciele uczący Poziom matematyka 4e Łukasz Jurczak rozszerzony 2. Elementy analizy matematycznej ocena dopuszczająca ocena dostateczna ocena
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE
1 STATYSTYKA MAŁYCH OBSZARÓW I. WPROWADZENIE 1.1 Podejścia w statystyce małych obszarów Randomizacyjne Wektor wartości badanej cechy traktowany jest jako nielosowy. Szacowana charakterystyka jest nielosowa
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 szczegółowoNaszym zadaniem jest rozpatrzenie związków między wierszami macierzy reprezentującej poziomy ekspresji poszczególnych genów.
ANALIZA SKUPIEŃ Metoda k-means I. Cel zadania Zadaniem jest analiza zbioru danych, gdzie zmiennymi są poziomy ekspresji genów. Podczas badań pobrano próbki DNA od 36 różnych pacjentów z chorobą nowotworową.
Bardziej szczegółowoPorównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska
Porównanie modeli statystycznych Monika Wawrzyniak Katarzyna Kociałkowska Jaka jest miara podobieństwa? Aby porównywać rozkłady prawdopodobieństwa dwóch modeli statystycznych możemy użyć: metryki dywergencji
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowoSieci Kohonena Grupowanie
Sieci Kohonena Grupowanie http://zajecia.jakubw.pl/nai UCZENIE SIĘ BEZ NADZORU Załóżmy, że mamy za zadanie pogrupować następujące słowa: cup, roulette, unbelievable, cut, put, launderette, loveable Nie
Bardziej szczegółowoAnaliza składowych głównych idea
Analiza składowych głównych idea Analiza składowych głównych jest najczęściej używanym narzędziem eksploracyjnej analizy danych. Na metodę tę można spojrzeć jak na pewną technikę redukcji wymiarowości
Bardziej szczegółowoBadanie normalności rozkładu
Temat: Badanie normalności rozkładu. Wyznaczanie przedziałów ufności. Badanie normalności rozkładu Shapiro-Wilka: jest on najbardziej zalecanym testem normalności rozkładu. Jednak wskazane jest, aby liczebność
Bardziej szczegółowoEksploracja danych. Grupowanie. Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne. Grupowanie wykład 1
Grupowanie Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Grupowanie wykład 1 Sformułowanie problemu Dany jest zbiór obiektów (rekordów). Znajdź naturalne pogrupowanie
Bardziej szczegółowoStatystyka. Wykład 7. Magdalena Alama-Bućko. 3 kwietnia Magdalena Alama-Bućko Statystyka 3 kwietnia / 36
Statystyka Wykład 7 Magdalena Alama-Bućko 3 kwietnia 2017 Magdalena Alama-Bućko Statystyka 3 kwietnia 2017 1 / 36 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoWielowymiarowa analiza regionalnego zróżnicowania rolnictwa w Polsce
Wielowymiarowa analiza regionalnego zróżnicowania rolnictwa w Polsce Mgr inż. Agata Binderman Dzienne Studia Doktoranckie przy Wydziale Ekonomiczno-Rolniczym Katedra Ekonometrii i Informatyki SGGW Opiekun
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 9 Analiza skupień wielowymiarowa klasyfikacja obiektów Metoda, a właściwie to zbiór metod pozwalających na grupowanie obiektów pod względem wielu cech jednocześnie.
Bardziej szczegółowoInstytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy
Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy Ocena funkcjonowania gospodarstw z dodatnim saldem sekwestracji CO 2 w glebie na tle gospodarstw pozostałych (na przykładzie
Bardziej szczegółowoEfektywny rozwój rozproszonej energetyki odnawialnej w połączeniu z konwencjonalną w regionach Biomasa jako podstawowe źródło energii odnawialnej
Biomasa jako podstawowe źródło energii odnawialnej dr inż. Magdalena Król Spotkanie Regionalne- Warsztaty w projekcie Energyregion, Wrocław 18.02.2013 1-3 Biomasa- źródła i charakterystyka 4 Biomasa jako
Bardziej szczegółowoMetoda reprezentacyjna
Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody
Bardziej szczegółowoODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
Bardziej szczegółowoTRANSFORMACJE I JAKOŚĆ DANYCH
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING TRANSFORMACJE I JAKOŚĆ DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoPodstawy grupowania danych w programie RapidMiner Michał Bereta
Podstawy grupowania danych w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Grupowanie hierarchiczne Grupowanie (analiza skupieo, ang. clustering) ma na celu automatyczne wykrycie grup istniejących
Bardziej szczegółowoDefinicje PN ISO Definicje PN ISO 3951 interpretacja Zastosowanie normy PN-ISO 3951:1997
PN-ISO 3951:1997 METODY STATYSTYCZNEJ KONTROI JAKOŚCI WG OCENY ICZBOWEJ ciągła seria partii wyrobów sztukowych dla jednej procedury analizowana jest tylko jedna wartość, która musi być mierzalna w skali
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowo