BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Opiła Janusz (Wyższa Szkoła Ekonomii i Informatyki w Krakowie), Pełech-Pilichowski Tomasz (Wyższa Szkoła Ekonomii i Informatyki w Krakowie)
Tytuł
Wizualizacja danych rozproszonych lub nieregularnych
Visualisation of Dispersed or Irregular Data
Źródło
Zeszyty Naukowe Wyższej Szkoły Ekonomii i Informatyki w Krakowie, 2012, z. 8, s. 151-178, rys., bibliogr. 44 poz.
Słowa kluczowe
Przetwarzanie danych, Wizualizacja danych, Estymacja
Data processing, Data visualisation, Estimation
Uwagi
summ.
Abstrakt
Zazwyczaj liczba i charakter zebranych danych pozwalają na zastosowanie standardowych technik wizualizacji, jak wykres histogramu w przypadku danych punktowych, czy wykres powierzchniowy w przypadku danych przestrzennych w postaci funkcji z = f(x, y). Dane wejściowe obu technik muszą jednak spełniać właściwe sobie warunki. W przypadku histogramu musi to być minimalna liczba przypadków rejestrowana w pojedynczym przedziale klasowym (zazwyczaj przyjmuje się minimum pięć a nawet więcej zliczeń). Oznacza to, że dla dziesięciu przedziałów klasowych musimy mieć przynajmniej pięćdziesiąt pomiarów. Inne ograniczenie występuje dla wykresów powierzchniowych. Tutaj z kolei warunkiem stosowalności jest pomiar wartości cechy na regularnej siatce najlepiej o kwadratowych oczkach, przy czym zazwyczaj w każdym węźle wykonuje się pomiar pojedynczy, czasami wielokrotny, uzyskując stosowny rozkład statystyczny. Niestety, pozostaje całkiem liczna grupa przypadków, gdy liczba dostępnych danych jest zbyt mała (np. dane dotyczące wykorzystania biopaliw w Polsce), pochodzą z populacji o bardzo dużym rozrzucie badanej cechy (np. dzienne wydobycie ropy naftowej w poszczególnych krajach europejskich), względnie punkty pomiarowe rozłożone są nieregularnie w przestrzeni (np. zarobki różnych grup pracowników w organizacji). Przyczyną takiego stanu rzeczy mogą być zarówno wysokie koszty pozyskania danych, jak i ich naturalna niedostępność. Przykładowo, nie jest możliwe lub opłacalne wykonanie pomiarów geofizycznych w odwiertach w niedostępnym terenie (rzeka, bagno, lub teren chroniony). W kolejnych rozdziałach zostaną przedstawione propozycje przezwyciężenia wyżej wspomnianych trudności. Podjęto także próbę sformułowania zasad prowadzenia wiarygodnych analiz i obliczeń numerycznych.(fragment tekstu)

Visualization of empirical data is important part of data analysis process as well as presentation of results. Usually number and characteristic of gathered data is suitable for this task. Unfortunately there are numerous cases when one have to cope with insufficient number ofdata which in turn can be irregularly distributed over measurement area.(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Augustynek A., Duda-Kękuś A., Evaluation of Periodic Cycles in World Economy Indices by Fourier Spectra Analysis. Information Systems and Computational Methods in Management, AGH UWND, 2005.
  2. Basseville M., Detecting Changes in Signals and Systems - A Survey. Automatica, Journal of IFAC, Vol. 24, Issue 3, 1988.
  3. Botev Z.I., Grotowski J.F, Kroese D. P., Kernel density estimation via diffusion. Annals of Statistics. Volume 38, Number 5, Pages 2916-2957, 2010.
  4. Boyer S.A., SCADA: Supervisory Control and Data Acquisition, ISA-The instrumentation, Systems, and Automation Society, 3 edition, 2004.
  5. Chapman P., Clinton J., Kerber R., Khabaza T., Reinartz T., Schearer C., Wirth R., CRISP-DM 1.0, SPSS ftp://ftp.software.ibm.com/software/analytics/spss/support/Modeler/Documentation/14/UserManual/CRIS P-DM.pdf
  6. Daniel T.C., Data visualization for decision support in environmental management, Landscape and Urban Planning, Volume 21, Issue 4, Elsevier 1992.
  7. Doane D.P., Aesthetic frequency classi?cation. American Statistician, 30: 181-183, 1976.
  8. Duda J.T., Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. Wydawnictwa AGH, Kraków, 2003.
  9. Fernandez V., Does Domestic Cooperation Lead to Business-Cycle Convergence and Financial Linkages? The Quarterly Review of Economics and Finance, Vol. 46, Elsevier, 2006.
  10. Freedman D., Diaconis P., On the histogram as a density estimator: L2 theory. Zeitschrift fur Wahrscheinlichkeitstheorie und verwandte Gebiete 57 (4): 453-476, 1981.
  11. Fry B., Visualizing Data Exploring and Explaining Data with the Processing Environment, O'Reilly Media, 2007.
  12. Jolliffe I.T., Principal Component Analysis. Springer, 2002.
  13. Jones, M.C., Foster, P.J., A simple nonnegative boundary correction method for kernel density estimation. Statist. Sinica 6 1005-1013, 1996.
  14. Jones M.C., Signorini D.F., A comparison ofhigher-order bias kernel densityestimators. J. Amer. Statist. Assoc. 92 1063-1073, 1997.
  15. Krige D.G., A statistical approach to some mine valuations and allied problems at the Witwatersrand, Master's thesis of the University of Witwatersrand, 1951.
  16. Nison S., Świece i inne japońskie techniki analizowania wykresów. WIG-Press, Warszawa, 1996.
  17. Manala K., Changa C., Hamillb J., Stanhopec S.J., A three-dimensional data visualization technique for reporting movement pattern deviations. Journal of Biomechanics, Volume 38, Issue 11, Elsevier 2005.
  18. Opiła J., Kilka uwag o wizualizacji danych nieregularnych lub rozproszonych [W:] Diagnozowanie stanu środowiska. Metody badawcze - prognozy, Red. Prof. Garbacz., Wyd. Bydgoskie Towarzystwo Naukowe, Bydgoszcz 2012 (w druku).
  19. Parzen E., On estimation of a probability density function and mode. Annals of Mathematical Statistics 33: 1065-1076, 1962.
  20. Janert P.K., Gnuplot in Action. Understanding Data with Graphs, Manning Publications Co., 2009, ISBN: 1933988398.
  21. Rosenblatt M., Remarks on some nonparametric estimates o fa density function. Annals of Mathematical Statistics 27: 832-837, 1956.
  22. Scott D., On optimal and data-based histograms. Biometrika 66: 605-610, 1979.
  23. Scott D.W., On optimal and data-based histograms. Biometrika 66 (3): 605-610, 1979.
  24. Sturges H.A., The choice of a class interval. J American Statistical Association: 65-66, 1926.
  25. Wand M.P, Jones M.C., Kernel Smoothing. London: Chapman & Hall/CRC, 1995.
  26. Wetherill G.B., Brown D.W., Statistical Process Control. Theory and Practice. Chapman and Hall, 1991.
  27. Wolfe R.J., 3D Graphics: A Visual Approach, Oxford University Press, USA (September 23, 1999), ISBN-13: 978-0195113952.
  28. Ziółko M., Modelowanie zjawisk falowych. Wydawnictwa AGH, 2000.
  29. StatSoft, Inc. (2010). STATISTICA (data analysis software system), version 9.1. www.statsoft.com
  30. http://people.ku.edu/~gbohling/cpe940/Kriging.pdf (dostęp 11 IV 2012).
  31. http://www.statios.com/Resources/05-kriging.pdf
  32. http://www.octave.org/(dostęp 11 IV 2012)
  33. http://www.gnuplot.org (dostęp 11 IV 2012)
  34. http://www.povray.org (dostęp 9 VI 2012)
  35. http://megapov.inetart.net/features.html
  36. http://scpovplot3d.sf.net (dostęp 11 IV 2012)
  37. http://www.GLSIB.com (dostęp 11 IV 2012)
  38. http://t16web.lanl.gov/Kawano/gnuplot/index-e.html (dostęp 7 VI 2012)
  39. http://www.ibm.com/developerworks/library/l-gnuplot/
  40. http://www.paraview.org/
  41. http://www.wykresyfunkcji.pl/
  42. http://www.mblog.boo.pl/index.php?id=poddzial&nr=9
  43. http://www.originlab.com/ (dostęp 9 VI 2012)
  44. http://www.originlab.com/www/helponline/Origin/en/UserGuide/ Gridding_Methods_for_Randomly_Spaced_Data.html (dostęp 9 VI 2012) http://www.ibm.com/developerworks/library/l-gnuplot/
Cytowane przez
Pokaż
ISSN
1734-5391
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu