prikaz prve stranice dokumenta Grupiranje država prema njihovoj mjeri sreće klasterskom analizom
  Preuzmi
PDF 2.62 MB
diplomski rad
Grupiranje država prema njihovoj mjeri sreće klasterskom analizom
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. urn:nbn:hr:217:790783
Karačić, Lucija
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Matematički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Karačić, L. (2020). Grupiranje država prema njihovoj mjeri sreće klasterskom analizom (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:790783

Karačić, Lucija. "Grupiranje država prema njihovoj mjeri sreće klasterskom analizom." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:217:790783

Karačić, Lucija. "Grupiranje država prema njihovoj mjeri sreće klasterskom analizom." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:217:790783

Karačić, L. (2020). 'Grupiranje država prema njihovoj mjeri sreće klasterskom analizom', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 23.12.2024., https://urn.nsk.hr/urn:nbn:hr:217:790783

Karačić L. Grupiranje država prema njihovoj mjeri sreće klasterskom analizom [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2020 [pristupljeno 23.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:790783

L. Karačić, "Grupiranje država prema njihovoj mjeri sreće klasterskom analizom", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:790783

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:790783
Podaci o radu
NaslovGrupiranje država prema njihovoj mjeri sreće klasterskom analizom
Naslov (engleski)Grouping countries according to their measure of happiness by cluster analysis
AutorLucija Karačić
MentorAnamarija Jazbec (mentor)
Član povjerenstvaAnamarija Jazbec (predsjednik povjerenstva)
Član povjerenstvaHrvoje Šikić (član povjerenstva)
Član povjerenstvaMiljenko Marušić (član povjerenstva)
Član povjerenstvaAna Prlić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Matematički odsjek)
Zagreb
Datum i država obrane2020-12-01, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Sažetak
U ovom radu opisana je klasterska analiza i njezina primjena na bazu podataka koja sadržava informacije o 146 država. Klasterska analiza je metoda grupiranja objekata u klastere. Svaki je klaster grupa objekata najveće sličnosti. Ovisno o vrsti objekata i cilju istraživanja, odabiremo odgovarajuću mjeru sličnosti ili različitosti (udaljenosti). Nakon toga odabiremo algoritam klasteriranja; razlikujemo hijerarhijske i nehijerarhijske algoritme. Korištena baza dobivena je iz Svjetskog izvještaja o sreći (World Happiness Report) za 2017. godinu. Svakoj državi pridružene su vrijednosti varijabla Mjera sreće, Ekonomija, Obitelj, Zdravlje, Sloboda, Darežljivost i Povjerenje. S obzirom na to da su sve varijable numeričke, kao mjera udaljenosti odabrana je euklidska udaljenost. Najprije je provedeno hijerarhijsko (aglomerativno) klasteriranje pomoćuWardove metode i metode maksimuma. Zatim je provedeno nehijerarhijsko klasteriranje, tj. algoritam k-sredina za k = 5; 6; 7. Za obradu i analizu podataka korišten je programski sustav SAS.
Sažetak (engleski)
This paper describes cluster analysis and its application to a database containing information on 146 countries. Cluster analysis is a method of grouping objects into clusters. Each cluster is a group of objects with the greatest similarity. Depending on the type of objects and the goal of the research, we choose the appropriate measure of similarity or difference (distance). After that, it is necessary to select the clustering algorithm; there are two types, hierarchical and non-hierarchical algorithms. Used database was obtained from the 2017 World Happiness Report. Value of variables Measure of Happiness, Economy, Family, Health, Freedom, Generosity and Trust, are assigned to each country. Since all variables are numerical, Euclidean distance was chosen as a measure of distance. Firstly, hierarchical (agglomerative) clustering was conducted using the Ward method and the maximum method. Next, non-hierarchical clustering was made with k-means algorithm for k = 5; 6; 7. The SAS software system was used for data processing and analysis.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:790783
Studijski programNaziv: Matematička statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-02-22 13:52:28