Тема 7. Решение задачи сравнения выборок. Понятие статистических крите-
риев и их виды. Сравнение распределений: проверка гипотез. Понятие статистической гипотезы. Нулевая и альтернативная гипотезы. Направленная и ненаправленная гипо- тезы. Статистические критерии. Таблицы критических значений. Число степеней сво- боды. Параметрические и непараметрические критерии. Возможности и ограничения параметрических и непараметрических критериев. Уровни статистической значимости. Правило отклонения нулевой гипотезы и принятия альтернативной гипотезы: зона не- значимости, зона неопределенности и зона значимости. Мощность критериев. Зависи- мые и независимые выборки. Тема 8. Выявление различий в уровне исследуемого признака. Параметри- ческий критерий t Стьюдента для сравнения результатов количественного измерения: назначение критерия, его описание, область применения, алгоритм применения для не- зависимых выборок. Использование t-критерия Стьюдента для сравнения результатов регистрирующего измерения. Непараметрические критерии. Критерий Розенбаума: назначение критерия, его описание, область применения, алгоритм применения. Критерий Манна—Уитни: назна- чение критерия, его описание, область применения, алгоритм применения. Критерий тенденций Крускала—Уоллиса назначение критерия, его описание, область примене- ния, алгоритм применения. Критерий тенденций Джонкира: назначение критерия, его описание, область применения, алгоритм применения. Тема 9. Оценка достоверности сдвига в значениях исследуемого признака. Па- раметрический критерий t Стьюдента для сравнения результатов количественного из- мерения: алгоритм применения для зависимых выборок. Непараметрические критерии. Критерий знаков: назначение критерия его описание, область применения, алгоритм применения. Критерий Вилкоксона: для сравнения результатов количественного изме- рения. Критерий Фридмана: для сравнения результатов количественного измерения. Критерий тенденций Пейджа: для сравнения результатов количественного измерения. Тема 10. Выявление различий в распределении признака. Критерий Пирсона: назначение критерия, его описание, область применения, алгоритм применения. Кри- терий Колмогорова–Смирнова для сравнения результатов количественного измерения: назначение критерия, его описание, область применения, алгоритм применения. Бино- миальный критерий: назначение критерия, его описание, область применения, алгоритм применения. Тема 11. Многофункциональные статистические критерии. Понятие многофун- кциональных статистических критериев. Критерий φ* — угловое преобразование Фи- шера: назначение критерия, его описание, область применения, алгоритм применения. 56 Программы и методические рекомендации. V курс Биномиальный критерий m: назначение критерия, его описание, область применения, алгоритм применения. Многофункциональные критерии как эффективные заменители традиционных критериев. Алгоритм выбора многофункциональных критериев. Тема 12. Дисперсионный анализ. Понятие дисперсионного анализа. Подготовка данных к дисперсионному анализу: создание комплексов, уравновешивание комплек- сов, проверка нормальности распределения результативного распределения признака, преобразование эмпирических данных с целью упрощения результатов. Однофактор- ный дисперсионный анализ для независимых выборок: назначение метода, его описа- ние, область применения, алгоритм применения. Дисперсионный анализ для зависимых выборок: назначение метода, его описание, область применения, алгоритм применения. Дисперсионный двухфакторный анализ: обоснование задачи взаимодействия двух факторов. Дисперсионный двухфакторный анализ для случая независимых и для случая зависимых выборок: назначение метода, его описание, область применения. Тема 13. Многомерные методы обработки данных. Многомерные методы обра- ботки данных как дальнейшее развитие эмпирической математической модели в отно- шении многостороннего описания изучаемых явлений. Проблема искусственного интел- лекта и программная реализация многомерных методов. Классификация многомерных методов обработки данных: по назначению, по способу сопоставления данных, по виду исходных данных. Общее знакомство с методами многомерной обработки данных (назначение каждо- го метода и сфера его применения; математико-статистические идеи метода; исходные данные и требования к ним; процедура и результаты): множественный регрессионный анализ (МРА) как метод экстраполяции; множественный дискриминантный анализ как распознавание образов («классификация с обучением»); кластерный анализ как ме- тод классификации автоматическая классификация, таксономический анализ, анализ образов без обучения); факторный анализ как метод структурирования эмпирической информации; многомерное шкалирование как метод выявления структуры множества объектов. Примеры использования многомерной обработки данных.
Популярное: Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... Личность ребенка как объект и субъект в образовательной технологии: В настоящее время в России идет становление новой системы образования, ориентированного на вхождение... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (201)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |