Компьютерный анализ данных |
Автор Лабутина Т.В. | |
23.05.2007 г. | |
Преподаватель Лабутина Т.В.
I. ВВЕДЕНИЕ ЦЕЛЬ ДИСЦИПЛИНЫ - дать студентам базовые представления о статистических методах анализа данных и методах прогнозирования, привить навыки практического использования методов компьютерного анализа данных: корреляционного, дисперсионного, регрессионного анализа, планирования эксперимента, статистического прогнозирования. Требования к знаниям и умениям по завершению изучения дисциплины Студент должен:
Период прохождения курса (2 курс, 4 семестр, зачет) II. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ Лекционный материал (36 часов): 1. Лекция 1. Роль методов анализа данных в решении практических задач. Универсальные и специальные методы. Обзор современного рынка статистических пакетов. Система анализа данных STATISTICA. 2. Лекция 2. Визуальный и описательный анализ данных. 3. Лекция 3. Понятие статистической гипотезы. Общая постановка задачи проверки гипотез. Ошибки первого и второго рода. Двухсторонние и односторонние критерии значимости. 4. Лекция 4. Сравнение двух дисперсий. Сравнение нескольких дисперсий. Проверка гипотезы о равенстве центров распределения двух нормальных генеральных совокупностей. 5. Лекция 5. Проверка гипотезы о равенстве выборочного среднего заданной величине. Проверка гипотезы о нормальном законе распределения. 6. Лекция 6. Задача корреляционного анализа. Коэффициент корреляции Пирсона и его выборочная оценка. Корреляционная матрица. Коэффициент множественной корреляции. 7. Лекция 7. Постановка задачи регрессионного анализа. Виды регрессии. Допущения, принимаемые в линейном регрессионном анализе. Основные этапы регрессионного анализа. 8. Лекция 8. Проверка равноточности опытов. МНК оценки коэффициентов линейной регрессии. Анализ остатков и выявление выбросов в выборке. 9. Лекция 9. Проверка значимости влияния факторов на отклик. Проверка адекватности регрессии. Особенности представления результатов регрессионного анализа в пакете STATISTICA. 10. Лекция 10. Нелинейный регрессионный анализ. 11. Лекция 11. Постановка задачи математического планирования эксперимента. Область экспериментирования. Кодирование факторов. Критерии оптимальности планов. 12. Лекция 12. Полный факторный план. Свойства матрицы планирования. Обработка результатов линейной и неполной квадратичной моделью. 13. Лекция 13. Дробные реплики. Генерирующее соотношение. Определение разрешающей способности реплики. Планы второго порядка. 14. Лекция 14. Постановка задачи краткосрочного прогнозирования. Простейшие адаптивные модели и их свойства. 15. Лекция 15. Временные ряды и стохастические процессы. Спектральный анализ временных рядов. Параметрические модели временных рядов. 16. Лекция 16. Модель авторегрессии и скользящего среднего. Идентификация моделей. Автокорреляционная функция. 17. Лекция 17. Оценивание моделей. Диагностическая проверка модели на адекватность. Прогнозирование. Моделирование взаимосвязанных временных рядов. 18. Лекция 18. Прогнозирование с помощью моделей экспоненциального сглаживания и АРПСС. Лабораторные занятия (18 часов):
Формы отчетности: Коллоквиумы; зачет III. РЕКОМЕНДУЕМАЯ ЛИТЕРАТУРА ПО ДИСЦИПЛИНЕ (изданная через центральные издательства и внутривузовским способом). ОСНОВНАЯ:
ДОПОЛНИТЕЛЬНАЯ:
В лабораторном практикуме используется интегрированная система анализа данных STATISTICA for WINDOWS. |
|
Последнее обновление ( 04.03.2015 г. ) |