Разработка электронного пособия по спецкурсу «Классификация экспериментальных данных»

Автор работы: Пользователь скрыл имя, 26 Октября 2012 в 22:41, курсовая работа

Описание работы

Объект исследования (разработки): электронное пособие по спецкурсу «Классификация экспериментальных данных».
Цель курсовой работы: разработка электронного пособия по спецкурсу «Классификация экспериментальных данных».
Задачи курсовой работы: изучение основ теории классификации, освоение основных приемов работы в среде системы Statistica, изучение принципов работы языка HTML, организация и реализация web-пособия.

Содержание работы

ВВЕДЕНИЕ
1 ПРИКЛАДНАЯ СТАТИСТИКА
1.1 Прикладная статистика
1.2 Пакет Statistica
2 ИНСТРУМЕНТ HTML
2.1 Общие сведения о HTML
2.2 Создание web–приложения поддержки процесса изучения спецкурса
3 АПРОБАЦИЯ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А

Скачать архив (633.84 Кб) Сколько стоит заказать работу?

Файлы: 1 файл

курсовая работа(2003).doc

— 995.00 Кб (Скачать файл)

Если быть более точным, то следует сказать так: при нечетном N медиана есть значение ряда с номером (N-l)/2, при четном N медиана есть полусумма значений с номерами N/2 И N/2+1. Х(1) — минимальное значение выборки, X(N) — максимальное значение. Разность между максимальным и минимальным значением называется размахом.

<a name="#1.3"><h3>1.3. Вычисление корреляций</h3></a>

В примере 3 создан файл с курсами валют. Покажем на основе этих данных, как вычисляются корреляции в STATISTICA. Вычислим корреляции между переменными ДОЛЛАР и МАРКА.

Рис. 1.16. Таблица с коэффициентами корреляции

Выделите блок данных ДОЛЛАР-ФРАНК. Нажмите кнопку Basic Statistics/Tables (Основные статистики/Таблицы) на панели инструментов электронной таблицы. В появившемся на экране меню выберите строку: Correlation of ДОЛЛАР — ФРАНК (Корреляции ДОЛЛАР - ФРАНК). Следующая таблица с коэффициентами корреляции появится на экране (рис. 1.17):

Рис. 1.17. Матрица корреляций переменных ДОЛЛАР —ФРАНК

<a name="#1.4"><h3>1.4. Построение простейших статистических графиков</h3></a>

Покажем, как в системе строятся простейшие статистические графики: диаграмма рассеяния и гистограмма. Будем работать с файлом olimpic.sta, в котором собраны результаты олимпийских чемпионов в беге на 100 м.

Диаграмма рассеяния

Шаг 1. Выделите какое-нибудь значение переменной ГОД в таблице «Результаты олимпийских чемпионов в беге па 100-м».

Шаг 2. Нажмите кнопку Graphs (Графики) на панели инструментов электронной табли¬цы. В выпадающем меню выберите пункт Graphs by (Графики рассеяния) и далее пункт Regular (Регулярный). На эк¬ране появится диалоговое окно: Select Variables for Scatterplots (Выбрать переменные для диаграммы). Выберите переменные, как показано на рисунке 1.18.

Рис. 1.18. Окно выбора переменных для диаграммы рассеяния

В результате мы получим следующую диаграмму (рис. 1.19):

Рис. 1.19. Диаграмма рассеяния результатов олимпийских чемпионов в беге на 100 м

Гистограмма

Шаг 1. Выделите какое-нибудь значение переменной ВРЕ¬МЯ в файле olimpic.sta.

Шаг 2. Нажмите кнопку Graphs (Графики) на панели инструментов электронной табли¬цы. В выпадающем меню выберите пункт Histograms (Гистограммы) и далее пункт Regular (Регулярный). На экране появится график:

Рис. 1.20. Гистограмма значений переменной ВРЕМЯ чемпионов в беге на 100 м

</body></html>

Первичный анализ.html

<h2>2. Первичный анализ в системе Statistica - модуль Basic Statistics/Tables (Основные статистики/Таблицы)</h2>

<a name="#2.1"><h3>2.1. Вероятностный калькулятор</h3></a>

Запустите модуль Basic Statistics/Tables (Основные статистики/таблицы) из Переключателя модулей. Высветите в стартовой панели модуля Basic Statistics/Tables (Основные статистики/таблицы) строку Probability calculator (Вероятностный калькулятор).

Нажмите кнопку ОК. Перед вами откроется окно Probability Distribution Calculator (Калькулятор вероятностных распределений) (рис. 2.1):

Рис. 2.1. Начальное окно диалога Калькулятор вероятностных распределений

Если пометить опцию Create graph (Создать график) и нажать далее кнопку Compute (Вычислить), то на экране появится график плотности и функции распределения (задайте в строке р какое-либо значение, например, 0) (рис. 2.2).

Рис. 2.2. Плотность и функция распределения стандартной нормальной величины

Вероятностный калькулятор заменяет многие таблицы. Теперь, вместо того чтобы использовать таблицы распределений, вы можете использовать данный калькулятор.

Замечание: Опция Fixed Scaling под списком распределений Distribution (Распределение) указывает, что выбрана фиксированная шкала.

Нормальное распределение

Нормальное распределение — это наиболее часто встречающееся в статистике и в теории вероятностей распределение.

Известно, что случайные ошибки в экономических рядах, рядах, возникающих в промышленности, радиотехнике и т.д., имеют приблизительно нормальное распределение. Рост взрослых людей так же можно приближенно описать нормальным распределением.

Нормальное распределение имеет два параметра:

<ul> <li>mean — среднее;

<li>stantard deviation — стандартное отклонение. </ul>

Эти параметры задаются в окне вероятностного калькулятора.

Перечислим некоторые признаки нормального распределения:

<ul> <li>плотность нормального распределения симметрична относительно среднего;

<li>среднее значение определяет меру расположения плотности;

<li>cреднее значение нормального распределения совпадает с медианой и модой. </ul>

Зададим различные значения среднего, оставив пока без изменения стандартное отклонение. Будем считать, что оно равно 1.

Рис. 2.3. Плотность нормального распределения со средним 1

Повторите те же действия, задав в поле mean (среднее) значение 2.5. Вы увидите следующий график (рис. 2.4):

Рис. 2.4. Плотность нормального распределения со средним 2.5

Посмотрим, как меняется плотность распределения при изменении другого параметра — стандартного отклонения. Зададим различные значения стандартного отклонения, считая, что среднее фиксированно и равно 0. Покажем на графиках, как изменяется плотность нормального распределения при уменьшении и увеличении дисперсии (рис. 2.5, 2.6).

Рис. 2.5. Плотность нормального распределения со средним О и дисперсией 0.01

Рис. 2.6. Плотность нормального распределения со средним 0 и дисперсией 4

Итак, при увеличении дисперсии плотность нормального распределения расплывается или рассеивается относительно среднего значения, при уменьшении дисперсии она, наоборот, сжимается, концентрируясь возле одной точки — точки максимального значения.

Рассмотрим пример использования нормального распределения

Пример: Известно, что в некоторой стране рост взрослых мужчин приближенно имеет нормальное распределение со средним 176.6 см и стандартным отклонением 7.63 см. Произвольным образом выбирается взрослый мужчина, например, первый встреченный после поворота за угол. Какова вероятность, что рост этого наугад выбранного мужчины не больше 185 см и не меньше 175 см?

Решение.

Шаг 1. Откройте вероятностный калькулятор. Выберите в списке распределенийZ(Normal) (Нормальное распределение).

Шаг 2. Задайте:

<ul> <li>в поле mean — среднее 175.6;

<li>в поле st.dev. — стандартное отклонение 7.63. </ul>

Шаг 3. В поле Z задайте 185. Нажмите кнопку Compute (Вычислить). В поле р появилось значение 0.891022. 3апомните это значение как p1.

Шаг 4. В поле Z задайте 175. Нажмите кнопку Compute (Вычислить). В поле р появилось значение 0.468661. Запомните это значение как р2.

Шаг 5. Вычтите р2 из p1. Вы получите 0.422361.

Итак, с вероятностью 0.422361 встреченный вами мужчина имеет рост не ниже 175 и не выше 185 сантиметров.

Правила 2 и 3 сигма

Рис. 2.7. Иллюстрация к правилу 2 сигм

В поле Density Function (Функция плотности) вероятностного калькулятора показана заштрихованная площадь под графиком плотности, в поле р показано значение 0.9545. Переходя к процентам, имеем 95.45%. Заштрихованная площадь составляет 95.45% всей площади под графиком.

Рис. 2.8. Иллюстрация к правилу 3 сигм

Распределение хи-квадрат

Рис. 2.9. Задание хи-квадрат - распределения в вероятностном калькуляторе

В строке df задайте 7 — число степеней свободы. В поле р задайте 0.95. Нажмите кнопку Compute (Вычислить), в строке Chi I вы увидите 0.95 — квантиль хи-квадрат-распределения с 7 степенями свободы. Выберите далее опцию Создать график и вновь щелкните на кнопке Compute (Вычислить) либо просто нажмите ENTER на клавиатуре, вы увидите график плотности и функции распределения хи-квадрат с 7 степенями свободы (рис. 2.10).

Рис. 2.10. График плотности и функции распределения случайной величины хи-квадрат с 7 степенями свободы

Обратите внимание на то, что это распределение несимметрично и сосредоточено только на положительной полуоси. Распределение хи-квадрат играет важную роль при исследовании оценки дисперсии нормальной выборки, а также при проверке зависимостей в таблицах сопряженности и в критериях согласия. При увеличении числа степеней свободы пик плотности распределения уменьшается и смещается вправо, распределение как будто расплывается по положительной полуоси.

t-распределение Стьюдента

Рис. 2.12. Задание распределения Стьюдента в вероятностном калькуляторе

В строке df задайте 5 - число степеней свободы Пометьте опцию Create Graph (Создать график). В поле р задайте 0.5. Нажмите кнопку Compute (Вычислить), на экране вы увидите следующий гра фик (рис. 2.13):

Рис. 2.13. Плотность и функция t-распределения Стьюдента с 5 степенями свободы

Рис. 2.14. Плотность и функция распределения Стьюдента с 50 степенями свободы

F-распределение

Рис. 2.15. Задание F-распределения в вероятностном калькуляторе

Рис. 2.16. Плотность и функция F-распределения со степенями свободы 11,12

<a name="#2.3"><h3>2.3. Анализ данных: ЦЕНА РЕКЛАМЫ</h3></a>

Исследуем, как цена рекламы зависит от размеров объявления: файл с данными уже подготовлен нами (см. гл. 1. Примеры создания файлов данных).

Шаг 1. Нажмите кнопку Graphs Gallery (Галереи графиков) на панели инструментов или из меню Graphs (Графики).

Рис. 2.25. Галерея графиков STATISTICA

Шаг 2. В левой части окна высветите строку rjp Stats 2D Graphs (Статистические двухмерные графики). В правой части окна появится список двухмерных графиков STATISTICA.

Информация о работе Разработка электронного пособия по спецкурсу «Классификация экспериментальных данных»