Статистика
<<  Элементы статистической обработки данных Методы статистической обработки данных  >>
Статистическая обработка данных
Статистическая обработка данных
План темы:
План темы:
1. Понятие статистической обработки данных
1. Понятие статистической обработки данных
2. Определение основных терминов
2. Определение основных терминов
2. Определение основных терминов
2. Определение основных терминов
3. Статистические функции MathCad
3. Статистические функции MathCad
3. Статистические функции MathCad
3. Статистические функции MathCad
rbinom(m, n, p) – биномиальное; rexp(m, r) – экспоненциальное; rnorm(m
rbinom(m, n, p) – биномиальное; rexp(m, r) – экспоненциальное; rnorm(m
Часто на практике требуется представить экспериментальные данные
Часто на практике требуется представить экспериментальные данные
5.1 Выполнение линейной регрессии
5.1 Выполнение линейной регрессии
5.2 Выполнение линейной регрессии общего вида
5.2 Выполнение линейной регрессии общего вида
5.3 Выполнение полиномиальной регрессии
5.3 Выполнение полиномиальной регрессии
5.4 Выполнение нелинейной регрессии общего вида
5.4 Выполнение нелинейной регрессии общего вида
Далее:
Далее:

Презентация на тему: «Статистическая обработка данных». Автор: Масюкевич. Файл: «Статистическая обработка данных.ppt». Размер zip-архива: 247 КБ.

Статистическая обработка данных

содержание презентации «Статистическая обработка данных.ppt»
СлайдТекст
1 Статистическая обработка данных

Статистическая обработка данных

MathCad. Тема 7.

2 План темы:

План темы:

Понятие статистической обработки данных. Определение основных терминов. Статистические функции MathCad. Функции создания векторов с различными законами распределения. Выполнение регрессии для экспериментальных данных (аппроксимация данных).

3 1. Понятие статистической обработки данных

1. Понятие статистической обработки данных

При выполнении физических экспериментов их данные обычно представляются с той или иной случайной погрешностью, поэтому их обработка нуждается в соответствующих статистических методах. С помощью системы MathCad можно проводить наиболее распространенные статистические расчеты с данными, представленными векторами их значений.

4 2. Определение основных терминов

2. Определение основных терминов

Распределение случайной величины – это функция, позволяющая определить вероятность появления заданного значения случайной величины. Коэффициент корреляции – это числовая характеристика совместного распределения двух случайных величин, выражающая их взаимосвязь. Возможное значение от -1 до 1. Если значение 0, то нет зависимости одной величины от другой. Если значение -1, 1, то имеется линейная зависимость одной величины от другой.

5 2. Определение основных терминов

2. Определение основных терминов

Дисперсия (вариация) – это характеристика случайной величины, определяемая как математическое ожидание квадрата отклонения случайной величины от её математического ожидания. Отклонение – это характеристика случайной величины, показывающая степень ее разброса, равная корню квадратному из дисперсии.

6 3. Статистические функции MathCad

3. Статистические функции MathCad

Rnd(x) – генерация случайного числа со значением от 0 до х. Corr(vx, VY) – определение коэффициента корреляции двух векторов. Mean(v) – определение среднего значения элементов вектора.

7 3. Статистические функции MathCad

3. Статистические функции MathCad

var(V) – вычисление дисперсии (вариации) для элементов вектора V. stdev(V) – вычисление стандартного отклонения элементов вектора V. hist(int,V) – возвращает вектор частот попадания данных V в заданные интервалы int (служит для построения гистограмм распределения случайной величины). Рассмотреть пример 1 в MathCad.

8 rbinom(m, n, p) – биномиальное; rexp(m, r) – экспоненциальное; rnorm(m

rbinom(m, n, p) – биномиальное; rexp(m, r) – экспоненциальное; rnorm(m

µ, ?) – нормальное; runif(m, a, b) – равномерное; Рассмотреть пример 2 в MathCad.

4. Функции создания векторов с различными законами распределения.

9 Часто на практике требуется представить экспериментальные данные

Часто на практике требуется представить экспериментальные данные

некоторой функцией y(x). Задача регрессии заключается в получении параметров этой функции такими, чтобы функция приближала «облако» исходных точек (заданных векторами Vx и Vy) с наименьшей среднеквадратичной погрешностью.

5. Выполнение регрессии для экспериментальных данных (аппроксимация данных).

10 5.1 Выполнение линейной регрессии

5.1 Выполнение линейной регрессии

Чаще всего используется линейная регрессия, при которой функция y(x) описывает отрезок прямой и имеет вид: y(x) = a + b ? x Для поиска коэффициентов в MathCad применяются специальные функции: a := intercept(Vx, Vy); b := slope(Vx, Vy) Рассмотреть пример 3 .1 в MathCad.

11 5.2 Выполнение линейной регрессии общего вида

5.2 Выполнение линейной регрессии общего вида

Заданная совокупность точек (экспериментальных данных) приближается к функции: y(x) = K1 ? F1 (x) + K2 ? F2 (x) +…+ Kn ? Fn (x) Вектор F(x) из n элементов задается в символьном виде. Для поиска вектора коэффициентов K применяется специальная функция: K := linfit(Vx, Vy, F) Рассмотреть пример 3.2 в MathCad.

12 5.3 Выполнение полиномиальной регрессии

5.3 Выполнение полиномиальной регрессии

Заданная совокупность точек (экспериментальных данных) приближается к функции – полиному n-й степени: y(x) = K0 + K1 ? x + K2 ? x2 +…+ Kn ? xn Для поиска y(x) применяется специальная функция: y(x) := interp(Z, Vx, Vy, x) Где вектор Z находится предварительно при помощи специальной функции (n – степень полинома): Z := regress(Vx, Vy, n) Рассмотреть пример 3.3 в MathCad.

13 5.4 Выполнение нелинейной регрессии общего вида

5.4 Выполнение нелинейной регрессии общего вида

Заданная совокупность точек (экспериментальных данных) приближается к произвольной функции: F(x, K0 , K1 , …, Kn) Для поиска вектора параметров K применяется специальная функция: K := genfit(Vx, Vy, Vk, F) Где вектор Vk должен содержать начальные приближения элементов вектора K; Вектор F должен содержать символьные представление функции регрессии и ее производных по всем параметрам. Рассмотреть пример 3.4 в MathCad.

14 Далее:

Далее:

Лабораторная работа № 7. «Моделирование результатов эксперимента и их статистическая обработка».

«Статистическая обработка данных»
http://900igr.net/prezentacija/algebra/statisticheskaja-obrabotka-dannykh-168584.html
cсылка на страницу

Статистика

17 презентаций о статистике
Урок

Алгебра

35 тем
Слайды
900igr.net > Презентации по алгебре > Статистика > Статистическая обработка данных