Differences

This shows you the differences between two versions of the page.

--- courses:data_analysis_and_interpretation:task2 [2019/01/11 12:09]
andrey.suchkov
+++ courses:data_analysis_and_interpretation:task2 [2019/10/09 14:16]
andrey.suchkov [Цель работы]
@@ Line 1: / Line 1: @@
-====== Практическая работа №2: Подготовка статистических данных для обработки в среде R ======
+====== Практическая работа №2: Подготовка статистических данных для последующей обработки ======
 ===== Цель работы =====
-Научится использовать инструменты R для подготовки к обработке статистических данных.
+Подготовить данные для работы с R на базе искомого набора статистических данных.
 ===== Основные теоритические положения =====
-Рассмотрим традиционный способ представления результатов эксперимента – матрицу данных. Пусть исследователь располагает совокупностью из $N$ наблюдений над состоянием исследуемого явления. При этом явление описано набором из $n$ характеристик, значения которых тем или иным способом измерены в ходе эксперимента. Данные характеристики носят название признаков, показателей или параметров. Такая информация представляется в виде двухмерной таблицы чисел $\mathbf X$ размерности $N \times n$ или в виде матрицы $X$ размерности $N \times n$:
+Рассмотрим традиционный способ представления результатов эксперимента -- матрицу данных. Пусть исследователь располагает совокупностью из $N$ наблюдений над состоянием исследуемого явления. При этом явление описано набором из $n$ характеристик, значения которых тем или иным способом измерены в ходе эксперимента. Данные характеристики носят название признаков, показателей или параметров. Такая информация представляется в виде двухмерной таблицы чисел $\mathbf X$ размерности $N \times n$ или в виде матрицы $X$ размерности $N \times n$:
 $$ X =
 \begin{pmatrix}
-x_{11} & \ldots & x_{1j} & \ldots & a_{1n}\\
+x_{11} & \ldots & x_{1j} & \ldots & x_{1n}\\
 \ldots & \ldots & \ldots & \ldots & \ldots\\
-x_{i1} & \ldots & x_{ij} & \ldots & a_{in}\\
+x_{i1} & \ldots & x_{ij} & \ldots & x_{in}\\
 \ldots & \ldots & \ldots & \ldots & \ldots\\
-x_{N1} & \ldots & x_{Nj} & \ldots & a_{Nn}\\
+x_{N1} & \ldots & x_{Nj} & \ldots & x_{Nn}\\
 \end{pmatrix}
 $$
-Строки матрицы $X$ соответствуют наблюдениям или, другими словами, объектам наблюдения. В качестве объектов наблюдения выступают, например: в социологии – респонденты (анкетируемые люди), в экономике – предприятия, виды продукции и т. д. Столбцы матрицы $X$ соответствуют признакам, характеризующим изучаемое явление. Как правило, это наиболее легко измеряемые характеристики объектов. Например, предприятие характеризуется численностью, стоимостью основных фондов, видом выпускаемой продукции и т. д. Очевидно, что элемент $X_{ij}$ представляет собой значение признака $j$, измеренное на объекте $i$. Часто матрица данных $X$ приводится к стандартной форме следующим преобразованием (для элементов матрицы в стандартной форме используется обозначение $x'$):
+Строки матрицы $X$ соответствуют наблюдениям или, другими словами, объектам наблюдения. В качестве объектов наблюдения выступают, например: в социологии -- респонденты (анкетируемые люди), в экономике -- предприятия, виды продукции и т.д. Столбцы матрицы $X$ соответствуют признакам, характеризующим изучаемое явление. Как правило, это наиболее легко измеряемые характеристики объектов. Например, предприятие характеризуется численностью, стоимостью основных фондов, видом выпускаемой продукции и т.д. Очевидно, что элемент $X_{ij}$ представляет собой значение признака $j$, измеренное на объекте $i$. Часто матрица данных $X$ приводится к стандартной форме следующим преобразованием (для элементов матрицы в стандартной форме используется обозначение $x'$):
 $$
-x'_j = \cfrac{x_{ij} - \bar x_j}{\sigma_j},
+x'_j = \frac{x_{ij} - \bar x_j}{\sigma_j},
 $$
 $$
-\bar x_j = \cfrac1N\sum_{i = 1}^Nx_{ij},
+\bar x_j = \frac1N\sum_{i = 1}^Nx_{ij},
 $$
 $$
-\sigma_j^2 = \cfrac1N\sum_{i = 1}^N(x_{ij} - \bar x_j)^2, \, i = 1..N, \, j = 1..n,
+\sigma_j^2 = \frac1N\sum_{i = 1}^N(x_{ij} - \bar x_j)^2, \, i = 1..N, \, j = 1..n,
 $$
-где $\bar x_j$, $\sigma_j^2$ – среднее и дисперсия по столбцу с номером $j$, после которого стандартная матрица $X'$ обладает следующими свойствами:
+где $\bar x_j$, $\sigma_j^2$ -- среднее и дисперсия по столбцу с номером $j$, после которого стандартная матрица $X'$ обладает следующими свойствами:
 $$
-\overline{x'_j} = \cfrac1N\sum_{i = 1}^Nx'_{ij} = 0,
+\overline{x'_j} = \frac1N\sum_{i = 1}^Nx'_{ij} = 0,
 $$
 $$
-(\sigma'_j)^2 = \cfrac1N\sum_{i = 1}^N(x'_{ji})^2 = 1, \, i = 1..N, \, j = 1..n.
+(\sigma'_j)^2 = \frac1N\sum_{i = 1}^N(x'_{ij})^2 = 1, \, i = 1..N, \, j = 1..n.
 $$
 Зачастую признаки, описывающие некоторый объект, имеют существенно различный физический смысл. Это приводит к тому, что величины в различных столбцах исходной матрицы трудно сопоставлять между собой, например, //килограмм// и //метр//. Поэтому получение стандартизованной матрицы можно понимать как приведение всех признаков к некоторой единой условной физической величине, выраженной в одних и тех же условных единицах.
-===== Общая формулировка задачи =====
+===== Постановка задачи =====
 Выбрав набор данных, одобренный преподавателем, подготовить данные для последующей работы с помощью инструментов R.
-==== Порядок выполнения работы ====
+===== Порядок выполнения работы =====
-  - Импортировать данные из файла в рабочее пространство R.
+===== Содержание отчёта =====
-  - Разбить общий файл данных на группы файлов с одинаковым номером класса.
-  - Подготовить файлы для обучения классификации и проверочные файлы двумя способами: первый способ подразумевает формирование файла обучения из первой половины выборок по всем классам, а контрольный файл сформировать из второй половины данных. Второй способ подразумевает сформировать файлы для обучения и контроля на основе данных с четными и нечетными номерами.
-  - Подготовить аналогичные файлы с использованием центрирования и нормировки данных.
-  - Построить графики зависимостей значений признаков (полигон) для всех классов и для каждого по отдельности.
-  - Построить гистограммы для каждого параметра для всех классов и для каждого по отдельности
-  - С помощью функции //summary()// вывести на экран описательную статистику для всех классов и для каждого по отдельности. Объяснить результаты.
-  - Построить диаграммы размахов ("ящик с усами") для всех классов и для каждого по отдельности.
-  - Построить матрицы корреляций для всех классов и для каждого класса по отдельности.

se.moevm.info

User Tools

Site Tools

Differences

Page Tools