- •Предварительный статистический анализ
- •Пояснительная записка
- •1.1. Предварительный статистический анализ данных
- •1.2. Семантическое моделирование в базах данных
- •1.2.1.Основные подходы к моделированию в базах данных
- •1.2.2.Предметная область и семантика предметной области
- •2. Задание
- •Рекомендации по выполнению работы
- •3. Контрольные вопросы
- •4. Фрагмент отчета по выполнению работы
- •Цель исследования: выявление регионов наиболее подверженных хронической усталости, вызванной недосыпанием.
- •Задача: получение зависимости активности людей от часов полезного сна.
- •Объект: пользователи браслетов для подбора оптимального периода сна.
- •4. Литература
Рекомендации по выполнению работы
В отчете представить следующие моменты:
предметная область;
цель исследования (ожидаемый результат),
задача (фрагмент работы, позволяющий приблизиться к цели),
объект (явление, процесс). Заметим, что объектом может быть, с одной стороны, например, клетка, ткань или отдел сердца, или, если мы изучаем причины разводов, то это может быть человек, семья, организация или в другой задаче статистической обработки, это уже может быть государство и т.п. С другой стороны, это может быть процесс или явление, в котором перечисленные выше объекты участвуют, например, работа системы кровообращения отдельного человека и т.д.;
признаки для описания объекта (их описание), шкалы измерения признаков (см. таблицу 5.3). Привести примеры всех наименований шкал, перечисленных в таблице 5.1 (т.е. шкалы наименований; порядковой; разностей; интервалов и отношений):
Таблица 5.3. Признаки для описания объекта
-
Наименование признака
Шкала
Единица измерения
Примеры
Вес
Количественная (относительная)
кг
1 кг
содержательная постановка задачи. Уточнить способы и сроки сбора данных, ожидаемый результат, время и трудозатраты, объем работ; выделение ситуаций, требующих предварительной проверки перед составлением детального плана исследований; в каком виде осуществляется сбор первичной информации т.п.;
математическая или формализованная постановка задачи и предполагаемый математический инструментарий исследования (статистическое описание: оценка функции плотности распределения вероятности, кластерный анализ; статистическое предсказание: корреляционный, регрессионный, дисперсионный и дискриминантный анализы). Прокомментировать краткую суть используемого алгоритма статистического описания или предсказания.
3. Контрольные вопросы
Типы шкал измерения и примеры.
Множество допустимых преобразований для шкальных измерений.
Допустимые числовые операции с шкальными измерениями.
Математический инструментарий статистического исследования зависимостей.
Поясните на примерах понятия предмета и объекта.
Что такое предметная область?
4. Фрагмент отчета по выполнению работы
Цель исследования: выявление регионов наиболее подверженных хронической усталости, вызванной недосыпанием.
Задача: получение зависимости активности людей от часов полезного сна.
Объект: пользователи браслетов для подбора оптимального периода сна.
Таблица 1. Признаки для описания объекта
Наименование признака |
Шкала |
Единица измерения |
Примеры |
Регион проживания |
Качественная (наименований) |
нет |
Название региона: Город Гомель (Беларусь), город Москва (Россия) |
Часы отдыха (сна) |
Количественная (относительная) |
часы (ч.) |
3 ч., 5 ч и т.д. |
Фаза сна |
Качественная (порядковая) |
нет |
Название фазы сна: Быстрая, медленная |
Оценка состояния здоровья |
Качественная (ранговая) |
нет |
Название оценки состояния здоровья: Хорошее, плохое, нормальное |
Баланс на счету |
Количественная (интервальная) |
Рубли (руб) |
-2руб |
Оценка состояния здоровья |
Количественная (разностей) |
Уровень состояния здоровья |
Измеряется на [0,1] |
Содержательная постановка задачи, математическая постановка.
Описать методику сбора статистических данных для проведения эксперимента и предполагаемую математическую постановку (провести кластеризацию пользователей и установить наиболее выгодные рынки для продаж соответствующих товаров и услуг).
Предполагаемый математический инструментарий исследования:
Кластеризация объектов, как метод поиска закономерностей, предназначенный для разбиения совокупности объектов на однородные группы (кластеры) или поиска существующих структур в данных.
