КОНСПЕКТ ЛЕКЦИЙ КОДЭИ

Выберем:

Variance —

дисперсию;

Range —

размах;

Skewness —

ассиметрию и другие статистики.

Получим таблицу описательных статистик

Построим таблицу частот и гистограмму выборки. В окне Описательные статистики

можно просмотреть таблицу частот — кнопка

Frequency tables — Таблицы частот,

построить гистограммы значений переменных — кнопка Histograms — Гистограммы.

На гистограмму, при желании, можно наложить

плотность нормального распределения,

проверить согласие данных с нормальным законом с помощью критериев Колмогорова — Смирнова, Лилиефорса, вычислить статистику Шапиро — Уилкса (соответствующие значения будут указаны вверху графика).

В Data Mining существует большой класс задач, где требуется установить зависимость между признаками (атрибутами, показателями), которые описывают исследуемый процесс или объект предметной области. Для этого строятся различные модели, в которых данные признаки выступают в качестве переменных. Если модель будет корректно отражать зависимость между входными и выходными переменными, то с помощью такой модели можно будет предсказывать значения выходной переменной по заданным значениям входных.

Как правило, реальные процессы в физической культуре и спорте достаточно сложны, и для их описания требуется большое количество переменных, которое может насчитывать и несколько сотен в зависимости от сложности объекта исследования.

Рассмотрим простой пример. В таблице представлены лучшие результаты в беге на 100 м и по прыжкам в длину спортсменов различной квалификации. Выявим эту зависимость с помощью линейной регрессии.

Бег на 10,00 10,20 10,30 10,40 10,60 10,70 10,80 11,00 11,30 11,50 11,90 12,00 12,20 12,30

100 м, с

Цель анализа — оценка ожидаемых результатов прыжка в длину, м, в зависимости от времени бега, с, на дистанции 100 м.