4ПМ_Б_Комп_Модел_Власова / Диагностика знаний / Вопросы_дис_спец.doc

В о п р о с ы

по дисциплине специализации «Компьютерное моделирование экономических систем»

1. Понятие об эксперименте. Статистический эксперимент. Погрешности измерения. Систематическая и случайная погрешности измерения. Абсолютная и относительная погрешности.

2. Наблюдаемые значения случайной величины. Выбросы. Одномерные и многомерные случайные величины. Генеральная совокупность. Выборка.

3. Статистические характеристики случайных величин. Характеристики положения: математическое ожидание. Свойства математического ожидания. Оценка математического ожидания. Геометрический и физический смысл математического ожидания случайной величины.

4. Характеристики положения: медиана и мода. Оценка медианы и моды. Геометрический смысл.

5. Меры рассеяния. Дисперсия и её свойства. Оценка дисперсии случайной величины.

6. Среднеквадратическое отклонение случайной величины. Исключение выбросов. Правило трех сигм.

7. Эмпирическое распределение случайной величины. Построение эмпирического распределения случайной величины.

8. Гистограмма и кривая накопленных частот. Построение гистограммы и кривой накопленных частот. Показать на примере.

9. Проверка подчинения распределения случайной величины заданному закону распределения. Привести пример.

10. Непрерывные случайные величины. Нормальный закон распределения непрерывной случайной величины. Проверка подчинения совокупности экспериментальных данных нормальному закону распределения.

11. Дискретные случайные величины. Закон распределения Пуассона. Проверка подчинения совокупности экспериментальных данных закону распределения Пуассона.

12. Корреляция. Парная корреляция. Частные коэффициенты корреляции. Корреляционный анализ экспериментальных данных.

13. Корреляционная матрица. Построение корреляционной матрицы.

14. Корреляционный анализ случайных величин.

15. Линейный регрессионный анализ. Классическая линейная регрессионная модель и ее обобщения. Описательная регрессия. Привести пример.

16. Нелинейный регрессионный анализ. Классическая нелинейная регрессионная модель и ее обобщения. Нелинейные регрессионные модели. Привести пример.

17. Линеаризация нелинейных моделей. Последствия линеаризации.

18. Оценивание дисперсии в классической нелинейной регрессионной модели на примере экспоненциальной модели.

19. Оценивание дисперсии в классической нелинейной регрессионной модели на примере полиномиальной модели (квадратичная модель-парабола).

20. Средства анализа данных на персональных компьютерах. Статистические пакеты.

21. Возможности табличных процессоров.

22. Факторный анализ. Классическая модель факторного анализа и ее интерпретация.

23. Структура и статистические исследования модели факторного анализа.

24. Аналитические методы распознавания образов. Применение множественной линейной регрессии к решению задачи распознавания образов (классификации).

25. Дискриминантный анализ. Основные формулы. Оценка погрешности классификации.

26. Кластерный анализ. Меры сходства. Агломеративные алгоритмы.

27. Дивизимные алгоритмы кластерного анализа.