Презентация на тему Обработка данных статистических наблюдений

данных статистических наблюдений

условное, одна группировка может решить все задачи):
Разделение всей совокупности

на качественно однородные группы – типологические группировки;
Характеристика структуры явления и структурных сдвигов – структурные группировки;
Изучение взаимосвязей между отдельными признаками изучаемого явления – аналитические группировки.

городов по формам собственности

среднедушевого дохода (условные цифры)

магазина и качества продукции

группировки следует решить вопрос о количестве групп, на которые

надо разбить исследуемую совокупность. Число групп зависит от задач исследования, численности совокупности, степени вариации признака.
После определения числа групп следует определить интервалы группировки. Интервал – это значения варьирующего признака, лежащие в определённых границах. Нижней границей интервала называется наименьшее значение признака в интервале, а верхней границей – наибольшее значение признака в нём. Величина (ширина) интервала представляет собой разность между верхней и нижней границами интервала.

за сентябрь

за сентябрь в зависимости от категории и процента выполнения

задания

квалификации и процента выполнения задания

правила:


таблица должна быть легко обозримой;
общий заголовок должен кратко выражать

основное содержание;
наличие строк «общих итогов»;
наличие нумерации строк, которые заполняются данными;
соблюдение правила округления чисел.

по формам собственности

тарифному разряду

доходов

дискретных вариационных рядов (табл.8).

рядов (табл.9).

(табл.9). Разница только в расположении осей.

обладающих общими свойствами.
Кластерный анализ — это совокупность методов, позволяющих

классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных Х1, Х2, ..., Хm. Целью кластерного анализа является образование групп схожих между собой объектов. В отличие от комбинационных группировок кластерный анализ приводит к разбиению на группы с учетом всех групировочных признаков одновременно.

кластеры. Слева изображены объекты до кластеризации, а справа –

после. Каждый кластер имеет свой цвет.

следующие неформальные требования:

• внутри групп объекты должны быть похожи

близки друг к другу;
• объекты разных групп должны быть далеки друг от друга;
• при прочих равных условиях распределения объектов по группам должны быть равномерными.

по некоторой мере сходства. В пространстве переменных кластеры представляют

собой скопления точек (объектов) различной формы.

1.Шарообразная форма

2.Эллипсоидная форма

3.Бананообразная форма

4.Конусообразная форма

количественных признаков так называемое «евклидово расстояние» или «евклидова метрика».
 

m
dij = (Σ (Xik – Xjk)2)1/2
k=1
 
dij - расстояние между объектами
Xik - численное значение i-ой переменной для k-того объекта
Xjk - численное значение j-ой переменной для k-того объекта
m – количество переменных, которыми описываются объекты

*Если имеется два количественных признака, то искомое расстояние будет равно длине гипотенузы прямоугольного треугольника, которая соединяет между собой две точки в прямоугольной системе координат.

которая осуществляется в терминах матрицы расстояний. С помощью дендрограммы

можно графически или геометрически изобразить процедуру кластеризации при условии, что эта процедура оперирует только с элементами матрицы расстояний или сходства.

На рисунке показан один из примеров дендрограммы. Он соответствует случаю шести объектов (n=6) и k характеристик (признаков).
Объекты А и С наиболее близки и поэтому объединяются в один кластер на уровне близости, равном 0,9. Объекты D и Е объединяются при уровне 0,8.
Теперь имеем 4 кластера: (А, С), (F), (D, E), (B).
Далее образуются кластеры (А, С, F) и (E, D, B), соответствующие уровню близости, равному 0,7 и 0,6. Окончательно все объекты группируются в один кластер при уровне 0,5.

4)2 + (8 – 10)2 ]1/2 = 81/2 =

2,83
d = [ (2 – 5)2 + (8 – 7)2 ]1/2 = 101/2 = 3,16
d = [ (2 – 12)2 + (8 – 6)2 ]1/2 = 1041/2 = 10,2
d = [ (2 – 14)2 + (8 – 6)2 ]1/2 = 1481/2 = 12,16
d = [ (2 – 15)2 + (8 – 4)2 ]1/2 = 1851/2 = 13,6
d = [ (4 – 5)2 + (10 – 7)2 ]1/2 = 101/2 = 3,16
d = [ (4 – 12)2 + (10 – 6)2 ]1/2 = 801/2 = 8,94
d = [ (4 – 14)2 + (10 – 6)2 ]1/2 = 1161/2 = 10,77
d = [ (4 – 15)2 + (10 – 4)2 ]1/2 = 1571/2 = 12,53
d = [ (5 – 12)2 + (7 – 6)2 ]1/2 = 501/2 = 7,07
d = [ (5 – 14)2 + (7 – 6)2 ]1/2 = 821/2 = 9,05
d = [ (5 – 15)2 + (7 – 4)2 ]1/2 = 1091/2 = 10,44
d = [ (12 – 14)2 + (6 – 6)2 ]1/2 = 41/2 = 2
d = [ (12 – 15)2 + (6 – 4)2 ]1/2 = 131/2 = 3,6
d = [ (14 – 15)2 + (6 – 4)2 ]1/2 = 51/2 = 2,23

другу (в наше примере это объекты 4 и 5,

расстояние между которыми равно 2), которые объединяются в группу, в новой матрице эта группа представлена отдельной позицией 4-5 с расстояниями, равными минимальным расстояниям 4 и 5 объекта до соседей.

добавляется объект 6 и возникает новая матрица.

появляется новая группа 1-2.

к ближайшей.
Выявились два кластера в данной совокупности объектов,
между

которыми ближайшее расстояние 7,07,
что намного больше, чем расстояния между объектами в группах.