Презентация, доклад на тему Модели статистического прогнозирования БД

Содержание

Качество воздуха в городеЧастота легочных заболеванийОпеределим характер зависимостиКачественное заключение

Слайд 1Модели статистического
прогнозирования

Модели статистического прогнозирования

Слайд 2Качество воздуха в городе
Частота легочных заболеваний
Опеределим характер зависимости
Качественное заключение

Качество воздуха в городеЧастота легочных заболеванийОпеределим характер зависимостиКачественное заключение

Слайд 3Уточнение характера зависимости
Примеси в воздухе, влияющие на здоровье









Сильно влияющие



Несильно влияющие
Число заболеваний
Сбор экспериментальных данных
Анализ
Обобщение
Оксид углерода
Должно быть много

Уточнение характера зависимостиПримеси в воздухе, влияющие на здоровьеСильно влияющиеНесильно влияющиеЧисло заболеванийСбор экспериментальных данныхАнализОбобщениеОксид углеродаДолжно быть много

Слайд 4Массовые количественные данные






Статистика
=
Наука
Сбор
Анализ
Измерение

Массовые количественные данныеСтатистика=НаукаСборАнализИзмерение

Слайд 5Статистика












Экономическая
Медицинская
Социальная
Математическая статистика

СтатистикаЭкономическаяМедицинскаяСоциальнаяМатематическая статистика

Слайд 6Пример из медиц. статистики: Представление экспериментальных данных
Табличное
Графическое
Средняя концентрация угарного газа
Число хронических больных на

1000 жителей

Несильное влияние

Резкий рост заболеваемости

Пример из медиц. статистики: Представление экспериментальных данныхТабличноеГрафическоеСредняя концентрация угарного газаЧисло хронических больных на 1000 жителейНесильное

Слайд 7Статистические данные
Приближённые, усреднённые
Характер зависимости величины
Верно отражают
Носят оценочный характер
Оценочная модель
Математическая модель


P=f(C)
Формульное выражение функциональной зависимости
График должен проходить близко

к экспер. точкам

подбор

Матем. методы

Статистические данныеПриближённые, усреднённыеХарактер зависимости величиныВерно отражаютНосят оценочный характерОценочная модельМатематическая модельP=f(C)Формульное выражение функциональной зависимостиГрафик должен проходить близко к

Слайд 8Искомая функция






График проходит через все

Слишком сложный вид функции
экспериментальные точки
Приближенные данные
Нет смысла
Основные требования






Достаточная простота
Удобно использовать в дальнейших

вычислениях

Отклонения точек от графика



Минимальны

Равномерны

Регрессионная модель

Искомая функцияГрафик проходит через все Слишком сложный вид функцииэкспериментальные точкиПриближенные данныеНет смыслаОсновные требованияДостаточная простотаУдобно использовать в дальнейших

Слайд 9Получение регрессионной модели
Подбор вида функции





Вычисление параметров функции




Не имеет строгого решения
Опыт
Интуиция
Слепой перебор
Наиболее используемые функции






y=ax+b
y=ax+b
y=ax2+bx+c
y=aln(x)+b
y=aebx
y=axb
y=ax3+bx2+cx+d
a
b
c
d
Методы вычисления параметров




Метод наименьших квадратов
18 век, К.

Гаусс
Получение регрессионной моделиПодбор вида функцииВычисление параметров функцииНе имеет строгого решенияОпытИнтуицияСлепой переборНаиболее используемые функцииy=ax+by=ax+by=ax2+bx+cy=aln(x)+by=aebxy=axby=ax3+bx2+cx+dabcdМетоды вычисления параметровМетод наименьших квадратов18

Слайд 10у = ах + b ― линейная функция;
у = ах2 +

bх + с ― квадратичная функция;
у = а ln(х) + b ― логарифмическая функция;
у = ае bx ― экспоненциальная функция;
у = ахb ― степенная функция.
у = ах + b ― линейная функция;у = ах2 + bх + с ― квадратичная функция;у

Слайд 11Квадратичная функция называется в математике полиномом второй степени.

Иногда используются полиномы и

более высоких степеней, например полином третьей степени имеет вид:

у = ах3 + bх2 + сх + d.

Квадратичная функция называется в математике полиномом второй степени.Иногда используются полиномы и более высоких степеней, например полином третьей

Слайд 12Во всех этих формулах:

х ― аргумент,

у ― значение функции,

а, b, с,

d ― параметры функции,

ln(х) ― натуральный логарифм,

е ― константа, основание натурального логарифма.
Во всех этих формулах:х ― аргумент,у ― значение функции,а, b, с, d ― параметры функции,ln(х) ― натуральный

Слайд 13Искомая функция








МНК
(y1э-y1ф)2
(y2э-y2ф)2
(yiэ-yiф)2
Σ (yiЭ-yiф)2
11
i=1
k
min
Искомая функция должна быть построена так, чтобы сумма квадратов отклонений y-координат всех

экспериментальных точек от y-координат графика функции была минимальной
Искомая функцияМНК(y1э-y1ф)2(y2э-y2ф)2(yiэ-yiф)2Σ (yiЭ-yiф)211i=1kminИскомая функция должна быть построена так, чтобы сумма квадратов отклонений y-координат всех экспериментальных точек

Слайд 14Статистическая обработка данных












Используемые математические пакеты программ
МНК
Построение любой функции

Критерии соответствия
Регрессионная модель



График
Тренд

Статистическая обработка данныхИспользуемые математические пакеты программМНКПостроение любой функцииКритерии соответствияРегрессионная модельГрафикТренд

Слайд 15С первого взгляда хочется отбраковать вариант линейного тренда.
График линейной функции ―

это прямая.

Полученная по МНК прямая отражает факт роста заболеваемости от концентрации угарного газа, но по этому графику трудно что-либо сказать о характере этого роста.

А вот квадратичный и экспоненциальный тренды правдоподобны.
С первого взгляда хочется отбраковать вариант линейного тренда.График линейной функции ― это прямая.Полученная по МНК прямая

Слайд 16Полученные функции:

линейная функция: у = 46,361х - 99,881;
экспоненциальная функция:

у = 3,4302 е 0,7555х ;
квадратичная функция: у = 21,845х2 - 106,97х + 150,21.


Полученные функции:линейная функция: у = 46,361х - 99,881;экспоненциальная функция:

Слайд 17

Регрессионная модель















Функция






График
Формула
Коэффициент детерминированности



Интервал


0 ... 1
Удачная регрессионная модель
R2
Неудачная регрессионная модель

Регрессионная модельФункцияГрафикФормулаКоэффициент детерминированностиИнтервал0 ... 1Удачная регрессионная модельR2Неудачная регрессионная модель

Слайд 18Регрессионная математическая модель
Значения, полученные путём измерений
Прогнозирование процесса для других значений аргумента





Восстановление значения
Экстраполяция


В пределах экспериментальных значений
За пределами экспериментальных данных
В том

числе с помощью ЭТ

Графическим способом

держится на гипотезе: предположим, что за пределами экспериментальной области закономерность сохраняется

Регрессионная математическая модельЗначения, полученные путём измеренийПрогнозирование процесса для других значений аргументаВосстановление значенияЭкстраполяцияВ пределах экспериментальных значенийЗа пределами

Слайд 19
Конец фильма

Конец фильма
Скачать презентацию

Похожие презентации

Презентация по информационному обеспечению природоохранной деятельности Экологические проблемы атмосферы Презентация по информационному обеспечению природоохранной деятельности Экологические проблемы атмосферы 164
Презентация по информатике 6 класс Презентация по информатике 6 класс 144
Презентация по информатике на тему Диаграммы (5 класс) Презентация по информатике на тему Диаграммы (5 класс) 229
Анимация сказки Репка Анимация сказки Репка 971
Информационный классный час Вузы г. Новосибирска Информационный классный час Вузы г. Новосибирска 196
Урок 8. Одинаковые (такие же). Т.А.Рудченко (1 класс) Урок 8. Одинаковые (такие же). Т.А.Рудченко (1 класс) 167

Что такое shareslide.ru?

Это сайт презентаций, где можно хранить и обмениваться своими презентациями, докладами, проектами, шаблонами в формате PowerPoint с другими пользователями. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами.

Для правообладателей

Яндекс.Метрика

Обратная связь

Email: Нажмите что бы посмотреть