Вы находитесь на странице: 1из 8

Министерство образования и науки Российской Федерации

Иркутский государственный технический университет

Факультет кибернетики

Кафедра вычислительной техники

УТВЕРЖДАЮ
Председатель Методической комиссии
факультета кибернетики
_________________А.В. Петров
"____"_________________2008 г.

МЕТОДЫ ОБРАБОТКИ ДАННЫХ


РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ

Укрупненная группа
230000 «Информатика и вычислительная техника»
направлений и
специальностей

Направление
230100 «Информатика и вычислительная техника»
подготовки:

230101 «Вычислительные машины, комплексы,


Специальность:
системы и сети»

Разработал: Хрусталев Ю.П., доцент кафедры вычислительной техники


_________________ “2” августа 2008 г.

№ На учебный ОДОБРЕНО УТВЕРЖДАЮ


пп год на заседании кафедры заведующий кафедрой
Протокол Дата Подпись Дата
1 2010-2011 №____ “__”________2010 г. “__”________2010 г.
2 2011-2012 №____ “__”________2011 г. “__”________2011 г.
3 2012-2013 №____ “__”________2012 г. “__”________2012 г.
4 20__-20__ №____ “__”________20__г. “__”________20__г.
5 20__-20__ №____ “__”________20__г. “__”________20__г.

Иркутск 2008 г.
1. ОБЪЕМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ
(ПО УЧЕБНОМУ ПЛАНУ)

Вид Всего Семестр


учебной работы часов 5
1 2 3
Общая трудоемкость дисциплины 102 102
Аудиторные занятия 51 51
Лекции (ЛК) 34 34
Лабораторные занятия(ЛБ) 17 17
Практические занятия (ПЗ) - -
Семинары (С) - -
Самостоятельная работа 51 51
Подготовка к лабораторным работам 15 15
Самостоятельное изучение разделов дисциплины 30 30
Подготовка к зачету 6 6

2. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ
(по видам занятий)
2.1. ЛЕКЦИИ
Распределение разделов дисциплины по видам занятий
Семестр 5
1 ЛК 1,3,5
Основы теории оценивания
2 Основные задачи обработки измерений 2 1,3,5
ЛК
3 Критерии качества оценок 2 1,5,11
ЛК
4 4 11
Метод максимального правдоподобия ЛК
5 Помехоустойчивое оценивание 4
ЛК 1,5,6
Интервальные оценки 4
6 ЛК 1,6,9
7 4
Проверка законов о распределении случайной ЛК 1,9,11
величины
8 1,2,11
Основы регрессионного анализа ЛК
9 4 1,2,9
Основные задачи регрессионного анализа ЛК

2
10 Определение коэффициентов линейной 4 ЛК 1,11
модели
11 4 ЛК 1,11
Доверительные интервалы для
коэффициентов
12 4 ЛК
Основные понятия дисперсионного анализа 1,11

2.2. ЛАБОРАТОРНЫЕ РАБОТЫ


Семестр 5
№ Наименование тем Кол-во Мето Рейти Обесп
модуля, часов ды нг (%) ечени
раздела обуче е
(в Учебной ния
программе)
2 3 4 5 6
1.1 Генерация случайных чисел, 4 ЛБ 20 МУ
имитирующих погрешности
измерений
1.3 Генерация случайных чисел, 2 ЛБ 15 МУ
имитирующих погрешности
измерений при наличии
«выбросов»
1.2 Методы получения точечных 4 ЛБ 20
оценок
1.4 Помехоустойчивое оценивание 5 ЛБ 20 МУ
2.4 Введение в регрессионный анализ 2 ЛБ 15
(МУ) – методические указания

2.3. ПРАКТИЧЕСКИЕ ЗАНЯТИЯ


Семестр 5
Практические занятия тематическим планом не предусмотрены

2.4. САМОСТОЯТЕЛЬНАЯ РАБОТА


Семестр 5
51
Самостоятельная работа
1 Подготовка к лабораторным работам 15

3 Освоение методов анализа временных рядов 30

4 Подготовка к зачету 6
Итого часов: 51

3
3 СИСТЕМА КОНТРОЛЯ КАЧЕСТВА ПОДГОТОВКИ
ПО ДИСЦИПЛИНЕ

3.1. ВИДЫ КОНТРОЛЬНО-ТЕСТОВЫХ МЕРОПРИЯТИЙ

Контроль качества подготовленности по дисциплине осуществляется путем


проверки теоретической и практической подготовки в форме:

 Защиты лабораторных работ (в течение семестра);


 зачет в конце 5-го семестра;
Уровень подготовленности определяется с помощью системы рейтинговых
оценок.

3.2. РЕЙТИНГОВЫЕ ПОКАЗАТЕЛИ ДИСЦИПЛИНЫ

Рейтинг
Вид контроля
(%)
Выполнение и защита лабораторной работы №1 10
Выполнение и защита лабораторной работы №2 15
Выполнение и защита лабораторной работы №3 10
Выполнение и защита лабораторной работы №4 25
Выполнение и защита лабораторной работы №5 15
Посещение лекций и работа на лекциях 25

Рейтинговые баллы выставляются за каждую выполненную в полном


соответствии со всеми требованиями, как по содержанию, так и по оформлению, а
также защищенную работу, предусмотренную планом.
При успешном выполнении учебного плана дисциплины студент может
претендовать на автоматический зачет (после индивидуального собеседования).

3.3. ТЕСТЫ ПО ПРОВЕРКЕ ЗНАНИЙ

КОНТРОЛЬНЫЕ ВОПРОСЫ
1. Измерения и наблюдения.
2. Основная задача обработки результатов измерений.
3. Статистическая обработка измерений.
4. Критерии качества оценок.
5. Методы оценивания параметров.
6. Метод максимального правдоподобия.
7. Логарифмическая функция правдоподобия.
8. Метод наименьших квадратов.
9. Достоинства и недостатки метода наименьших квадратов.
10.Помехоустойчивые оценки.
11.Альфа-усеченные оценки.
4
12.Винзорированные оценки.
13.Доверительный интервал.
14.Неравенство Чебышева.
15.Интервальные оценки параметров сдвига.
16.Интервальные оценки параметров масштаба.
17.Проверка гипотез для математического ожидания.
18.Проверка гипотез для дисперсии.
19.Проверка гипотез о законах распределения случайной величины.
20.Основные задачи регрессионного анализа.
21.Линейная и нелинейная регрессия.
22.Определение коэффициентов линейной модели.
23.Центрирование данных.
24.Точность оценки регрессии.
25.Задачи дисперсионного анализа.
26.Таблица дисперсионного анализа.
27.Исследование уравнения регрессии.
28.Доверительные интервалы для коэффициентов регрессии.
29.Доверительные интервалы для прогноза.
30.Критерии значимости регрессии.
31.Множественная линейная регрессия.
32.Коэффициент множественной корреляции.
33.Система нормальных уравнений в векторной форме.
34.Дополнительная сумма квадратов.
35.Частный F- критерий.
36.Последовательный F- критерий.
37.Проверка общей линейной гипотезы в регрессионных моделях.
38.Взвешенный метод наименьших квадратов.
39.Исследование остатков.
40.Корреляция между остатками.
41.Критерий серий.
42.Критерий Дарбина- Уотсона.
43.Временные тренды в данных.
44.Центрирование и масштабирование.
45.Частные корреляции.
46.Выбор «наилучшего » уравнения регрессии.
47.Основные положения нелинейного регрессионного анализа.

Цель тестирования-проверка умений и навыков, полученных при изучении


дисциплины

ПРИМЕРЫ ТЕСТОВ

1. К какому закону стремится распределение случайных погрешностей?


1) К равномерному закону.
2) К экспоненциальному закону.
3) К пуассоновскому распределению.
4) К распределению Парето.
5
5) К нормальному распределению.

2. Чему равно математическое ожидание погрешности измерений при


отсутствии систематической погрешности?
1) Погрешности округлений результатов.
2) Выборочной дисперсии.
3) Нулю.
4) Выборочному среднему.
5) Двадцати процентам.

3. Как можно уменьшить влияние случайной погрешности?


1) Увеличивая число измерений.
2) Внося поправки из соответствующих таблиц.
3) Применяя при обработке данных интерполяционную формулу Лагранжа.
4) Применяя при обработке данных сплайн-интерполяцию.
5) Уменьшить влияние случайной погрешности нельзя.

4. Какие оценки называются оценками максимального правдоподобия?


1) Это оценки, имеющие минимальную дисперсию.
2) Это оценки математического ожидания.
3) Это оценки, максимизирующие функцию правдоподобия.
4) Это оценки, полученные экспертным путем.
5) Это оценки по пятибалльной шкале.

5. Что такое ансамбль (генеральная совокупность)?


1) Ансамблем называется группа оценок математического ожидания.
2) Под ансамблем понимается набор всех возможных значений
экспериментальных данных.
3) Ансамблем называется группа оценок дисперсии.
4) Это объединенная группа оценок дисперсии и математического ожидания.
5) Это группа исполнителей популярной музыки.

6. Какие оценки называются эффективными?


1) Это оценки, дающие наибольшую прибыль экспериментатору.
2) Это оценки, позволяющие увеличить смещение.
3) Это оценки по вероятности сходящиеся к нулю.
4) Это асимптотически несмещенные оценки
5) Это несмещенная оценка, дисперсия которой минимальна.

7. Какие оценки называются оценками максимального правдоподобия?


1.Это оценки, имеющие минимальную дисперсию.
2.Это оценки математического ожидания.
3.Это оценки, максимизирующие функцию правдоподобия.
4.Это оценки, полученные экспертным путем.
6
5.Это оценки по пятибалльной шкале.

8. В каком случае МНК- оценки совпадают с оценками максимального


правдоподобия?
1) Если погрешности подчиняются нормальному распределению.
2) Если отсутствует систематическая погрешность.
3) Если оценки несмещенные.
4) При отсутствии выбросов.
5) При использовании цифровых измерительных приборов.

9. Чему равна МНК-оценка математического ожидания?


1) Выборочной дисперсии.
2) Медиане выборки.
3) Коэффициенту эксцесса.
4) Среднему арифметическому выборки.
5) Коэффициенту асимметрии.

10. Что такое робастные оценки?


1) Это оценки по пятибалльной системе.
2) Это помехоустойчивые оценки.
3) Это оценки параметра масштаба.
4) Это оценки коэффициента асимметрии.
5) Это оценки систематической составляющей погрешности.

4. РЕКОМЕНДУЕМАЯ ЛИТЕРАТУРА
4.1 ОСНОВНАЯ
№ Наименование литературы Кол. экз. в
пп библ.
1 2 3
1 Буренков С.И. Теория вероятностей и математическая 127
статистика/С.И. Буренков, И.М. Сидоров, А.А. Трухан.
Иркутск, изд-во ИрГТУ, 2008.

2 Вуколов Э.А. Основы статистического анализа. М.: «Форум», 28


2012
3 Гмурман В.Е. Руководство к решению задач по теории 13
вероятностей и математической статистике. М.: Высшее
образование. 2008
4 Сборник задач по теории вероятностей, математической 97
статистике и теории случайных функций: учеб. пособие/ Б.Г.
Володин и др. под общ. Ред. А.А. Свешникова. Изд.-во СПБ.
Лань, 2008
5 Хрусталев Ю.П. Методы обработки данных. Методические 100
указания к лабораторным работам. Изд-во ИрГТУ, 2011
Итого: 365

7
4.2. ДОПОЛНИТЕЛЬНАЯ ЛИТЕРАТУРА
1 Химмельблау Д. Анализ процессов статистическими 1
методами. М: «Мир» 1973 г.

2 Львовский Е. Н., Статистические методы построения 6


эмпирических формул. М: Высшая школа. 1982,1988 г
3 Купер, Макгиллем. Вероятностные методы анализа сигналов 1
и систем. М.: Мир, 1989 г.

4 Гмурман В.Е. Руководство к решению задач по теории 11


вероятностей и математической статистике. М.: Высшая
школа , 1970 – 1997 гг.

5 Пустыльник Е.И. Статистические методы анализа и 1


обработки наблюдений. М.: Наука, 1968 г.

6 Вентцель Е.С. , Овчаров Л.А. Теория вероятностей и ее 6


инженерные приложения. М. Наука, 1988 , 2000гг.

7 Боровиков В.П. STATISTICA. Искусство анализа данных на 1


компьютере. М., 2001 г.

8 Боровиков В.П. STATISTICA. Популярное введение в 5


программу. 1998,2000 г.г
9 5
Тюрин В.Н., Макаров А.А. Статистический анализ данных на
компьютере. М., 1995,1998 гг.
10 1
Боровиков В.П., Ивченко Г.И. Прогнозирование в системе
STATISTICA 1999 г.
11 Дрейпер Н.,Смит Г. .Прикладной регрессионный анализ. 2

Кн.1,Кн.2. – М.: Финансы и статистика, 1987г.

12 Смоляк С.А., Титаренко Б.П. Устойчивые методы 3

оценивания. М: 1980

5. ПРОГРАММНЫЕ СРЕДСТВА
1. MATHCAD (любые версии, начиная с MATHCAD 2000 )