Слайд 2
![ЧТО МЫ НАУЧИЛИСЬ ДЕЛАТЬ С ПОМОЩЬЮ ПРОГРАММЫ EXCEL: 1.Составлению графических](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-1.jpg)
ЧТО МЫ НАУЧИЛИСЬ ДЕЛАТЬ С ПОМОЩЬЮ ПРОГРАММЫ EXCEL:
1.Составлению графических схем связей
между данными.
2.Создавать таблицы
3.Рассчитывать основные параметры математической статистики на основе этих таблиц
4.Производить корреляционный анализ
5.Рассчитывать регрессию
6.Создавать модели, основанные на ней
Слайд 3
![ГРАФИЧЕСКАЯ СХЕМА СВЯЗЕЙ МЕЖДУ ДАННЫМИ](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-2.jpg)
ГРАФИЧЕСКАЯ СХЕМА СВЯЗЕЙ МЕЖДУ ДАННЫМИ
Слайд 4
![СОЗДАНИЕ ТАБЛИЦЫ](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-3.jpg)
Слайд 5
![РАСЧЁТ ОСНОВНЫХ ПАРАМЕТРОВ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ НА ОСНОВЕ ТАБЛИЦ С помощью](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-4.jpg)
РАСЧЁТ ОСНОВНЫХ ПАРАМЕТРОВ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ НА ОСНОВЕ ТАБЛИЦ
С помощью функции анализ
данных мы нашли такие параметры как среднее, стандартная ошибка, медиана, мода, стандартное отклонение, дисперсия выборки, эксцесс, асимметричность, интервал, минимум, максимум, сумма, счёт.
Слайд 6
![КОРРЕЛЯЦИОННЫЙ АНАЛИЗ -это метод, позволяющий обнаружить зависимость между несколькими случайными величинами.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-5.jpg)
КОРРЕЛЯЦИОННЫЙ АНАЛИЗ
-это метод, позволяющий обнаружить зависимость между несколькими случайными величинами.
Слайд 7
![Допустим, проводится независимое измерение различных параметров у одного типа объектов.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-6.jpg)
Допустим, проводится независимое измерение различных параметров у одного типа объектов.
Из этих данных можно получить качественно новую информацию - о взаимосвязи этих параметров. Для этого вводится коэффициент корреляции. Это величина, характеризующая направление и силу связи между признаками.Одним числом дает представление о направлении и силе связи между признаками (явлениями), пределы его колебаний от 0 до ± 1 .
Слайд 8
![Сила корреляционной связи: сильная: ±0,7 до ±1 средняя: ±0,3 до ±0,699 слабая: 0 до ±0,299](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-7.jpg)
Сила корреляционной связи:
сильная: ±0,7 до ±1
средняя: ±0,3 до ±0,699
слабая: 0 до ±0,299
Слайд 9
![С ПОМОЩЬЮ ФУНКЦИИ АНАЛИЗ ДАННЫХ, КОРРЕЛЯЦИЯ, МЫ СОЗДАЛИ КОРРЕЛЯЦИОННУЮ МАТРИЦУ,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-8.jpg)
С ПОМОЩЬЮ ФУНКЦИИ АНАЛИЗ ДАННЫХ, КОРРЕЛЯЦИЯ, МЫ СОЗДАЛИ КОРРЕЛЯЦИОННУЮ МАТРИЦУ, НАШЛИ
КОЭФФИЦИЕНТ КОРРЕЛЯЦИИ МЕЖДУ ОТДЕЛЬНЫМИ ПАРАМЕТРАМИ И ПРЕДСТАВИЛИ ЭТО В ВИДЕ ДИАГРАММЫ РАССЕИВАНИЯ. ТЕМ САМЫМ НАЙДЯ ЗАВИСИМОСТЬ МЕЖДУ НА ПЕРВЫЙ ВЗГЛЯД ОБОСОБЛЕННЫМИ ПОКАЗАТЕЛЯМИ ЗДОРОВЬЯ, СОЦИАЛЬНЫМ ПОЛОЖЕНИЕМ И ИСХОДОМ ЗАБОЛЕВАНИЯ БОЛЬНЫХ
Слайд 10
![](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-9.jpg)
Слайд 11
![Важную роль при исследовании взаимосвязей между статистическими выборками кроме корреляционного](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-10.jpg)
Важную роль при исследовании взаимосвязей между статистическими выборками кроме корреляционного и
дисперсионного анализа играет регрессионный анализ. Регрессия позволяет проанализировать воздействие на какую-либо зависимую переменную одной или более независимых переменных и позволяет установить модель этой зависимости.
Слайд 12
![Если рассматривается зависимость между одной зависимой переменной Y и не-сколькими](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-11.jpg)
Если рассматривается зависимость между одной зависимой переменной Y и не-сколькими
независимыми X1, X2, …, Xn, то речь идет о множественной линейной регрессии. В этом случае уравнение регрессии имеет вид: Y = a0 + a1X1 + a2X2 +…+anXn, где a1, a2, …, an - коэффициенты при независимых переменных, которые нужно вычислить (коэффициенты регрессии), a0 –константа.
Слайд 13
![При построении регрессионной модели важнейшими моментами являются оценка ее адекватности](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-12.jpg)
При построении регрессионной модели важнейшими моментами являются оценка ее адекватности
(эффективности) и значимости, на основании которых можно судить о возможности применения в практике полученной модели. Мерой оценки адекватности регрессионной модели является коэффициент детерминации R2 (R-квадрат), который определяет, с какой степенью точности полученное уравнение регрессии аппроксимирует исходные данные. Значимость регрессионной модели оценивается с помощью критерия Фишера (F – критерия). Если величина F – критерия значима (р < 0,05), то регрессионная модель является значимой.
Слайд 14
![С помощью функции анализ данных, регрессия, мы научились строить модель](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/104780/slide-13.jpg)
С помощью функции анализ данных, регрессия, мы научились строить модель основанную
на регрессии, нашли коэффициент Фишера и R-квадрат. Тем самым получив предсказание исхода заболевания.