Солодушкин С.И. - практика - - часть 1 + конспект YandexGPT
Солодушкин С.И. - практика - - часть 1 конспект YandexGPT
00:09 Расписание занятий
• Преподаватель объявляет о смене расписания занятий на радиотехническом факультете.
• Занятия будут перенесены с пятницы на среду, чтобы избежать пересечений с другими группами.
05:37 Непараметрические методы
• Преподаватель объясняет, что непараметрические методы используются для сравнения двух или более групп, не предполагая нормальное распределение.
• Примеры включают тесты на Уитни, Вилкоксона и Краскела-Уоллиса.
08:24 Примеры нормального распределения, включая уровень гемоглобина у человека и печеночные трансаминазы.
• Он объясняет, что данные, которые распределены нормально, имеют колоколообразный график с небольшим разбросом.
11:36 Тест Мана-Уитни используется для сравнения медиан в двух генеральных совокупностях, а не в выборках.
• Он приводит оригинальную постановку теста и объясняет, что он предполагает, что две случайные величины имеют одинаковые функции распределения.
16:10 Сравнение функций распределения двух случайных величин, где одна из них обычно принимает значения меньшие, чем другая.
• Это означает, что вероятность того, что первая случайная величина будет меньше определенного числа, равна вероятности того, что вторая случайная величина будет меньше другого числа.
26:28 Медиана и функция распределения
• В видео объясняется, что медиана - это такое число, что половина наблюдений находится левее, а половина - правее.
• Функция распределения - это вероятность того, что случайная величина меньше определенного числа.
30:37 Задача сравнения двух выборок, извлеченных из генеральных совокупностей, распределенных по закону Пуассона.
• Задача заключается в том, чтобы нарисовать графики функций распределения двух соответствующих случайных величин и проверить, совпадают ли они.
34:01 Сравнение двух распределений с использованием гистограммы и критерия Пирсона.
• Гистограммы показывают, что второе распределение имеет большую среднюю и максимальную величину, но это не является статистически значимым.
40:32 Визуально-аналоговая шкала для оценки боли
• В видео рассматривается задача оценки интенсивности боли в кистях у рабочих, используя визуально-аналоговую шкалу.
• Задача похожа на задачу сравнения гемоглобина у рабочих разных заводов, где сравниваются данные до и после лечения.
45:09 Генерация данных для задачи
• В видео демонстрируется генерация данных для задачи, используя биномиальное распределение.
• Данные генерируются для 40 пациентов, у которых в среднем боль оценивается на 6 баллов.
• Данные затем используются для создания графиков, показывающих изменение боли до и после лечения.
51:21 Корреляционный анализ
• Видео обсуждает корреляционный анализ, который позволяет оценить связь между двумя переменными.
• В примере, представленном в видео, две случайные величины, цена на нефть и доход бюджета, были проанализированы на наличие статистической зависимости.
• Для этого был использован коэффициент корреляции Пирсона, который позволяет оценить уровень зависимости между переменными.
01:04:04 Коэффициент корреляции Пирсона
• Коэффициент корреляции Пирсона показывает уровень зависимости между двумя переменными.
• Если зависимость линейная, коэффициент корреляции позволяет оценить ее тесноту.
• Если зависимость нелинейная, коэффициент корреляции может не показать уровень зависимости.
01:07:52 Пример нелинейной зависимости
• В видео представлен пример нелинейной зависимости, сгенерированной с использованием синуса и квадратов.
• Коэффициент корреляции Пирсона для этих двух переменных равен -0,4, что указывает на отсутствие линейной зависимости.
• Однако, из-за большого числа наблюдений (тысяча значений), уровень значимости (0,05) позволяет принять нулевую гипотезу о том, что две переменные статистически не связаны.
01:11:38 Коэффициент корреляции
• Обсуждается коэффициент корреляции Пирсона, который измеряет силу связи между двумя случайными величинами.
• Приводится пример с двумя случайными величинами, связанными более тесной линейной связью, что приводит к более узкому корреляционному облаку.
• Обсуждается, как сгенерировать данные с разной силой связи и как это влияет на коэффициент корреляции.
01:21:01 Обсуждение результатов
• Участники обсуждают, какому из двух наборов данных соответствует коэффициент корреляции -1047.
• Некоторые участники считают, что он соответствует синему набору данных, другие - что он соответствует рыжему набору данных.
• В итоге, участники приходят к выводу, что коэффициент корреляции -1047 соответствует рыжему набору данных.
01:28:01 Влияние на дисперсию
• Обсуждается, как изменение дисперсии влияет на коэффициент корреляции.
• Приводится пример, где дисперсия уменьшается, что приводит к уменьшению коэффициента корреляции.
• В итоге, участники приходят к выводу, что изменение дисперсии может существенно влиять на коэффициент корреляции.
Весь плейлист:
33 views
316
85
3 months ago 01:36:49 1
Солодушкин С.И. - лекция -
3 months ago 00:57:25 8
Солодушкин С.И. - практика - - часть 2 = конспект от YandexGPT
3 months ago 01:30:57 33
Солодушкин С.И. - практика - - часть 1 + конспект YandexGPT
3 months ago 01:20:01 9
Солодушкин С.И. - лекция - + конспект YandexGPT
3 months ago 01:22:00 6
Солодушкин С.И. - лекция - = конспект от YandexGPT