Программа по формированию навыков безопасного поведения на дорогах и улицах «Добрая дорога детства» 2
Скачать 277.03 Kb.
|
| Департамент образования города Москвы Государственное образовательное учреждение высшего профессионального образования города Москвы «Московский городской педагогический университет» Институт математики и информатики Факультет прикладной информатики Кафедра прикладной информатики в управлении УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКСучебной дисциплины «КОМПЬЮТЕРНЫЕ МЕТОДЫ СТАТИСТИЧЕСКОГО АНАЛИЗА И ПРОГНОЗИРОВАНИЯ» 230700.68 «Прикладная информатика» Квалификация (степень) выпускника «магистр» Профиль подготовки «Системы корпоративного управления» Форма обучения очная Курс 1 Семестр 1 Москва 2011 Программа составлена в соответствии с требованиями ФГОС ВПО по направлению подготовки 230700.68 «Прикладная информатика» Автор: доцент кафедры прикладная информатика в управлении факультета прикладной информатики Института математики и информатики, к.т.н. В. Ш. Крупник Рецензенты: д.т.н., профессор Дикарев В.А. к.т.н., доцент Офицеров В.П. Программа одобрена на заседании кафедры прикладной информатики в управлении от «_____» _______________ 20011 г., протокол № _____ Заведующий кафедрой прикладная информатика в управлении В.П. Офицеров ЧАСТЬ I. ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ 1. ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ Цель дисциплины: изучить базовые методы статистического анализа данных и прогнозирования с помощью компьютера (PC, Windows, программа EXEL). Задачи дисциплины: получить навыки:
2. МЕСТО ДИСЦИПЛИНЫ В СТРУКТУРЕ ООП ВПО Место дисциплины в учебном процессе: 1 курс (1-ый семестр) по очной форме обучения (магистратура, полный срок обучения). Магистранты должны предварительно изучить курсы по программе бакалавров или специалистов «математический анализ», «теория вероятностей», «основы статистики». Общая трудоемкость дисциплины в соответствие с ФАГОС: 3 зачетные единицы (108 час.). Количество аудиторных часов: 26, из них 14 часов – лекции, 12 часов - лабораторные работы. Отчетность по дисциплине: в 1 семестре – зачет. 3. ТРЕБОВАНИЯ К РЕЗУЛЬТАТАМ ОСВОЕНИЯ ДИСЦИПЛИНЫ Процесс изучения дисциплины направлен на формирование следующих компетенций: Общекультурные компетенции: способен использовать, обобщать и анализировать информацию, ставить цели и находить пути их достижения в условиях формирования и развития информационного общества (ОК-1); способен самостоятельно приобретать и использовать в практической деятельности новые знания и умения, стремится к саморазвитию (ОК-5); способен понимать сущность и проблемы развития современного информационного общества (ОК-7); способен понимать сущность и значение информации в развитии современного информационного общества, сознавать опасности и угрозы, возникающие в этом процессе, соблюдать основные требования информационной безопасности, в том числе защиты государственной тайны (ОК- 13); Профессиональные компетенции: способен использовать основные законы естественнонаучных дисциплин в профессиональной деятельности и эксплуатировать современное электронное оборудование и информационно-коммуникационные технологии в соответствии с целями образовательной программы бакалавра (ПК-3); способен ставить и решать прикладные задачи с использованием современных информационно-коммуникационных технологий (ПК-4); способен применять к решению прикладных задач базовые алгоритмы обработки информации, выполнять оценку сложности алгоритмов, программировать и тестировать программы (ПК-10); способен принимать участие во внедрении, адаптации и настройке прикладных ИС (ПК-13); способен применять методы анализа прикладной области на концептуальном, логическом, математическом и алгоритмическом уровнях (ПК-17); способен выбирать необходимые для организации информационные ресурсы и источники знаний в электронной среде (ПК-20). В результате изучения дисциплины обучающиеся должны знать: методы статистического анализа данных реализуемые с помощью EXCEL для решения практических задач; уметь: поставить задачу обработки данных любой природы и интерпретировать полученные результаты; владеть: навыками реализации основных методов статистического анализа данных и прогнозирования. 4. ОБЪЕМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ (в часах и зачетных единицах)
5. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ И ЕЕ РАЗДЕЛОВ Тема 1. Роль методов анализа данных в решении практических задач. Понятие статистической гипотезы Общая постановка задачи проверки гипотез. Ошибки первого и второго рода. Двухсторонние и односторонние критерии значимости. Тема 2. Постановка задачи краткосрочного прогнозирования Возможности Excel – варианты аппроксимирующих кривых. Оценка результатов прогнозирования. Понятие «тренд». Методы снятия тренда. Линия регрессии. Добавление линии тренда на графическое изображение временного ряда с помощью Excel. Ex post прогнозирование. Тема 3. Задачи дисперсионного анализа Сравнение двух дисперсий. Сравнение нескольких дисперсий. Проверка гипотезы о равенстве центров распределения двух нормальных генеральных совокупностей. Проверка гипотезы о равенстве выборочного среднего заданной величине. Проверка гипотезы о нормальном законе распределения. Тема 4. Задача корреляционного анализа Коэффициент корреляции Пирсона и его выборочная оценка. Корреляционная матрица. Коэффициент множественной корреляции. Тема 5. Постановка задачи регрессионного анализа Виды регрессии. Допущения, принимаемые в линейном регрессионном анализе. Основные этапы регрессионного анализа. МНК оценки коэффициентов линейной регрессии, анализ остатков. Тема 6. Скользящее среднее и адаптивные модели, сезонность Скользящее среднее и прогнозирование. Простейшие адаптивные модели и их свойства. Прогнозирование с помощью моделей экспоненциального сглаживания. Расчет сезонных коэффициентов. Тема 7. Прогнозирование с помощью уравнений парной и множественной регрессий Понятие парной регрессии. Значимость уравнения регрессии. Анализ значений коэффициентов уравнения регрессии. Интервалы значений коэффициентов уравнения регрессии. Уравнение множественной регрессии. Анализ уравнения множественной регрессии. Выбор регрессоров. Тема 8. Спектральный анализ временных рядов Общая структура модели. Подготовка данных к анализу. Проверка на белый шум. Быстрое преобразование Фурье. 6. УЧЕБНО-МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ а) Основная литература:
б) Дополнительная литература:
7. МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ Для проведения лекционных занятий требуется аудитория на курс, оборудованная меловой или интерактивной доской, мультимедийным проектором с экраном. Для проведения лабораторных работ требуется компьютерный класс с установленным программным обеспечением (Windows, Microsoft Office, Excel с пакетом анализа). ЧАСТЬ II. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ И ПЛАН ОСВОЕНИЯ УЧЕБНОЙ ДИСЦИПЛИНЫ 1. КАЛЕНДАРНО-ТЕМАТИЧЕСКИЙ ПЛАН ОСВОЕНИЯ ДИСЦИПЛИНЫ
1.1. ЛЕКЦИОННЫЕ ЗАНЯТИЯ Тема 1 Роль методов анализа данных в решении практических задач. Понятие статистической гипотезы (1 час) Общая постановка задачи проверки гипотез. Ошибки первого и второго рода. Двухсторонние и односторонние критерии значимости. Изучив данную тему, студент должен: знать: основные понятия задачи проверки гипотез, уметь: ставить задачи проверки гипотез, владеть: навыками формулирования требований к задачам проверки гипотез. Литература [1, 3, 4, 5, 7, 11]. Тема 2. Постановка задачи краткосрочного прогнозирования (1 час) Возможности Excel – варианты аппроксимирующих кривых. Оценка результатов прогнозирования. Понятие «тренд». Методы снятия тренда. Линия регрессии. Добавление линии тренда на графическое изображение временного ряда с помощью Excel. Ex post прогнозирование. Изучив данную тему, студент должен: знать: что такое «тренд», методы снятия тенда, уметь: добавлять в Excel различные виды трендов на график функции, владеть: методам Ex post прогнозирования. Литература [1, 2, 6]. Тема 3. Задачи дисперсионного анализа (2 часа) Сравнение двух дисперсий. Сравнение нескольких дисперсий. Проверка гипотезы о равенстве центров распределения двух нормальных генеральных совокупностей. Проверка гипотезы о равенстве выборочного среднего заданной величине. Проверка гипотезы о нормальном законе распределения. Изучив данную тему, студент должен: знать: основные задачи дисперсионного анализа, уметь: делать выводы по результатам дисперсионного анализа, владеть: методами дисперсионного анализа. Литература [1, 2, 6, 7, 9]. Тема 4. Задача корреляционного анализа (2 часа) Коэффициент корреляции Пирсона и его выборочная оценка. Корреляционная матрица. Коэффициент множественной корреляции. Изучив данную тему, студент должен: знать: основные задачи корреляционного анализа, уметь: делать выводы по результатам корреляционного анализа, владеть: методами корреляционного анализа. Литература [1, 2, 5, 9, 13]. Тема 5. Постановка задачи регрессионного анализа (2 часа) Виды регрессии. Допущения, принимаемые в линейном регрессионном анализе. Основные этапы регрессионного анализа. МНК оценки коэффициентов линейной регрессии, анализ остатков. Изучив данную тему, студент должен: знать: основные задачи регрессионного анализа, уметь: делать выводы по результатам регрессионного анализа, владеть: методами регрессионного анализа. Литература [1, 6, 9, 13]. Тема 6. Скользящее среднее и адаптивные модели, сезонность (2 часа) Скользящее среднее и прогнозирование. Простейшие адаптивные модели и их свойства. Прогнозирование с помощью моделей экспоненциального сглаживания. Расчет сезонных коэффициентов. Изучив данную тему, студент должен: знать: цели и методы сглаживания, уметь: строить скользящие средние, проводить экспоненциальное сглаживание, вычислять и использовать коэффициенты сезонности, владеть: методами работы с сезонностью. Литература [1, 3, 4, 5, 6]. Тема 7. Прогнозирование с помощью уравнений парной и множественной регрессий (2 часа) Понятие парной регрессии. Значимость уравнения регрессии. Анализ значений коэффициентов уравнения регрессии. Интервалы значений коэффициентов уравнения регрессии. Уравнение множественной регрессии. Анализ уравнения множественной регрессии. Выбор регрессоров. Изучив данную тему, студент должен: знать: возможности прогнозирования с помощью регрессионного уравнения, уметь: анализировать результаты построения регрессионного уравнения в Excel, владеть: методами выбора регрессоров. Литература [1, 2, 6, 7, 9, 10]. Тема 8. Спектральный анализ временных рядов (2 часа) Общая структура модели. Подготовка данных к анализу. Проверка на белый шум. Быстрое преобразование Фурье. Изучив данную тему, студент должен: знать: основные задачи спектрального анализа временных рядов, уметь: делать преобразование Фурье в Excel, владеть: методами подготовки данных и проверки на белый шум. Литература [ 2, 8]. 1.2. ЛАБОРАТОРНЫЕ РАБОТЫ Лабораторная работа № 1 (Тема 2.) Задача краткосрочного прогнозирования (2 часа) Цель работы: Знакомство с возможностями Excel по построению аппроксимирующих кривых, оценке результатов аппроксимации, изучение методов снятия тренда, добавление линии тренда на графическое изображение временного ряда с помощью Excel, Ex post прогнозирование. Задачи работы: Сравнение аппроксимации и полученного прогноза различными линиями тренда. Выбор наилучшей кривой аппроксимации.
Программно-аппаратное обеспечение: ПЭВМ IBM PC (операционная система Windows XP), табличный процессор Microsoft Excel. Лабораторная работа № 2 (Тема 6.). Скользящее среднее и адаптивные модели (4 часа) Цель работы: построение скользящих средних, прогнозирование с помощью адаптивной модели экспоненциального сглаживания. Задачи работы: Получение прогноза методом Холта. Экспериментальный подбор коэффициентов взвешивания для наилучшего прогноза.
Программно-аппаратное обеспечение: ПЭВМ IBM PC (операционная система Windows XP), табличный процессор Microsoft Excel. Лабораторная работа № 3 (Тема 6.). Коэффициенты сезонности и прогнозирование (4 часа) Цель работы: расчет сезонных коэффициентов, прогнозирование с помощью сезонных коэффициентов. Задачи работы: Получение прогноза с помощью сезонных коэффициентов:
Программно-аппаратное обеспечение: ПЭВМ IBM PC (операционная система Windows XP), табличный процессор Microsoft Excel. Лабораторная работа № 4 (Тема 7.). Прогнозирование с помощью уравнений парной и множественной регрессий (4 часа) Цели работы: анализ значимости уравнения регрессии, анализ значений коэффициентов уравнения регрессии, интервалов значений коэффициентов уравнения регрессии, анализ значимости уравнения множественной регрессии, выбор регрессоров. Задачи работы: По результатам построения регрессии провести анализ результатов дисперсионного анализа, построить прогноз. Решить 5 задач:
Программно-аппаратное обеспечение: ПЭВМ IBM PC (операционная система Windows XP), табличный процессор Microsoft Excel. 1.3. ТЕМАТИКА САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ Тема 1 Роль методов анализа данных в решении практических задач. Понятие статистической гипотезы (16 часов) Общая постановка задачи проверки гипотез. Ошибки первого и второго рода. Двухсторонние и односторонние критерии значимости. Вопросы для самостоятельного изучения. Дать характеристики различным типам статистических гипотез. Домашнее задание. 1. Найдите в сети Интернет описания примеров использования результатов доказательства или опровержения различных статистических гипотез при решении практических задач. 2. Подготовьте сообщение или реферат по результатам поисков. Литература [1, 2, 7, 9, 11]. Тема 2. Постановка задачи краткосрочного прогнозирования (16 часов) Возможности Excel – варианты аппроксимирующих кривых. Оценка результатов прогнозирования. Понятие «тренд». Методы снятия тренда. Линия регрессии. Добавление линии тренда на графическое изображение временного ряда с помощью Excel. Ex post прогнозирование. Вопросы для самостоятельного изучения. Привести примеры практического использования различных типов кривых тренда. Сделать выводы о применимости различных видов кривых. Домашнее задание. 1. Найдите в литературе и (или) в сети Интернет описания примеров прогнозирования различными типами тренда. 2. Подготовьте сообщение или реферат по результатам поисков. Литература [1, 2, 3, 4, 5, 6]. Тема 6. Скользящее среднее и адаптивные модели, сезонность (18 часов) Скользящее среднее и прогнозирование. Простейшие адаптивные модели и их свойства. Прогнозирование с помощью моделей экспоненциального сглаживания. Расчет сезонных коэффициентов. Вопросы для самостоятельного изучения. Приведите примеры практического использования коэффициентов сезонности, прогнозирования с помощью экспоненциального сглаживания, с помощью скользящих средних. Сделайте выводы о применимости каждого из этих методов. Домашнее задание. 1. Найдите в литературе и (или) в сети Интернет описания примеров прогнозирования с помощью коэффициентов сезонности. 2. Найдите в литературе и (или) в сети Интернет описания примеров прогнозирования с экспоненциального сглаживания. 3. Найдите в литературе и (или) в сети Интернет описания примеров прогнозирования с помощью скользящих средних. 4. Подготовьте сообщение или реферат по результатам поисков по одной из указанных тем. Литература [1, 3, 4, 6]. Тема 7. Прогнозирование с помощью уравнений парной и множественной регрессий (16 часов) Понятие парной регрессии. Значимость уравнения регрессии. Анализ значений коэффициентов уравнения регрессии. Интервалы значений коэффициентов уравнения регрессии. Уравнение множественной регрессии. Анализ уравнения множественной регрессии. Выбор регрессоров. Вопросы для самостоятельного изучения. Приведите примеры практического использования прогнозирования с помощью уравнения парной или множественной регрессии. Сделайте выводы о применимости этих видов прогноза. Опишите проблемы в использовании этих методов. Домашнее задание. 1. Найдите в литературе и (или) в сети Интернет описания примеров прогнозирования с помощью уравнения парной или множественной регрессией. 2. Подготовьте сообщение или реферат по результатам поисков. Литература [1, 2, 3, 4, 5, 6]. Тема 8. Спектральный анализ временных рядов (16 часов) Общая структура модели. Подготовка данных к анализу. Проверка на белый шум. Быстрое преобразование Фурье. Вопросы для самостоятельного изучения. Приведите примеры практического использования преобразования Фурье для прогнозов. Сделайте выводы о применимости метода. Домашнее задание. 1. Найдите в литературе и (или) в сети Интернет описания примеров использования преобразования Фурье в прогнозировании. 2. Подготовьте сообщение или реферат по результатам поисков. Литература [ 2, 8].
2.1. ПРОВЕДЕНИЕ ПРОМЕЖУТОЧНОЙ АТТЕСТАЦИИ Промежуточная аттестация определяется путем начисления баллов за выполнение лабораторных работ в соответствие с технологической картой. Лабораторные работы выполняются по графику. К моменту промежуточной аттестации должно быть выполнено не менее 2 лабораторных работ (40 баллов). Дополнительные 5 баллов должны быть набраны за счет написания реферата и (или) посещения занятий. Промежуточная аттестация засчитывается при наборе студентом не менее 45 баллов. 2.2. ПРИМЕРНЫЕ ВОПРОСЫ К ЗАЧЕТУ ПО ДИСЦИПЛИНЕ
ТЕХНОЛОГИЧЕСКАЯ КАРТА ДИСЦИПЛИНЫ
Необходимый минимум для промежуточной аттестации 45 баллов Необходимый минимум для получения зачета – 90 баллов. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Добавить документ в свой блог или на сайт
