SCI Библиотека

В учебном пособии излагаются основные понятия математической статистики, необходимые для математической обработки результатов экспериментальных исследований. Теоретический материал сопровождается примерами решения задач, а также задачами для практической и самостоятельной работы. Издание адресовано студентам психолого-педагогических направлений подготовки и призвано оказать помощь в самостоятельной работе по изучению теоретического материала, выполнению индивидуальных заданий.

В учебном пособии рассмотрены основные методы автоматизации бизнес-процессов, используемые в аналитическом приложении Deductor Studio: АВС-анализ, XYZ-анализ, АВС-XYZ-анализ, RFM-анализ, анализ чувствительности, прогнозирование временных рядов, сегментация и построение профилей клиентов, кредитный скоринг, оценка кредитоспособности клиента, анализ рыночной корзины, сегментация рынка. Приведены примеры, позволяющие получить навыки их практического применения.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.04.05 – «Бизнес-информатика» (магистратура) программы «Финансовый менеджмент и автоматизация учетной деятельности в организации», при изучении дисциплины «Методы и средства автоматизации бизнес-процессов», а также специалистов, занимающихся практическими вопросами автоматизации бизнес-процессов на основе аналитической платформы Deductor.

В учебном пособии изложены основные методы анализа временных рядов (автокорреляция уровней временных рядов, сглаживание временных рядов, аналитическое выравнивание временных рядов, сезонная декомпозиция временных рядов), приведены соответствующие расчетные формулы, раскрыт содержательный смысл эконометрических показателей. Подробно, вплоть до пошаговых инструкций, описаны способы решения задач в табличном процессоре Microsoft Excel 2016 и статистическом пакете Statistica 10.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.03.05 «Бизнес-информатика» (бакалавриат), при изучении дисциплины «Эконометрика».

В учебном пособии изложены основные методы регрессионного анализа (парная и множественная регрессия), приведены соответствующие расчетные формулы, раскрыт содержательный смысл эконометрических показателей. Подробно, вплоть до пошаговых инструкций, описаны способы решения задач в табличном процессоре Microsoft Excel 2016 и статистическом пакете Statistica 10.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.03.05 «Бизнес-информатика» (бакалавриат), при изучении дисциплины «Эконометрика».

В учебном пособии рассмотрены основные статистические методы анализа данных, используемые в аналитическом приложении Deductor Studio: предобработка и очистка данных, работа с OLAP-кубом, корреляционный анализ, линейная регрессия, декомпозиция и прогнозирование временного ряда, логистическая регрессия, факторный анализ, кластеризация, дерево решений, ассоциативные правила, кластеризация транзакций. Приведены примеры, позволяющие получить навыки практического применения их в бизнес-аналитике.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.03.05 – Бизнес-информатика (бакалавриат), при изучении дисциплины «Анализ данных», а также аналитиков, занимающихся практическими вопросами анализа данных на основе аналитической платформы Deductor.

В учебном пособии рассмотрены основные статистические методы анализа данных, используемые в аналитическом приложении Deductor Studio: предобработка и очистка данных, корреляционный анализ, линейная регрессия, декомпозиция временного ряда, логистическая регрессия, факторный анализ, кластеризация, дерево решений, ассоциативные правила. Приведены примеры, позволяющие получить навыки практического применения их в бизнес-аналитике.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.03.05 – Бизнес-информатика (бакалавриат), при изучении дисциплины «Анализ данных», а также аналитиков, занимающихся практическими вопросами статистического анализа данных на основе аналитической платформы Deductor.

В учебном пособии рассмотрены основные статистические методы анализа данных, используемые в аналитическом приложении Deductor Studio: предобработка и очистка данных, корреляционный анализ, линейная регрессия, декомпозиция временного ряда, логистическая регрессия, факторный анализ, кластеризация, дерево решений, ассоциативные правила. Приведены примеры, позволяющие получить навыки практического применения их в бизнес-аналитике.

Предназначено для проведения лабораторных занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.03.05 – Бизнес-информатика (бакалавриат), при изучении дисциплины «Анализ данных», а также аналитиков, занимающихся практическими вопросами статистического анализа данных на основе аналитической платформы Deductor.

В учебном пособии рассмотрены основные статистические методы, используемые в аналитическом приложении Deductor Studio: предобработка и очистка данных, корреляционный анализ, линейная регрессия, декомпозиция временного ряда, логистическая регрессия, факторный анализ, кластеризация, дерево решений. Приведены примеры, позволяющие получить навыки практического применения статистических методов в бизнес-аналитике. Учебное пособие предназначено для проведения практических занятий и самостоятельной работы студентов, обучающихся по направлению подготовки 38.04.05 – Бизнес-информатика (магистратура), при изучении дисциплины «Статистические методы в бизнес-аналитике», а также аналитиков, занимающихся практическими вопросами статистического анализа информации на основе аналитической платформы Deductor.

данных: дискриминантный анализ, факторный анализ, кластерный анализ, иерархический кластерный анализ, метод К-средних, дерево решений. Подробно, вплоть до пошаговых инструкций, описаны способы их решения в статистическом пакте IBM SPSS Statistics 22.

Учебное пособие предназначено для проведения практических занятий и самостоятельной работы студентов, обучающихся по направлениям подготовки 38.03.05 Бизнес-информатика (бакалавриат) и 38.04.05 Бизнес-информатика (магистратура), а также специалистов, интересующихся методами анализа данных в современных статистических пакетах.

Представлены результаты исследований особенностей применения метода сингулярного спектрального анализа (Singular Spectrum Analysis - SSA) в задачах анализа и прогнозирования временных рядов (ВР). В ходе их проведения были решены следующие задачи: 1) разработка научно обоснованных рекомендаций по выбору параметров метода SSA при анализе и прогнозировании реальных ВР и их экспериментальная апробация на примере реальных геофизических и экономических ВР; 2) разработка алгоритма оценки точности прогнозирования нестационарных ВР методом SSA; 3) получение количественных оценок точности прогнозирования нестационарных ВР, содержащих среднемесячные значения чисел Вольфа, а также часовых значений цен на электроэнергию на оптовом рынке электрической мощности (ОРЭМ). При этом получен ряд новых научных результатов, в том числе предложен научно обоснованный критерий выбора значений параметров метода SSA, обеспечивающий совпадение ВР, восстановленного по рекомендованному набору сингулярных троек, и дискретных значений периодической функции, породивших анализируемый ВР. В задаче анализа ВР вида : 1) обоснована возможность упрощения процедуры разделения ВР на главные компоненты (ГК), соответствующие ВР , , за счет использования зависимости где i - номер сингулярной тройки разложения траекторной матрицы ВР , - размер окна сдвига, - период дискретизации анализируемого ВР: 2) уточнены понятия сильной и слабой разделимостей ВР 3) научно обоснованы рекомендации по выбору размер окна сдвига обеспечивающие наилучшее разделение ВР типов «шум + const», «шум + периодическая составляющая», «шум + тренд» при различных отношениях сигнал/шум; 4) предложен алгоритм исследования точности прогнозирования ВР методом SSA; 5) предложен алгоритм выбора сингулярных троек траекторной матрицы ВР , используемых для прогнозирования значений ВР; 6) получены экспериментальные подтверждения целесообразности использования для краткосрочного прогнозирования нестационарных ВР полинома, аппроксимирующего ВР, восстановленный по набору сгруппированных сингулярных т