Сжато излагаются основные разделы математической статистики. Подбор материала, объем и глубина его изложения соответствуют программе семестрового курса, читанного авторами студентам факультета прикладной математики и экономики МФТИ вслед за курсами по теории вероятностей и основам случайных процессов.
Для студентов старших курсов и аспирантов.
В книге изложены основные сведения по теории вероятностей, теории случайных процессов, математической статистике. Приведены определения вероятностного пространства, случайной величины, математического ожидания, условной вероятности и условного математического ожидания, доказаны теоремы о законе больших чисел, центральная предельная теорема. Рассмотрены процессы восстановления, случайные блуждания, цепи Маркова со счетным множеством состояний, стационарные процессы (в том числе обобщенные).
Определены основные задачи математической статистики, изложены методы проверки статистических гипотез и теория оценивания параметров вероятностных распределений. Рассматривается большое количество примеров и задач, иллюстрирующих основные понятия, а также поясняющих возможные практические применения доказанных теорем. Рассчитана на студентов механико-математических факультетов университетов, факультетов прикладной математики и кибернетики технических вузов, физико-математических факультетов педагогических институтов.
Книга американского ученого М. Дэйвисона посвящена многомерному шкалированию, которое находит широкое применение при анализе экспериментальных данных в экономике, технике, социологии и других областях. Вместе с кластерным и факторным анализом оно образует набор методов, позволяющих наглядно представить результаты в виде картинок иля на экране дисплея.
Для научных работников, разработчиков алгоритмического и программного обеспечения обработки данных, преподавателей и студентов вузов.
В данном пособии в отличие от аналогичных изданий процедуры применения сложных методов многомерного анализа рассматриваются по шагам на конкретных, а не на абстрактных примерах (их представлено в книге более 150). Каждая из пяти тем пособия включает вводные замечания, типологию решаемых задач, задачи для самостоятельных занятий, тесты и вопросы для самоконтроля. Примеры решения большеразмерных задач приведены с применением пакетов электронной обработки данных, в частности пакетов SAS, Statistica, Stadia, Statgraphics.
Для студентов, аспирантов и специалистов, занимающихся статистическими вычислениями повышенной сложности.
Рассматриваются многомерные генеральная н выборочная совокупности, корреляционный, регрессионный, компонентный, факторный анализ, канонические корреляции. Подробно изложены методы многомерной классификации, робастного оценивания. Учебник содержит математико-статистические таблицы, а также конкретные примеры и пояснения, необходимые для их выполнения, и упражнения с использованием ЭВМ, позволяющие закрепить изученный материал.
Для преподавателей, аспирантов, студентов бизнес-школ и экономических вузов, а также экономистов, менеджеров.
Математика в РГГМУ является одной из важнейших дисциплин. В данной статье подробно проанализирована роль преподавателей-математиков в процессе обучения студентов университета. Уделено внимание математическому моделированию и вычислительной математике, представлен эксперимент, связанный со студенческими докладами по истории Российской математической школы. Такой цикл докладов положительно влияет на процесс воспитания чувства патриотизма у молодого поколения и повышает у студентов интерес к математике.
Потребление электроэнергии является ключевым фактором устойчивого развития в энергетической отрасли, и точное прогнозирование его изменений имеет важное значение для эффективного управления большими электро-энергетическими системами и ресурсами. Целью данного исследования является разработка математической (регрессионной) модели для прогнозирования поведения электропотребления на каждый час следующих суток для энергосбытовых компаний современными методами машинного обучения и искусственного интеллекта. Рассматриваются различные методы искус-ственного интеллекта, применяемые для моделирования и прогнозирования потребления электроэнергии. К этим методам относятся: линейная модель, случайный лес и две реализации градиентного бустинга над решающими деревьями. Научный подход, основанный на технологии искусственного интеллекта Boosting, позволяет максимально снизить ошибку прогнозирования электропотребления в крупных энергетических компаниях. Авторами разработана новая, полезная и качественная регрессионная модель, адекватно описывающая экспериментальные данные по потреблению электроэнергии за каждый час суток. Выполнено тестирование разработанной регрессионной моде-ли на реальных производственных данных энергетической компании. Проведенное исследование и полученные результаты позволяют авторам сделать вывод о том, что разработанная математическая модель методом машин-ного обучения LightGBM может быть использована энергосбытовыми компаниями для почасового планирования электропотребления при подаче заявок на оптовый рынок электроэнергии и мощности (ОРЭМ) на несколько дней вперед. Исследование было выполнено на языке программирования Python.
Усталостное разрушение является частой причиной поломки машин, в связи с чем расчеты деталей на сопротивление усталости являются одними из критически необходимых при создании сложных изделий машиностроения. Математическая модель усталостного растрескивания не до конца раскрыта ввиду сложности процесса и основывается на множестве экспериментальных данных. В связи с чем актуальной задачей является дальнейшее совершенствование и автоматизация данных расчетов для снижения трудоемкости и повышения точности проектирования. Одним из подходов к решению данной задачи является применение современных методов математической статистики и машинного обучения.
Математическая статистика играет, как часть математики, все возрастающую роль, в особенности благодаря чрезвычайному разнообразию и существенности ее приложений.
Хорошо известны применения математической статистики в технике, в особенности в машиностроении и приборостроении, а также во всех видах массового производства, в связи с организацией текущего или приемочного контроля.
Некоторые разделы математической статистики имеют применение в агротехнике, которой они даже обязаны своим появлением. Вообще, будучи основой теории обработки наблюдений, математическая статистика может с успехом применяться всюду, где имеется потребность в осмыслении количественных результатов повторяющихся естественно-научных экспериментов, от физики и химии до биологии и медицины.
Цель этой книги — познакомить с математической статистикой читателя, обладающего хорошей математической подготовкой. Наличие предварительных знаний у читателя в области теории вероятностей или математической статистики, вообще говоря, не предполагается, хотя знакомство с хорошими университетскими курсами в этих областях математики было бы полезным.
Книга подготовлена в основном на материале, который я читал, все время его обновляя и пересматривая, аспирантам Принстонского университета в годы второй мировой войны. Первоначальный вариант, содержавший часть материала книги, был в 1943 г. издан в литографированном виде издательством Принстонского университета под названием “Математическая статистика”.