Главная / Статистические методы анализа данных

Статистические методы анализа данных - ответы на тесты Интуит

Курс посвящен изучению современных методов анализа данных.

Список вопросов:

# Известны парные коэффициенты корреляции случайных величин : Частный коэффициент корреляции случайных величин и при фиксированном значении будет
# Известны парные коэффициенты корреляции случайных величин : Частный коэффициент корреляции случайных величин и при фиксированном значении будет
# Известны парные коэффициенты корреляции случайных величин : Частный коэффициент корреляции случайных величин и при фиксированном значении будет
# Каким (какими) из перечисленных свойств удовлетворяет корреляционное отношение переменной по ?
# Рассматривается модель следующего вида , в которой и – наблюдаемые случайные величины, а - ненаблюдаемая случайная помеха с нулевым математическим ожиданием. Предполагается, что случайные величины X и независимы. Корреляционным отношением переменной по называют
# Коэффициент множественной корреляции между выходной (результирующей) переменной и входными (объясняющими) переменными обладает следующими свойствами
# МНК-оценка параметра линейной регрессионной модели является
# МНК-оценка параметра линейной регрессионной модели совпадает с оценкой максимального правдоподобия параметра
# Пусть - МНК-оценка неизвестного регрессионного параметра , - любая несмещенная оценка этого параметра, а - некоторый детерминированный вектор. Неравенство выполняется
# Рассматривается модель линейной регрессии , , где - ненаблюдаемые центрированные погрешности, имеющие плотность распределения . Для оценивания неизвестных параметров применен метод наименьших квадратов (МНК). Величины дисперсий , полученных МНК-оценок, зависят от
# Рассматривается модель линейной регрессии , , где - ненаблюдаемые центрированные погрешности, имеющие плотность распределения . Для оценивания неизвестных параметров применен метод наименьших модулей (МНМ). Величины дисперсий , полученных МНМ-оценок, зависят от
# Рассматривается модель линейной регрессии , , где - ненаблюдаемые центрированные погрешности, имеющие плотность распределения . Для оценивания неизвестных параметров применен ранговый метод. Величины дисперсий , полученных R-оценок, зависят от
# Проблема мультиколлинеарности в линейной регрессионной модели обусловлена следующим обстоятельством
# К каким последствиям может привести наличие мультиколлинеарности в линейной регрессионной модели?
# Какой (какие) из нижеперечисленных фактов свидетельствует о наличии мультиколлинеарности в линейной регрессионной модели?
# У каждого из n объектов измеряется большое количество показателей. Требуется без нарушения существенной структуры данных перейти к пространству показателей меньшей размерности. Такая процедура сжатия возможна
# Вектор показателей требуется наилучшим образом описать вектором общих факторов размерности . Новые показатели должны удовлетворять следующему условию
# Вектор показателей представлен в виде ,где F- вектор общих факторов размерности , - вектор случайных погрешностей размерности k, А - матрица нагрузок размерности . Элементы , матрицы А - это
# Фактором в задаче однофакторного дисперсионного анализа называют
# Откликом в задаче однофакторного дисперсионного анализа называют
# Уровнем фактора в задаче однофакторного дисперсионного анализа называют
# Задача однофакторного дисперсионного анализа является обобщением задачи проверки гипотезы об однородности двух выборок против альтернативы о том, что рассматриваемые выборки различаются
# Количество уровней фактора в задаче однофакторного дисперсионного анализа может быть
# Основная (проверяемая) гипотеза в задаче однофакторного дисперсионного анализа состоит в том, что
# Погрешности наблюдений в модели однофакторного дисперсионного анализа должны удовлетворять следующим условиям:
# Необходимым условием для применения F-критерия в задаче однофакторного дисперсионного анализа является следующее требование
# Необходимым условием для применения критерия Краскела-Уоллиса в задаче однофакторного дисперсионного анализа является следующее требование
# Наблюдения описываются моделью следующего вида , где -неизвестное общее среднее, -отклонение от среднего, вызванное изменением уровня факторной переменной, - погрешности с нулевым математическим ожиданием. Контраст параметров в этой модели задан следующим образом , где . Определенный таким образом контраст характеризует
# Наблюдения описываются моделью следующего вида , где -неизвестное общее среднее, -отклонение от среднего, вызванное изменением уровня факторной переменной, - погрешности с нулевым математическим ожиданием. Контраст параметров в этой модели задан следующим образом , где . Определенный таким образом контраст характеризует
# Наблюдения описываются моделью следующего вида , где -неизвестное общее среднее, -отклонение от среднего, вызванное изменением уровня факторной переменной, - погрешности с нулевым математическим ожиданием. Контраст параметров в этой модели задан следующим образом , где . Определенный таким образом контраст характеризует
# Рассматривается задача двухфакторного дисперсионного анализа. Основная (проверяемая) гипотеза заключается в том, что
# Необходимым условием применения критерия Пейджа в задаче двухфакторного дисперсионного анализа является
# Необходимым условием применения F-критерия в задаче двухфакторного дисперсионного анализа является следующее требование
# Для проверки основной гипотезы в задаче однофакторного дисперсионного анализа применяют F-критерий и ранговый критерий Краскела-Уоллиса. Известно, что наблюдения имеют нормальное распределение, а число уровней фактора равно К. Чему равна в этом случае асимптотическая относительная эффективность по Питмену критерия Краскела- Уоллиса по отношению к F-критерию?
# Для проверки основной гипотезы в задаче двухфакторного дисперсионного анализа применяют F-критерий и ранговый критерий Фридмана. Известно, что наблюдения имеют нормальное распределение, количество уровней главного фактора равно k, а количество уровней мешающего фактора равно n. Чему равна в этом случае асимптотическая относительная эффективность по Питмену критерия Фридмана по отношению к F-критерию?
# Для проверки основной гипотезы в задаче двухфакторного дисперсионного анализа применяют F-критерий и ранговый критерий Фридмана. Асимптотическая относительная эффективность по Питмену критерия Фридмана по отношению к F-критерию зависит от
# Переменная измерена в количественной шкале. Результаты измерений этой переменной
# Переменная измерена в порядковой шкале. Результаты измерений этой переменной
# Переменная измерена в номинальной шкале. Результаты измерений этой переменной
# Переменная измеряется в номинальной шкале и имеет 5 градаций, переменная измеряется в номинальной шкале и имеет 2 градации. Для того чтобы выяснить, являются ли переменные и зависимыми, применяют критерий хи-квадрат. Какое число степеней свободы будет иметь статистика хи-квадрат в случае справедливости основной гипотезы?
# Переменная измеряется в номинальной шкале и имеет 6 градаций, переменная измеряется в номинальной шкале и имеет 4 градации. Для того чтобы выяснить, являются ли переменные и зависимыми, применяют критерий хи-квадрат. Какое число степеней свободы будет иметь статистика хи-квадрат в случае справедливости основной гипотезы?
# Переменная измеряется в номинальной шкале и имеет 3 градаций, переменная измеряется в номинальной шкале и имеет 2 градации. Для того чтобы выяснить, являются ли переменные и зависимыми, применяют критерий хи-квадрат. Какое число степеней свободы будет иметь статистика хи-квадрат в случае справедливости основной гипотезы?
# Для номинального признака , имеющего 5 градаций, и номинального признака , имеющего 4 градации, составлена таблица сопряженности и вычислено значение статистики хи-квадрат. Значение статистики оказалось равным 23.13. Согласно таблицам, квантили распределения хи-квадрат , . Какой (какие) выводы можно сделать, опираясь на полученный результат?
# Для номинального признака , имеющего 6 градаций, и номинального признака , имеющего 3 градации, составлена таблица сопряженности и вычислено значение статистики хи-квадрат. Значение статистики оказалось равным 20.67. Согласно таблицам, квантили распределения хи-квадрат , . Какой (какие) выводы можно сделать, опираясь на полученный результат?
# Для номинального признака , имеющего 4 градаций, и номинального признака , имеющего 6 градации, составлена таблица сопряженности и вычислено значение статистики хи-квадрат. Значение статистики оказалось равным 26.07. Согласно таблицам квантили распределения хи-квадрат , . Какой (какие) выводы можно сделать, опираясь на полученный результат?
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности 2х2 и вычислен коэффициент ассоциации Юла. Этот коэффициент
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности 2х2 и вычислен коэффициент контингенции. Этот коэффициент
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности 2х2 и вычислена статистика хи-квадрат. Эта статистика
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислена мера Гутмана . Полученное значение следует трактовать таким образом:
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислена мера Гутмана . Полученное значение следует трактовать таким образом:
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислена мера Гутмана . Полученное значение следует трактовать таким образом:
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислен коэффициент среднеквадратической сопряженности . Полученный результат можно трактовать следующим образом
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислен коэффициент Крамера . Полученный результат можно трактовать следующим образом
# Для признаков и , измеренных в номинальной шкале, составлена таблица сопряженности и вычислен коэффициент среднеквадратической сопряженности . Полученный результат можно трактовать следующим образом
# Признаки и измерены в номинальной шкале. Какой критерий можно применить для проверки гипотезы о независимости этих признаков?
# Переменная измерена в номинальной шкале, а переменная - в количественной шкале. Требуется выяснить, являются ли эти переменные независимыми. Для того чтобы решить эту задачу, можно
# Признаки и измерены в количественной шкале. Требуется выяснить, являются ли эти переменные независимыми. Для того чтобы решить эту задачу, можно
# Сто (100) студентов прошли тестирование по математическому анализу и по физике. Пусть переменная Х- рейтинг студентов по математическому анализу, а переменная Y- рейтинг по физике. Коэффициент корреляции Спирмена для переменных и оказался равным 0.6. Эта информация
# В учебной части имеются данные о количестве пропущенных занятий (показатель Х) и успеваемости по дисциплине "Анализ данных" (показатель Y) ста студентов. Коэффициент корреляции Спирмена для переменных и оказался равным -0.7. Эта информация
# Сто(100) студентов-математиков прошли тестирование по математическому анализу (показатель Х) и английскому языку (показатель Y). Коэффициент корреляции Спирмена для переменных и оказался равным 0.4. Эта информация
# В ходе эксперимента получена реализация двумерной выборки. Известно, что первое наблюдение (5;3) , а второе (3;1). Можно сказать, что эти пары
# В ходе эксперимента получена реализация двумерной выборки. Известно, что первое наблюдение (7;3) , а второе (3;5). Можно сказать, что эти пары
# В ходе эксперимента получена реализация двумерной выборки. Известно, что первое наблюдение (10;3) , а второе (3;1). Можно сказать, что эти пары
# Коэффициент конкордации Кендалла , где , может принимать значения
# Для группы из экспертов вычислен коэффициент конкордации Кендалла . Значение близкое к единице нужно трактовать следующим образом:
# Коэффициент согласованности Кендалла для двух выборок может принимать значения
# Для двумерной гауссовской выборки вычислен выборочный коэффициент корреляции . Какое распределение имеет статистика в том случае, когда случайные величины и независимы?
# Для двумерной гауссовской выборки вычислен выборочный коэффициент корреляции . Какое распределение имеет статистика в том случае, когда случайные величины и независимы?
# Для двумерной гауссовской выборки вычислен выборочный коэффициент корреляции . Какое распределение имеет статистика в том случае, когда случайные величины и независимы?
# По двумерной гауссовской выборке известного объема n вычислен выборочный коэффициент корреляции . Имея эту информацию, можно
# По двумерной выборке , соответствующей некоторому распределению , вычислен выборочный коэффициент корреляции . Объем выборки n известен. Имея эту информацию, можно
# Известно, что коэффициент корреляции случайных величин и равен нулю. Это означает, что