Аналіз даних з використанням бутстреп-процедури

Abstract

UA : Робота викладена на 46 сторінках друкованого тексту, містить 9 рисунків, 16 джерел. Об’єкт дослідження: статистичні дані. Предмет дослідження: побудова довірчих інтервалів для вибіркового середнього за допомогою бутстреп-процедури. Мета роботи: дослідження можливостей бутстреп-процедури для аналізу даних. Методи дослідження: статистичний аналіз, моделювання. Бутстреп – це статистична процедура, яка повторює вибірку одного набору даних для створення багатьох змодельованих зразків. Цей процес дозволяє обчислювати стандартні помилки, будувати довірчі інтервали та виконувати перевірку гіпотез для численних типів вибіркової статистики. Методи бутстреп є альтернативними підходами до традиційної перевірки гіпотез і відрізняються тим, що їх легше зрозуміти і дійсні для більшої кількості умов. Цей метод має рівну ймовірність випадкового відображення кожної вихідної точки даних для включення в набори даних із повторною вибіркою. Процедура може вибрати точку даних більше одного разу для набора даних із повторною вибіркою. Ця властивість є аспектом процесу «із заміною». Процедура створює повторно вибіркові набори даних, які мають той самий розмір, що й вихідний набір даних. Процес закінчується тим, що змодельовані набори даних мають багато різних комбінацій значень, які існують у вихідному наборі даних.

EN : The work is presented on 46 pages of printed text, 9 figures, 16 references. The object of the study is a Zaporozhzhia air pollution data. The aim of the study is construction of confidence intervals on the basis of samples created with the help of bootstrap. The methods of research are analysis, modeling. Bootstrap is a statistical procedure that replicates the sampling of one set of data to create many simulated samples. This process allows you to calculate standard errors, build confidence intervals, and test hypotheses for many types of sample statistics. Bootstrap methods are alternative approaches to traditional hypothesis testing and differ in that they are easier to understand and valid for more conditions. This method has an equal probability of randomly displaying each data source for inclusion in re-sampled datasets. The procedure can select a data point more than once for a re-sampled data set. This property is an aspect of the “replacement” process. The procedure recreates sample datasets that are the same size as the original dataset. The process ends with the simulated datasets having many different combinations of values that exist in the original dataset.