Τεχνικές διαχωριστικής ανάλυσης: θεωρία και εφαρμογές

Η διαχωριστική ανάλυση αποτελεί μέθοδο πολυμεταβλητής ανάλυσης και έχει εφαρμογές σε παραμετρικές αλλά και μη παραμετρικές διαδικασίες. Στην παρούσα εργασία θα μας απασχολήσει μόνο η παραμετρική διαχωριστική ανάλυση. Διαθέτει δύο βασικούς σκοπούς. Αρχικά διαχωρίζει τον πληθυσμό σε προκαθορισμένες ομ...

Πλήρης περιγραφή

Αποθηκεύτηκε σε:
Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Βακιάνη, Χρυσαφένια
Άλλοι συγγραφείς: Ζήμερας, Στέλιος
Γλώσσα:el_GR
Δημοσίευση: 2018
Θέματα:
Διαθέσιμο Online:https://vsmart.lib.aegean.gr/webopac/List.csp?SearchT1=%CE%92%CE%B1%CE%BA%CE%B9%CE%AC%CE%BD%CE%B7%2C+%CE%A7%CF%81%CF%85%CF%83%CE%B1%CF%86%CE%AD%CE%BD%CE%B9%CE%B1&Index1=Keywordsbib&Database=1&SearchMethod=Find_1&SearchTerm1=%CE%92%CE%B1%CE%BA%CE%B9%CE%AC%CE%BD%CE%B7%2C+%CE%A7%CF%81%CF%85%CF%83%CE%B1%CF%86%CE%AD%CE%BD%CE%B9%CE%B1&OpacLanguage=gre&Profile=Default&EncodedRequest=*184*FB*FE*2B*A0*1B*FED*FEo*0C*1E*A8qt&EncodedQuery=*184*FB*FE*2B*A0*1B*FED*FEo*0C*1E*A8qt&Source=SysQR&PageType=Start&PreviousList=RecordListFind&WebPageNr=1&NumberToRetrieve=50&WebAction=NewSearch&StartValue=0&RowRepeat=0&ExtraInfo=&SortIndex=Year&SortDirection=-1&Resource=&SavingIndicator=&RestrType=&RestrTerms=&RestrShowAll=&LinkToIndex=
http://hdl.handle.net/11610/17775
Ετικέτες: Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
Περιγραφή
Περίληψη:Η διαχωριστική ανάλυση αποτελεί μέθοδο πολυμεταβλητής ανάλυσης και έχει εφαρμογές σε παραμετρικές αλλά και μη παραμετρικές διαδικασίες. Στην παρούσα εργασία θα μας απασχολήσει μόνο η παραμετρική διαχωριστική ανάλυση. Διαθέτει δύο βασικούς σκοπούς. Αρχικά διαχωρίζει τον πληθυσμό σε προκαθορισμένες ομάδες και έπειτα ταξινομεί καινούριες παρατηρήσεις στις ομάδες αυτές. Η περιήγηση στο θεωρητικό μέρος περιλαμβάνει όλους τους σκοπούς και βασικούς όρους της διαχωριστικής ανάλυσης όπως επίσης και τις προϋποθέσεις που απαιτούνται για την εφαρμογή της. Έπειτα αναλύονται όλα τα στατιστικά εργαλεία που διαθέτει τόσο για τον έλεγχο καταλληλότητας των μεταβλητών και των διαχωριστικών συναρτήσεων όσο και την αποτελεσματικότητα αυτών. Τέλος αναλύονται οι κανόνες διαχωρισμού και η ταξινόμηση σε κανονικούς πληθυσμούς. Στο πρακτικό μέρος της εργασίας χρησιμοποιούνται πραγματικά δεδομένα από μετρήσεις συστατικών για κάποιες ποικιλίες κρασιού. Εφαρμόζεται η διαχωριστική ανάλυση και προκύπτουν διαχωριστικές συναρτήσεις πρόβλεψης με τις οποίες έπειτα ταξινομήσαμε ένα καινούριο κρασί σε μια από τις υπάρχουσες ποικιλίες. Για την εφαρμογή χρησιμοποιήθηκε το στατιστικό πρόγραμμα IBM SPSS Statistics 20.