- •Міністерство аграрної політики україни
- •Лабораторна робота №1 Засвоєння інтерфейсу системи statistica
- •Основні модулі системи statistica
- •Розрахунок описових статистик
- •Лабораторна робота №2 Первинна статистична обробка дослідних даних в системи statistica Мета роботи:
- •Завдання
- •Хід роботи
- •Побудова полігонів розподілу
- •Побудова гістограми
- •Розрахунок основних статистичних характеристик вибірки
- •Лабораторна робота №3Побудова діаграм і графіків у системі statistica
- •Завдання
- •Хід роботи
- •Побудова кругової діаграми
- •Створення і редагування надпису на діаграмі
- •Побудова графіків у системі statistica Завдання
- •1.Динаміка молочної продуктивності корів, по роках
- •Хід роботи Початок роботи
- •Завдання в
- •Побудова трьохвимірного графіку
- •Редагування 3-вимірного графіку
- •2D Line Plots та 3d Surface Plots.
- •Лабораторна робота №4
- •Порівняння статистичних рядів у системі statistica
- •Мета роботи:
- •Хід роботи
- •Розрахунок описових статистик і формулювання статистичних гіпотез
- •3.Продуктивність корів дослідних груп
- •Висновки по суті завдання а
- •Завдання
- •4. Динаміка надою та % жиру у корів по роках
- •Початок роботи
- •Побудова діаграми розсіяння
- •Рис 33. Кореляційні показники Пірсона
- •Перевірка значущості коефіцієнта кореляції
- •Лабораторна робота 6
- •Проведення однофакторного дисперсійного аналізу
- •У системі statistica
- •Мета роботи:
- •Завдання
- •Початок роботи
- •5.Кількість молочного жиру у корів (дочок бугаїв)
- •6.Матриця дисперсійного комплексу
- •Послідовність проведення однофакторного аналізу
- •Апостеріорні порівняння середніх
- •7.Рівень значущості відмінності між середніми (р)
- •8.Рівень значущості відмінності між середніми (р)
- •9.Рівень значущості відмінності між середніми (р)
- •Графічне порівняння варіантів досліду
- •Завершення роботи
- •Лабораторна робота №7 Проведення двофакторного дисперсійного аналізу у системі statistica
- •Завдання
- •Початок роботи
- •11.Від трансформованої таблиці 10
- •Виконання двофакторного дисперсійного аналізу
- •Апостеріорні порівняння середніх
- •12.Результати аналізу двофакторного дисперсійного комплексу
- •Графічне порівняння варіантів досліду
- •Лабораторна робота №8 Проведення простого лінійного регресійного аналізу у системі statistica Мета роботи:
- •Завдання
- •Початок роботи
- •13.Показники продуктивності свиней
- •Аналіз залишків
- •Множинний регресійний аналіз в системі statistica
- •Завдання
- •Початок роботи
- •14.Динаміка об’ємів продажі молока по господарствах
- •Лабораторна робота №9
- •Мета роботи:
- •Завдання
- •15.Хімічний склад м’язової тканини свиней
- •Початок роботи
- •(Вікно введення режимів роботи для ієрархічних агломеративних методів)
- •Two-way Joining
- •Пропонована література
- •Варіанти завдань для виконання лабораторних робіт №1 - №4
- •Варіанти завдань для виконання лабораторних робіт №,№5-9 (Регресійний, кореляційний, дисперсійний і кластерний аналізи)
- •Варіанти завдань
- •Значення функції розподілу ф(х) стандартного нормального закону n(0,1):
Лабораторна робота №9
Проведення кластерного аналізу у системі STATISTICA
Мета роботи:
Вивчити процедуру проведення кластерного аналізу у системі STATISTICA.
Зауваження. Кластерний аналіз розв’язує задачі групування і класифікації об’єктів одразу за кількома ознаками. В підсумку кластерного аналізу розраховуються значення відстаней між об’єктами в уявному багатовимірному просторі, координатами якого є значення ознак, що враховуються під час досліду, і будуються спеціальні графіки - дендрограми, які наочно показують, наскільки близькі між собою об’єкти, що досліджуються, відразу за всією сукупністю їх властивостей, що були враховані у досліді.
Для вирішення задач в кластерному аналізі використовуються наступні методи: Joining (tree clustering) (ієрархічні агломеративні методи або деревовидна кластеризація), K - means clustering (метод К середніх), Two-way joining (двовхідне о`бєднання).
Кластерний аналіз має велике значення для використання в селекційній роботі, знаходить широке застосування при класифікації генотипів тварин.
Завдання
Під час дослідної роботи отримані і занесені в таблицю характеристики шести основних порід свиней за шістьма показниками хімічного складу м’язової тканини:
гігроскопічна волога, %;.
попіл, %;
протеїн, %;
клітковина, %;
жир, %;
безазотисті екстрактивні речовини, %.
За допомогою кластерного аналізу оцініть подібність наведених порід свиней одразу за всіма шістьма ознаками.
Дослідні дані наведені в таблиці 15.
15.Хімічний склад м’язової тканини свиней
Порода свиней |
VAR 1 |
VAR 2 |
VAR 3 |
VAR 4 |
VAR 5 |
VAR 6 |
Велика біла Пшениця яра |
13,4 |
1,9 |
13,6 |
1.8 |
2,0 |
67,3 |
Миргородська |
13,4 |
1,8 |
11,4 |
1,8 |
1,9 |
69,7 |
Полтавська м’ясна |
15,1 |
1,7 |
11,5 |
2,1 |
1,8 |
67,8 |
Ландрас |
12,4 |
2,6 |
12,3 |
4,5 |
2,5 |
65,8
|
Українська степова біла |
12,8 |
3,0 |
10,2 |
10,0 |
5,3 |
59,7 |
Велика чорна Кукурудза |
13,3 |
1,5 |
9,6 |
2,6 |
5,1 |
67,9 |
Розглянемо принцип проведення кластерного аналізу на основі даних, які наведені в таблиці 15. В файлі знаходяться дані за хімічним складом м’язової тканини свиней різних порід і показники-аргументи, які беруть участь в класифікації.
Початок роботи
1. У своїй робочій папці створіть нову папку 1аb9. Всі файли, які буде створено при виконанні даної роботи, зберігайте у цій папці.
2. Запустіть програму Статистика і у модулі Data Management/MFM створіть новий файл електронної таблиці для введення даних з таблиці. Збережіть цей файл під назвою Iab9.sta у свою робочу папку lab 9.
Зауваження. У першу змінну VAR1 будемо вводити гігроскопічну вологу (VOLOGA), у другу - кількість попелу (POPIL); у третю - кількість протеїну (PROTEIN), у четверту - кількість клітковини (KLITKOV), у п’яту - кількість жиру (ZHIR), у шосту - кількість - безазотистих екстрактивних речовин (BER).
3. У стовпчик NUMERIC VALUES (номера рядків) введіть назви порід свиней.
4. Виконайте команди: Статистика → Многомерные исследовательские методы → Анализ кластера.
На екрані з’явиться стартова панель модуля (рис.62) Clustering Method (методи кластерного аналізу): Joining (tree clustering) (ієрархічні агломеративні методи або деревовидна кластеризація), K - means clustering (метод К средніх), Two-way joining (двохвхідне об’єднання).
Рис. 62. Стартова панель модуля Clustering Method (методи кластерного аналізу)
У вікні Clustering Method оберіть параметр Joining (tree clustering) (вікно введення режимів роботи для ієрархічних агломеративних методів) процедура об’єднання - побудова дерева. Натиснути ОК.
5. У вікні, що відкрилось (рис.63), перейдіть на вкладнику Advanced натисніть кнопку Variables (дозволяє вибирати змінні, які беруть участь в класифікації) та виберіть всі змінні для аналізу (Select All). OK.
Рис.63. Вікно кластерний аналіз: ієрархічна класифікація
Рис. 63. Cluster Analysis: Joing (Tree Clustering)