Сетевая организация – одна из современных форм организаций

Автор работы: Пользователь скрыл имя, 17 Марта 2013 в 11:04, дипломная работа

Описание

Социально-экономические процессы и явления зависят от большого числа параметров, их характеризующих, что обуславливает трудности, связанные с выявлением структуры взаимосвязей этих параметров. В подобных ситуациях, т.е. когда решения принимаются на основании анализа стохастической, неполной информации, использование методов многомерного статистического анализа является не только оправданным, но и существенно необходимым.

Содержание

Оглавление
Введение…………………………………………………………………….3
Глава 1……………………………………………………………………...7
Описание интернет-проекта………………………………………...7
Задачи проекта……………………………………………………..20
Глава 2. Общее представление о методах кластерного анализа............22
Введение в кластерный анализ……………………………………22
Измерение близости объектов…………………………………….26
Характеристики близости объектов………………………………28
Методы кластерного анализа……………………………………..30
Иерархические алгоритмы………………………………………...31
Примеры использования кластерного анализа…………………..36
Глава 3. Результаты кластерного анализа……………………………....42
Кластерный анализ посещаемости интернет-магазина по городам……………………………………………………………...42
Кластерный анализ реализации по интернет-магазину………….50
Кластерный анализ посещаемости интернет-магазина по возрасту посетителей………………………………………..………………..55
Кластерный анализ сезонности посещения интернет-магазина...58
Выводы…………………………………………………………………….63
Заключение………………………………………………………………..64
Приложение……………………………………………………………….67
Список литературы……………………………………………………….74

Работа состоит из  1 файл

Диплом готовая версия,.docx

— 4.33 Мб (Скачать документ)

Рис. 4.1.

  1. В меню Statistics выбираем Multivariate Exploratory Techniques и затем Cluster Analysis (рис. 4.2)

Рис. 4.2.

  1. В появившемся окне диалога выбираем иерархические алгомеративные методы Joining (tree clustering) (рис. 4.3)

 

Рис. 4.3.

 

  1. Открываем вкладку Advanced (рис. 4.4)

Рис. 4.4.

 

  1. Выбираем переменные (рис.4.5):
  • кнопка Variables
  • в открывшемся окне диалога выбрать все переменные (можно нажать кнопку Select All)
  • нажать кнопку Ok

 

Рис. 4.5.

  1. В открывающемся списке Input file можно указать (рис. 4.6.):
  • Raw data (исходные данные)
  • Distance matrix (матрица расстояний)

Следует оставить Raw data (установлено по умолчанию)

 

Рис. 4.6.

 

  1. В открывающемся списке Cluster надо указать Cases (rows) (строки). Кластеризовать надо по возрасту, а они расположены в строках (рис.4.7)

Рис. 4.7.

 

  1. В открывающемся списке Amalgamation (linkage) rule (правило объединения в кластеры) можно указать (рис. 4.8):
  • Single Linkage (метод одиночной связи)
  • Complete Linkage (метод полной связи)
  • Unweighted pair-group average (метод невзвешенного попарного среднего)
  • Ward’s method (метод Уорда)
  • и другие

 

Рис. 4.8.

 

  1. В открывающемся списке Distance measure (метрика – расстояние между объектами) можно указать (рис. 4.9):
  • Euclidean distance (евклидова метрика)
  • City-block Manhattan distance (манхеттенское расстояние городских кварталов)
  • Percent  disagreement (процент несогласия)
  • и другие

Рис. 4.9.

 

  1. Выберем метод одиночной связи и евклидову метрику.

После нажатия кнопки Ok появится окно, в котором можно выбрать результаты анализа (на вкладке Advanced расширенный набор результатов рис. 4.10.)

 

Рис. 4.10.

  1. Кнопка Horizontal hierarchical tree plot выводит дендрограмму в горизонтальном виде (рис. 4.11)

 

Рис. 4.11.

 

 

 

 

 

 

 

 

 

 

 

Список литературы

  1. Мандель И.Д. Кластерный анализ. – М.: Финансы и статистика.

1988. – 176с.

  1. Гильберт А. Как работать с матрицами/Пер. с нем. – М.:

Статистика, 1981. – 157с.

  1. Клиот-Дашинский М.И. Алгебра матриц и векторов. Л.: Изд-во

Ленинградского ун-та, 1974. – 160с.

  1. Б.Болч, К.Дж. Хуань. Многомерные статистические методы для

экономики/Пер. с англ. – М.: Статистика, 1979. – 317с.

  1. Г.Стренг. Линейная алгебра и ее применения/Пер. с англ. – М.:

Мир, 1980. – 454с.

  1. Леонов В.П. Обработка экспериментальных данных на

программируемых микрокалькуляторах. /Под ред. Б.А.Гладких, – Томск: ТГУ, – 1990, – 376 с. 

  1. Дюк В.А. Компьютерная психодиагностика. – СПб., изд-во

«Братство», 1994. – 364с. 

  1. Дюк В.А. Информационные технологии в медико-биологических

исследованиях. – СПб.: Питер, 2–003. – 528 с.

  1. Анализ данных на ЭВМ. (На примере системы

СИТО)/Александров В.В., Алексеев А.И., Горский Н.Д. – М.: Финансы и статистика, 1990. – 192с. 

  1. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация

многомерных наблюдений. – М.: Статистика, – 1974, – 240 с. 

  1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д.

Прикладная статистика: Классификация  и снижение размерности. – М.: Финансы и статистика, 1989. – 607с.

  1. Александров В.В., Горский Н.Д. Алгоритмы и программы

структурного метода обработки  данных. – Л.: Наука, – 1983, – 208с. 

  1. Дюран Б., Оделл П. Кластерный анализ. – М.: Статистика, – 1977,

– 128 с. 

  1. Классификация и кластер. /Под ред. Дж. Вэн Райзина. – М.: Мир,

1980, –390 с. 

  1. Компьютерная биометрика /под ред. В.Н.Носова, – МГУ, – 1990,

– 232с. 

  1. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа:

Учеб. 2–е изд., доп. – Томск: Изд-во НТЛ, 1997. – 396с. 

  1. Типология и классификация в социологических исследованиях.

Отв. ред. В.Г.Андреенков, Ю.Н.Толстова. М.: Наука, 1982 – 296с.

  1. Факторный, дискриминантный и кластерный анализ: Пер с

англ./Дж. – О.Ким, Ч.У.Мьюллер, У.Р.Клекка и др.; Под ред. И.С.Енюкова. – М.: Финансы и статистика, 1989. – 215с.

  1. Хемометрика/ Шараф М.А, Иллмэн Д.Л., Ковальски Б.Р. Пер. С

англ. – Л., Химия, 1989. – 272с. 

  1. Терентьев П.В. Метод корреляционных плеяд//Вестник ЛГУ. –

1959ю – №9 – с.137–141. 

  1. Браверман Э.М., Мучник И.Б. Структурные методы в обработке

эмпирических данных. М.: Наука, – 1983.  

  1. Миркин Б.Г. Группировки в социально-экономических

исследованиях. М.: Финансы  и статистика.

  1. Загоруйко Н.Г., Елкина В.Н., Емельянов С.В., Лбов Г.С. Пакет

прикладных программ ОТЭКС (для анализа данных). – М.: Финансы и статистика, 1986. – 160с. 

  1. Енюков И.С. Методы, алгоритмы, программы многомерного

статистического анализа: пакет  ППСА. – М.: Финансы и статистика, 1986. – 232с. 

  1. Сильвестров Д.С. Программное обеспечение прикладной

статистики: Обзор состояния. Тенденции развития. – М.: Финансы и статистика, 1988. – 240с.

  1. Методы анализа данных: Подход, основанный на методе

динамических сгущений: Пер. с фр./Кол. Авт. Под рук. Э.Дидэ; Под  ред. И с предисл. С.А.Айвазяна и  В.М.Бухштабера. – М.: Финансы и статистика, 1985. – 357с. 

  1. Жамбю М. Иерархический кластер-анализ и соответствия: Пер. с

фр. М.: Финансы и статистика, 1988. – 342с.

  1. Статистические методы для ЭВМ/Под ред. К.Энслейна,

Э.Рэлстона, Г.С.Уилфа: Пер  с англ./Под ред. М.Б.Малютова. – М.: Наука, 1986. – 464с.

  1. Патрик Э. Основы теории распознавания образов: Пер с англ./

Под ред. Б.Р.Левина. – М.: Сов. Радио, 1980. – 408с.

  1. Фомин Я.А., Тарловский Г.Р. Статистическая теория

распознавания образов. – М.: Радио и связь, 1986. – 264с.

  1. Айвазян С.А., Бухштабер В.М. Анализ данных, прикладная

статистика и построение общей теории автоматической классификации// Методы анализа данных/ Пер. с фр. – М.: Финансы и статистика, 1985. – Вступ. ст. – с. 5–22.

  1. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация

многомерных наблюдений. М.: Статистика, 1974. – 240с.

  1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. –

М.: Наука, 1973. – 416с.

  1. Елисеева И.И., Рукавишников В.О. Группировка, корреляция,

распознавание образов: Статистические методы классификации и измерения  связей. – М.: Статистика, 1977. – 143с.

  1. Фукунага К. Введение в статистическую теорию распознавания

образов/Пер. с англ. – М.: Наука, 1979. – 367с.

  1. Федоров-Давыдов Г.А. Статистические методы в археологии. –

М.: Высшая школа, 1987. – 216с.

  1. Фелингер А.Ф. Статистические алгоритмы в социологических

исследованиях. Новосибирск, Наука, 1985. – 208с.

  1. Миронов Б.Н. История в цифрах. Математика в исторических

исследованиях/ Под ред. И.Д. Ковальченко. Ленинград, Наука, 1991. – 167с.

  1. Налимов В.В. Вероятностная модель языка. О соотношении

естественных и искусственных  языков. М.: Наука, 1979. – 303с.

  1. Количественные методы в исторических исследованиях/ Под ред.

И.Д.Ковальченко. – М.: Высшая школа, 1984. – 384с.

  1. Эфрон Б. Нетрадиционные методы многомерного

статистического анализа: Сб. статей: Пер. с англ./ Предисловие  Ю.П.Адлера, Ю.В.Кошевника. – М.: Финансы и статистика, 1988. – 263с.

  1. Вейр Б. Анализ генетических данных/ Пер. с англ. – М.: Мир,

1995. – 400с. 

  1. Кайданов Л.З. Генетика популяций. – М.: Высшая школа, 1996. –

320с. 

  1. Животовский Л.А. Популяционная генетика. – М.: Наука, 1991. –

271с.

  1. Леонов В.П., Ижевский П.В. Об использовании прикладной

статистики при подготовке диссертационных работ по медицинским  и биологическим специальностям // Бюллетень ВАК РФ, 1997, № 5, с.56–61.

  1. Леонов В.П., Ижевский П.В. Применение статистики в медицине

и биологии: анализ публикаций 1990–1997гг.//Сибирский медицинский журнал, 1997, № 3–4, с. 64–74.

  1. Леонов В.П., Ижевский П.В. Применение статистики в статьях и

диссертациях по медицине и биологии. Часть 1. Описание методов  статистического анализа в статьях  и диссертациях//Международный журнал медицинской практики, 1998, № 4, с.7–12.

  1. Бащинский С.Е. Статистика умеет много гитик// Международный

журнал медицинской практики, 1998, № 4, с.13–15.

  1. Тарасенко Ф.П. Прикладной системный анализ. (Наука и

Информация о работе Сетевая организация – одна из современных форм организаций