2. нулевая гипотеза отклоняется и принимается альтернативная гипотеза
3. нулевая гипотеза принимается без ограничений
4. ни одна из гипотез не является верной
80) Коэффициент парной корреляции – это:
1. показатель степени взаимосвязи между двумя переменными
2. в корреляционной матрице - каждая пара показателей корреляции, расположенных по обе стороны диагонали матрицы
3. значение двух переменных, связанных корреляционными отношениями
81) Коэффициент корреляции Пирсона определяется только для переменных, значения которых получены в шкалах:
1. Интервалов
82) Для измерения взаимозависимости переменных, значения которых получены в шкалах интервалов, применяется:
1. Коэффициент корреляции Пирсона
83) Для измерения взаимозависимости переменных, значения которых получены в шкалах рангов, применяется:
1. Коэффициент корреляции Спирмена
84) Выражение “Между переменными х и у имеется сильная взаимосвязь, т.к. коэффициент корреляции между ними равен 0,79” является
1. Правильным только при указании на уровень статистической значимости
85) Определение коэффициента корреляции Спирмена для переменных, значения которых получены в шкалах наименований, является:
1. Недопустимым
86) Канонический корреляционный анализ – это:
3. Метод, позволяющий получить бесспорные истинные (канонические) данные о взаимосвязях между переменными
87) Основным назначением анализа главных компонент является:
1. Снижение числа исходных переменных без утраты закономерности соотношений между ними
88) Наиболее подходящим определением, раскрывающим смысл главной компоненты, является:
1. Независимая группировка переменных, внутри которой связи между переменными значительно выше, чем связи между любыми другими переменными.
|
|
89) Для анализа главных компонент исходным является:
2. Таблица экспериментальных данных
90) Основной смысл факторного анализа заключается в:
1. Выделении из всей совокупности переменных только небольшого числа латентных независимых друг от друга группировок, внутри которых переменные связаны сильнее, чем переменные, относящиеся к разным группировкам.
91) Математическим смыслом понятия “нагрузка переменной на фактор” является:
1. Коэффициент корреляции переменной с фактором
2. Значение средней арифметической величины переменной
3. Определение главной компоненты
4. Коэффициенты в корреляции переменных между собой
92) Тригонометрическим эквивалентом понятия “нагрузка переменной на фактор” является значение:
1. Косинуса угла между векторами переменной и фактора
2. Синуса угла между векторами переменной и фактора
3. Тангенса угла между векторами переменной и фактора
4. Котангенса угла между векторами переменной и фактора
93) Графическим эквивалентом понятия “нагрузка переменной на фактор” является:
1. Проекция вектора переменной на факторную ось
2. Проекция факторной оси на вектор переменной
3. Геометрическое место точек проекций векторов всех переменных на вектор фактора
94) Факторное решение исследуемого массива данных, при котором выделенные факторы в векторном представлении коррелируют между собой, считается:
1. Облической (косоугольной) структурой
|
|
2. Ортогональной (прямоугольной) структурой
3. Статистически неправильно рассчитанным результатом факторного анализа
95) Метод математического анализа данных, позволяющий одномоментно определить линейную зависи мость значений одной (зависимой) переменной (из некоторого их набора) от остальных (независимых) переменных этого набора, называется:
1. Линейным множественным регрессионным анализом
2. Линейным однофакторным регрессионным анализом
3. Линейным корреляционным анализом
4. Ковариационным анализом
96) Одним из основных назначений регрессионного анализа является:
1. предсказание значений целевой функции (зависимой переменной) исходя из значений независимых, исходных переменных путем подстановки данных в соответствующее линейное уравнение регрессии
2.определение меры снижения (регрессии) значений переменных по мере увеличения числа случаев наблюдений
3. определение значений коэффициента парной корреляции Пирсона r (regressia) в многомерных матрицах экспериментальных данных
97) Одним из основных назначений регрессионного анализа является:
1. Определение величины вклада каждой из исходных (независимых) переменных в оценку целевой функции
2.определение меры снижения (регрессии) значений переменных по мере увеличения числа случаев наблюдений
3. определение значений коэффициента парной корреляции Пирсона r (regressia) в многомерных матрицах экспериментальных данных
98) Результат линейного множественного регрессионного анализа выражается уравнением вида:
1. целевая функция y = a + b 1 X 1+ b 2 X 2+ b 3 X 3……+ b n X n
|
|
2. дискриминантные функции F 1(2,3..n)= a + b 1 X 1+ b 2 X 2+ b 3 X 3……+ b n X n
3. коэффициент регрессии Пирсона r=S(X ik– X[cр] i)*(X jk– X[cр] i)/ÖS(X ik– X[cр] i)2*S(X jk– X[cр] i) 2
99) В регрессионном анализе коэффициент множественной детерминации определяется как часть дисперсии целевой функции, определяемая исходными переменными Выражение «Значение коэффициента множественной детерминации составляет 75%» означает, что
1. 75% дисперсии целевой функции определяется исходными переменными, а 25% дисперсии падает на дисперсию ошибки оценки.
2. 75% результатов целевой функции описывается рассчитанным уравнением линейной регрессии, а оставшиеся 25% - ошибочны.
3. 75% результатов исследования правильные, а 25% результатов – ошибочны.
100) Определение "Совокупность математических методов, предназначенных для формирования относительно "далеких" друг от друга групп объектов, но "близких" между собой, по информации о расстояниях между ними" отражает сущность:
1. Кластерного анализа
2. Факторного анализа
3. Регрессионного анализа
4. Дискриминантного анализа
101) В результате применения процедур кластерного анализа определяются:
1. Группы, внутри которых объекты по свои параметрам близки (схожи) между собой, а сами группы существенно отличаются друг от друга
2. Значения одной из переменных, исходя из значений всех других представленных в наборе переменных
3. Математические правила, позволяющие достоверно относить к разным группам объекты, отличающиеся по своим параметрам.
4. Оценка степени влияния одного или нескольких факторов на распределение значений переменных
102) Процедуры кластерного анализа наиболее часто применяются для разработки:
1. Классификаций, объединяющих разрозненные объекты в новые группы
2. Правил, обеспечивающих достоверное отнесение объекта по его признакам к одной из известных групп
3. Математических моделей, позволяющих точно прогнозировать значения одного показателя из группы изучаемых переменных по значениям всех других показателей группы
103) Основное назначение дисперсионного анализа -
1. Установить значимость всех факторов, влияющих на распределение результатов эксперимента
2. Рассчитать и проанализировать значения дисперсий всех изучаемых переменных выборки
3. Соотнести величину дисперсии изучаемых переменных с критериями нормального распределения
104) Обязательным условием для проведения дисперсионного анализа является:
1. Соблюдение требования равенства состава ячеек дисперсионного комплекса
2. Наличие показателей дисперсии изучаемых переменных
3. Величина показателя дисперсия переменных в диапазоне Мср±3s
105) Виды измерительных шкал: номинативные (качественные), ранговые (порядковые), шкалы равных интервалов, шкалы равных отношений.
106) Влияние на переменную, входящую в набор других переменных из этого набора, называется линейным регрессионным анализом.
107) В номинативной шкале используют: наблюдение или частоту.
108) Данные номинативной шкалы могут быть обработаны с помощью: метода x2, биноминального критерия m и углового преобразования Фишера.
109) Графическое представление это - геометрическое место точек проекций векторов всех переменных на вектор факторов.
110) Шкалы бывают следующих видов: измерительные, психофизические, психометрические.
111) Эмпирическое распределение[8] с параметрами Мср±s=24,4±8,9; A=+1,3; E=(-)4,4 - не является нормальным по коэффициенту эксцесса.
112) Эмпирическое распределение с параметрами Мср±s=24,4±8,9; A=+2,3; E=(-)4,4 - не является нормальным по коэффициенту эксцесса.
113) Эмпирическое распределение с параметрами Мср±s=24,4±3,9; A=+1,3; E=(-)4,4 - не является нормальным по коэффициенту эксцесса.
114) Шкала номинативная это - шкала наименований, которая устанавливает эквивалентные отношения. Измерение является классификацией. Результаты характеризуют качество. Арифметические процедуры не ведутся.
115) Шкала ранговая - устанавливает 2 отношения: эквивалентности и порядка. Упорядочивание расположения Ob по мере возрастания или убывания измеряемой характеристики.
116) Шкала равных интервалов - определяет соотношения эквивалентности, порядка и равенства Sb-ых интервалов. Значения по этим шкалам можно сравнить между собой и показать, насколько одно больше или меньше другого.
117) Шкала равных отношений - вводит уравнения отношений, следов операционального деления, точка 0 на шкале значима.
118) Шкала дихотомическая позволяет: выделить 2 существенных признака Ob измерения.
119) Шкала дихотомическая ранговая - предназначена для упорядочивания Ob по критерию наличия или отсутствия точечного свойства.
120) Дисперсионный анализ ANOVA - анализ вариативности (изменчивости признаков под воздействием контрольных факторов).
121) Дисперсионный анализ ANOVA позволяет определить влияние на зависимую переменную: контролируемых переменных факторов.
122) Двухвершинный график распределения результатов наблюдается при: бимодальном распределении.
123) Прямой перевод результатов измерения по процентной шкале в значения Т-баллов Мак-Колла является: Z-преобразованием.
124) Размах (диапазон) значений группы - это Min и Max значения переменных в каждой группе.
125) Результаты измерений по шкале наименований можно: рассматривать как характеристики Ob.
126) Сериальные (бисериальные) коэффициенты: одна из переменных - в шкале наименований, другая - в ранговой или интервальной.
127) Учитывая, что необходимо выявить различие распределения признака (например, различие в агрессивности детей из благоприятных и неблагоприятных семей), необходимо использовать формулу: x2 Пирсона.
128) Для выявления меры взаимосвязи между изучаемыми переменными применяется: корреляционный анализ (двунормальное распределение).
129) Для определения процентильной нормализации производится расчет первичных статистик: неверно.
130) Для прогнозирования правомерности отнесения итогового/нового объекта к одной из известных групп аналогичных объектов применяется: дискриминантный анализ.
131) Для разбивания изучаемой совокупности объектов на группы “схожих объектов” применяется: кластерный анализ.
132) Для создания модели - описания структуры изучаемого объекта - применяется: регрессионный анализ.
133) Если в факторном анализе главные компоненты высоко коррелируют друг с другом: это не является правильным для факторного анализа.
134) В факторном анализе математическое выражение “нагрузка переменной на главную компанету” является значение: величины косинуса угла между значением главной компаненты и переменной.
135) Распределение нормальное, если выполняются условия: увеличение объема выборки, необходимо исключить крайние значения, если они являются выпадающими (артифакторами); если размах > 6 s, следует исключить Min и Max значения.
136) Задачей факторного анализа является: найти такую факторную структуру, которая отражает истинные соотношения в изучаемой совокупности переменных.
137) Закон нормального распределения отражает закономерность, при которой: по мере увеличения числа случаев наблюдений их значения все чаще стремятся к области средних значений.
138) Измерение по дихотомической шкале наименований позволяет: определить 2 ячейки классификации.
139) Измерение по классической (порядковой) дихотомической шкале позволяет: упорядочить по 2-м ранговым местам по степени выраженности признака.
140) Итоговый результат математического анализа в виде формулы вида y = a + bx1 + cx2 + dx3 получается при проведении: множественной модели регрессии.
141) Итоговый результат математического анализа в виде формулы вида y = a + bx получается при проведении: регрессионного анализа.
142) Итогом регрессионного анализа является: линейная модель (y = a + bx).
143) Средняя ошибка среднего арифметического: с одной стороны, характеризует меры центральной тенденции, с другой - меры изменчивости.
144) Коэффициент ассиметрии описывает: момент 3-го порядка генеральной совокупности. При этом если А>0 - положительная ассиметрия, если А<0 - отрицательная ассиметрия.
145) Коэффициент эксцесса описывает: момент 4-го порядка генеральной совокупности.
146) Можно ли в номинативной шкале использовать критерий Спирмена? - Нельзя.
147) Нормальное распределение часто встречается в области средних значений и редко: в области крайних.
148) Переменная, значение которой мы хотим оценить, называется: зависимой переменной.
149) Переменная, значение которой мы используем для оценки, называется: независимой переменной.
150) Переменные: это любые характеристики Ob, подлежащие измерению.
151) Примером измерения по шкале порядков является: ранжированное упорядочивание Ob.
152) Примером интервальной шкалы измерения является: каждое из возможных значений признака отстоит от другого на равном расстоянии.
153) Процедура ранжирования позволяет совершать следующие действия: сложение и вычитание.
154) Процедура измерения обязательно включает в себя триаду: измерение, символ, правило.
155) Процедура, предваряющая проведение факторного анализа: анализ главных компанент.
156) Если коэффициент корреляции будет = 0, 75, то эту связь можно назвать сильной: да, при указании на уровень значимости.
157) Площадь под кривой, ограниченной Хср ± s = 68,4 %, Хср ± 2s = 95,7 %, Хср ± 1,96 s = 95 %, Хср ± 3 s = 99,9 %.
158) Математическая сущность факторного анализа основана на: определение латентных переменных, переменных вращения (ротации), max нагрузки на ось сведения к 0.
159) Математический смысл нормального значения коэффициента корреляции, равного 1: есть значение единичного вектора.
160) Критерий X2 отвечает на вопрос: с одинаковой ли частотой встречаются равные значения признака в эмпирическом и теоретическом распределениях.
161) Когда распределение значений по X и Y имеет характер нормального распределения графически это изображается: в форме “некой шляпочки”.
[1] Мср - ¼ s
[2] Мср + ¼ s
[3] Мср - ½ s
[4] Мср + ½ s
[5] Z - показатель = Мi - Мср/s
[6] 1 Т-балл = ½ IQ
[7] 1 стен = 8 Т-баллов
[8] Нормальное распределение: -3<А<3, -4<E<4.