Cтраница 1
Многомерные средние, приведенные в последней графе табл. 6.8, обобщают четыре признака. При этом значимость признаков для оценки предприятия полагается одинаковой, что, конечно, спорно. [1]
В условиях нулевой гипотезы о равенстве многомерных средних в двух объектах статистика 2 / асимптотически распределена по закону Пирсона х2 с т степенями свободы. В работах [28, 39] даны более точные распределения статистики 2 / критерия Джеймса-Сю в условиях нулевой гипотезы. [2]
В большинстве случаев под 6Х и 62 понимаются многомерные средние, но не исключено и рассмотрение ковариационных матриц или же многомерных средних и ковариационных матриц совместно. [3]
Простейшим вариантом многомерной классификации является группировка на основе многомерных средних. [4]
Критерий Пури - Сена - Тамуры применяется для проверки гипотез о равенстве многомерных средних в двух объектах. Этот ранговый критерий устойчив относительно нарушения условия предполагаемой нормальности ( и даже унимодальности) распределения изучаемых случайных величин, а также относительно наличия в сопоставляемых выборках аномальных наблюдений. [5]
Процедура полностью аналогична пунктам 3 - 6 алгоритма вычисления статистики Пури-Сена - Тамуры для проверки гипотезы о равенстве многомерных средних. [6]
Поэтому, если окажется 2 / Ха т, то для заданного уровня значимости а принимается нулевая гипотеза о равенстве многомерных средних как подтвердившаяся. В противном случае, если 2 / Ха, т - то нулевая гипотеза должна быть отклонена как противоречащая эмпирическим данным и приняты альтернативные гипотезы о существенности различий в многомерных средних сравниваемых двух объектов. [7]
Поэтому, если окажется 2 / Ха т, то для заданного уровня значимости а принимается нулевая гипотеза о равенстве многомерных средних как подтвердившаяся. В противном случае, если 2 / Ха, т - то нулевая гипотеза должна быть отклонена как противоречащая эмпирическим данным и приняты альтернативные гипотезы о существенности различий в многомерных средних сравниваемых двух объектов. [8]
Есть два основных способа начать итеративный процесс: определить начальные точки или подобрать подходящее начальное разбиение. Когда используются начальные точки, то при первом просмотре точки данных приписываются к ближайшим центрам тяжести кластеров. Задание начального разбиения требует детального распределения данных по кластерам. В этой процедуре центр тяжести каждого кластера определяется как многомерное среднее объектов кластера. [9]