Статистический пакет STATISTIKA

Statistica— пакет для всестороннего статистического анализа, разработанный компанией StatSoft.

Алгоритмы математической статистики, реализованные в пакете:

Описательная статистика Многомерная линейная и нелинейная регрессия;

Дискриминантный и кластерный анализ, деревья классификаций;

Факторный анализ;

Проверка гипотез о виде распределения;

Некоторые алгоритмы непараметрической статистики;

Прогнозирование временных рядов на основе одномерных моделей АРПСС.

Преимущества и недостатки пакета STATISTICA

Преимущества пакета STATISTICA:

• — Наибольший из всех изученных пакетов инструментарий визуализации полученных результатов;
• — Наличие руссифицированной версии;
• — В пакете представлена полная реализация алгоритмов статистической классификации;
• — Наличие возможности реализовать и использовать собственные алгоритмы (через написание макросов).
• — Алгоритмы интеллектуального анализа данных (Data Mining).

Недостатки пакета STATISTICA:

• — Применение пакета требует высокой теоретической подготовки в ТВиМС. статистический обработка данные пакет
• — Отсутствие реализации некоторых важных тестов временных рядов (в частности — тестов на стационарность).

В случае парной регрессии уравнение определяется по двум наборам данных, один из которых представляет значения зависимой переменной y, а другой — независимой переменной х. В случае множественной регрессии уравнение определяется по нескольким наборам данных, один из которых представляет значения зависимой переменной y, а другие независимыми переменными х1, х2, xm. Получение уравнения регрессии происходит в два этапа: подбор вида функции и вычисление параметров функции. Выбор функции, в большинстве случаев, производятся среди линейной, квадратичной, степенной и др. видов функций (табл. 2). К функции предъявляются следующие требования: она должна быть достаточно простой для использования ее в дальнейших вычислениях и график этой функции должен проходить вблизи экспериментальных точек так, чтобы сумма квадратов отклонений y-координаты всех экспериментальных точек от y-координат графика функции была ба минимальной (метод наименьших квадратов). Таблица 2 — Виды функций, применяемых в регрессионных моделях Парная (простая) регрессия Множественная регрессия Линейная регрессия y=ax b, y = а0 a1x1 amxm Квадратичная (параболическая) y=ax2 bx c y= а0 a1x12 am xm2 Степенная y=axb y = а0×1 a1 x2 a2 xm am Логарифмическая y=al x b, Гиперболическая y = а0 a1 (1/x1) am (1/xm) Экспоненциальная y=aebx где a, b, c — коэффициенты парной регрессии. где а0, a1, a2, am — коэффициенты множественной регрессии, — объем совокупности, m — количество факторных признаков.? Какой вид регрессионного анализа (парный или множественный) в большей степени отвечает реальным условиям?? Можно ли учесть все факторы х1, х2, xm, в случае множественной корреляции? Для количественной оценки точности построения уравнения регрессии предназначен коэффициент детерминации R2, равный квадрату коэффициента корреляции и указывающий, какой процент изменения функции у объясняется воздействием факторов хk. Чем его значение ближе к 1, тем уравнение точнее описывает исследуемую зависимость. Значимое уравнение (с R2 близким к 1) используется, как правило, для прогнозирования изучаемого явления. Прогноз — это вероятностное суждение о будущем, полученное путем использования совокупности научных методов. Например, прогнозирование финансового состояния выполняется для того, чтобы получить ответы на два вопроса: «как это может быть (какими могут стать финансовые показатели, если не будут приняты меры по их изменению)» и «как это должно быть (какими должны стать финансовые показатели фирмы для того, чтобы ее финансовое состояние обеспечивало высокий уровень конкурентоспособности)». Прогнозирование с целью получения ответа на первый вопрос принято называть исследовательским, на второй — нормативным. Существует два способа прогнозов по уравнению регрессии: в пределах экспериментальных значений (интерполяция) и за пределами (экстраполяция). Применимость всякой регрессионной модели ограничена, особенно за пределами экспериментальной области, т.к. характер зависимости может существенно измениться. Поэтому достоверность исследовательского прогноза может быть невысокой. Однако его выполнение полностью обосновано. 1.2 Статистический пакет S A IS ICA Так как статистические методы находят широкое применение во всех сферах производства, то рынок компьютерных технологий предлагает большое количество прикладных программ, которые позволяют проводить такой анализ.

Иногда это можно сделать, изменив порядок следования команд в коде, предназначенном для проведения атаки. Иногда проще организовать нападение таким образом, чтобы взламывать пакеты выборочно. Так же как антивирусным компьютерным программам нужно постоянное обновление и пополнение новыми образцами кода, этому типу системы обнаружения вторжений необходимо постоянное обновление базы данных образцов нападения. Не ясно, сможет ли когда-нибудь такая база данных не отстать в соревновании с инструментом хакера. Другим принципом работы системы обнаружения вторжений является обнаружение аномалии. IDS осуществляет некоторое статистическое моделирование вашей сети и вычисляет, что является нормой. Затем, если происходит какое-либо отклонение от нормы, она подает звуки тревоги. Здесь все может быть сделано по правилам (система знает, что нормально, и сигнализирует обо всем остальном), с использованием статистики (система статистически вычисляет, что нормально, и сигнализирует обо всем остальном) или с применением методов искусственного интеллекта.