Методы обработки информации

Введение 

      В настоящее время во внутренних войсках МВД России стоит проблема в отсутствии образовательного уровня офицерских кадров по вопросам военно-социального управления. Причин сложившегося положения дел много, но главная причина состоит в том, что существовавшая система  управления образованием сломана, а новая, более эффективная система еще не создана. Необходимость и потребность в стройной системе управления и воспитания в период реформирования внутренних войск МВД России ощущается сейчас особенно остро.

      Обострившиеся объективные и субъективные противоречия в содержании, организации, методах  управления и воспитательной работы с военнослужащими привели к тому, что в ряде воинских частей они не соответствуют  характеру решаемых задач, отстают от потребностей боевой подготовки. Заметно упал духовный, нравственный потенциал военнослужащих, что проявляется в различного рода нарушениях. Решение указанных проблем непосредственно связано с развитием системы военно-социального управления в воинских частях (соединениях).

      У многих офицеров проходящих сейчас службу в специальных моторизованных воинских частях внутренних войск МВД России слабо развиты знания и навыки военно-социального управления, что не позволяет им эффективно руководить. У большинства из них недостаточно развита и управленческая структура. Всё это приводит к тому, что актуальный для специальных моторизованных воинских частей ВВ МВД РФ количественный и качественный учёт показателей патрульно-постовой службы в состоянии вести лишь единицы, хотя на практике ежедневно сталкиваются с необходимостью применения методов статистического анализа военно-социальной информации.  
 
 
 

Глава 1. Статистика и этапы анализа информации 

      Для более конкретного представления  совокупности методов статистики, необходимо изучить их структуру и основные понятия.

      В сегодняшней практике анализа социальной информации наиболее широко применяются  методы математической статистики.

      Статистика – самостоятельная наука, изучающая количественную сторону массовых общественных явлений в нераздельной связи с их качественной стороной.

      Математическая  статистика является по отношению к  статистике разработчиком и поставщиком используемого математического аппарата. Она занимается математическим описанием случайных явлений, построением и проверкой пригодности их моделей.

      1 ЭТАП - выбор и обоснование метода математико-статистической обработки.

1. Первый уровень представляет собой частотный анализ, предназначенный для агрегирования (статистического обобщения) исходной информации.
2. Второй уровень включает анализ преимущественно количественной информации, для реализации которого используются традиционные процедуры математической статистики, науки, изучающей количественную сторону массовых общественных явлений в нераздельной связи с их качественной стороной.
3. Определение параметров положения данных (мер центральной тенденции и изменчивости, мер связи и статистического вывода).
4. Третий уровень – процедуры анализа преимущественно качественной информации (использование отдельных процедур статистики объектов нечисловой природы), а также ряда других математических процедур.
5. Четвертый уровень представлен различными методами прикладного статистического анализа.

2 ЭТАП - подготовка исходных данных к обработке.

      Он  включает кодирование информации, контроль и выбраковку случайных ошибок, выявление систематических ошибок, заведение информации в электронную форму.

      3 ЭТАП - первичная обработка данных исследования.

      Полученные  данные называются выборкой.

      Первый  этап обработки выборки – это  составление вариационного ряда (расположение чисел в порядке возрастания или убывания). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

    Глава 2. Методы обработки  информации 

      Наиболее  простым из известных математических методов первичной обработки является подсчет накопленных абсолютных величин шкальных значений, или метод простой группировки данных. Его сущность заключается в суммировании данных по определенным позициям (суммировании случаев проявления некоторого признака). Однако абсолютные величины неудобны, например, для сравнения с данными других подобных исследований.

      Для этого абсолютные величины переводятся  в относительные. Основные применяемые при этом методы – расчет частостей и вычисление процентных отношений (процентирование).

      Частость (относительная частота) – отношение частоты признака к общему количеству наблюдений.

                                     n

                                f=---

                                     N

      Процентное  отношение – исчисление относительной  частоты в виде процентов:

                                      n

                             f % = --- *100%

                                       N

      Метод простой группировки широко используется, например, для обработки анкет.

      В процессе анализа социальной информации часто приходится иметь дело с большими массивами статистических данных. С целью облегчения работы часто прибегают к уплотнению массивов статистической информации.

      Для свертки материала наряду с другими  статистиками широко используются меры центральной тенденции и изменчивости – различные характеристики центрального положения совокупности (Мо, Ме, Мср). Все они тесно связаны со шкалами.   

    Меры  центральной тенденции

      1. Мода (Мо) – это наиболее вероятное значение в исследуемом объеме данных. Если значения признака разбиты на некоторые классы, то мода соответствует классу с максимальной частотой. Этот класс называется модальным. В одном ряду данных мода может быть рассчитана для любых типов шкал.

      Например: наиболее часто встречающиеся  оценки являются модальным классом.

      2. Медиана (Ме) – количественный показатель, характеризующий значение признака на упорядоченной (построенной по принципу возрастания или убывания величины) шкале измерений, которое соответствует середине исследуемой выборочной совокупности.

      Ме  – точнее отражает типичный уровень  признака в неоднородной совокупности, чем средняя величина.

      Пример: Если значение признака составляет 114, 119, 127, 129, 140, 148, 296 – Ме =129, а Мср=1073 : 7=157,3 (Шесть  значений признака из семи меньше Мср, значит, она плохо отражает типичный размер признака).       

      3. Среднее арифметическое ( или ) – величина, характеризующая среднее значение признака по каждой из групп с учетом их численности.

      Примечание: Не следует применять , когда в совокупности исходные данные имеют значительный разброс по величине.

      Среднее арифметическое равно сумме отдельных  значений, поделенной на их количество.  

      Вычисляется по формуле:

      В Excel эта функция  обозначается СРЗНАЧ.

      Другие  виды арифметических средних: взвешенная, квадратическая, геометрическая, гармоническая, степенная.

    Пример  со средним баллом 2 и 5:

               средняя гармоническая

               а средняя кубическая  

    Применение  Мо, Ме, Мср для  различных шкал: 

 

     Меры  изменчивости 

     С их помощью можно оценить вариации значений внутри совокупности. К мерам изменчивости относятся меры рассеивания, асимметрии и эксцесса.

     Рассмотрим  некоторые меры рассеивания.

     1) Простейшей мерой рассеивания является размах вариации. Размахом вариации называют амплитуды колебаний, определяемую как разность между максимальным и минимальным значением признака. Если обозначить максимальное значение Х мах, а минимальное Х min, то размах вариации R = X max – X min

     Эта мера применима для информации, измеренной в шкалах порядка, интервалов и отношений.

     Например: В подразделениях анализировалась  дисциплинарная практика. В частности, выяснялось, как часто в среднем накладываются командиров (по 6 человек из каждой мотострелковой и танковой роты). Было установлено, что за летний период обучения число поощрений колебалось от 3 до 11. В этом случае размах вариации R = X max – X min = 11 – 3 = 8.

       Следует иметь в виду, что размах  вариации определяется лишь двумя  крайними значениями признака, поэтому размах вариации в некоторых случаях может быть нетипичным для данного ряда. 

     2) Более чувствительной мерой рассеивания, но только для информации, измеренной в шкалах интервалов и отношений, выступают дисперсия (D) и среднее квадратическое отклонение (δ). сигма

      Дисперсией называется средний квадрат отклонений индивидуальных значений признака от их средней величины. Дисперсия вычисляется по формуле: 

                                    _{D = =}        

  где:   

( - ) – величина отклонения случайного значения от центра рассеивания;

n – число возможных значений случайной величины.

      Дисперсия показывает рассеяние  данных вокруг среднего значения. В Excel эта  статистическая функция обозначается ДИСПР.

      3) На практике при расчетах иногда пользуются формулой среднеквадратического отклонения d .

      Среднее квадратическое отклонение соответственно равно корню квадратному из дисперсии: 

                          =

    Геометрически является показателем того, насколько в среднем кривая распределения размыта относительно ее среднего арифметического. Измеряется в тех же единицах, что и изучаемый признак.

    В Excel эта функция обозначается СТАНДОТКЛОНП, в англоязычных программах обозначается standart deviation, s.d., s.