vault backup: 2026-05-02 22:55:21

01 Library/03 Math/Статистика/Временные ряды/Автокорреляционная функция (АКФ).md

@@ -28,4 +28,9 @@ $q$ - коэффициент для скользящего среднего
 
 Оценка коэффициента автокорреляции порядка $k$ - выборочный коэффициент автокорреляции порядка $k$.
 
-Выборочная АКФ (ВАКФ): $r_k = r(x_t, x_{t-k}) = \frac{\overline{x_t*x_{t-k}}-\overline{x_t*x_{t-k}}}{\sqrt{D(x_t)*D(x_{t-k})}}$. График ВАКФ называется **коррелограммой**.
+Выборочная АКФ (ВАКФ): $r_k = r(x_t, x_{t-k}) = \frac{\overline{x_t*x_{t-k}}-\overline{x_t*x_{t-k}}}{\sqrt{D(x_t)*D(x_{t-k})}}$. График ВАКФ называется **коррелограммой**.
+
+## Связанные заметки
+- [[Частная автокорреляционная функция]] — ЧАКФ дополняет АКФ, очищая связь от влияния промежуточных лагов
+- [[Автокорреляционная (ACF) и частная автокорреляционная (PACF) функции]] — объединённое изложение обеих функций
+- [[Определение порядков АР и СС]] — АКФ и ЧАКФ применяются для определения порядков моделей AR/MA

01 Library/03 Math/Статистика/Временные ряды/Скользящее среднее MA.md

@@ -16,7 +16,7 @@ title: Скользящее Среднее Порядка $q$
 
 $MA(q): x_{t}=\epsilon_{t}+\beta_{1}*\epsilon_{t-1}+\beta_{2}*\epsilon_{t-2}+\dots+\beta_{q}*\epsilon_{t-q}$
 
-Запись с использованием [[Смешанные модели (ARMA) и лаговый оператор|лагового оператора]]:
+Запись с использованием [[Лаговый оператор|лагового оператора]]:
 $$MA(q): L^{0}\epsilon_{t}+\beta_{1}*L\epsilon_{t}+\beta_{2}*L^{2}\epsilon_{t}+\dots+\beta_{q}*\epsilon_{t-q}=$$
 $$= \underbrace{(L^0 +\beta_{1}L + \beta_{2}L^{2}+\dots+\beta_{q}L^{q})}_{\text{Операторный полином}}\epsilon_{t}=\beta_{q}(L)\epsilon_{t}$$
 ## $MA(I)$ - Процесс СС 1-го Порядка

01 Library/03 Math/Статистика/Временные ряды/Частная автокорреляционная функция.md

@@ -16,3 +16,8 @@ created: 2026-02-13
 С помощью ЧАКФ измеряется корреляция между уровнями ряда $x_t\ и\ x_{t-k}$, разделенными $k$ временными моментами, при исключении влияния на эту взаимосвязь всех промежуточных уровней ряда  $x_{t-1},\dots,x_{t-k-1}$
 
 Заметим, что $\rho_1^ч = \rho_1$ (т.е. ЧАКФ первого порядка равна АКФ первого порядка)
+
+## Связанные заметки
+- [[Автокорреляционная функция (АКФ)]] — базовая автокорреляция; ЧАКФ отличается «очисткой» от промежуточных лагов
+- [[Автокорреляционная (ACF) и частная автокорреляционная (PACF) функции]] — объединённое изложение
+- [[Определение порядков АР и СС]] — ЧАКФ используется для определения порядка AR

01 Library/03 Math/Статистика/Кластерный анализ/Агломеративные (иерархические) методы.md

@@ -42,3 +42,9 @@ title: Агломеративные (иерархические) Методы
 7) **<u>Метод Уорда</u>**
    Использует методы дисперсионного анализа для оценки расстояний между кластерами. Метод минимизирует сумму квадратов $(SS)$ для любых двух кластеров, которые могут быть сформированы на каждом шаге. 
    *Метод эффективен, но стремиться к кластерам малого размера.*
+
+## Связанные заметки
+- [[Постановка задачи Кластерного анализа]] — формальная постановка задачи разбиения
+- [[Расстояние между классами объектов]] — метрики, используемые в шаге объединения классов
+- [[Дивизимные методы]] — противоположный подход: от одного класса к N
+- [[Критерии определения оптимального числа классов]] — как выбрать порог остановки алгоритма

01 Library/03 Math/Статистика/Кластерный анализ/Дивизимные методы.md

@@ -18,3 +18,8 @@ title: Дивизимные Методы
 
 Преимущество дивизимных методов заключается в том, что все расчеты осуществляются на основе исходной **матрицы расстояний**, не нуждающейся в постоянном пересчете.
 
+## Связанные заметки
+- [[Постановка задачи Кластерного анализа]] — формальная постановка задачи разбиения
+- [[Агломеративные (иерархические) методы]] — противоположный подход: от N классов к одному
+- [[Расстояние между классами объектов]] — матрица расстояний, на которой работает алгоритм
+

01 Library/03 Math/Статистика/Кластерный анализ/Постановка задачи Кластерного анализа.md

@@ -21,3 +21,11 @@ title: Постановка Задачи Кластерного Анализа
    \end{pmatrix}$$
    на сравнительно небольшое число (не обязательно известное заранее) **однородных групп/классов**.
 
+## Методы решения
+- [[Агломеративные (иерархические) методы]] — объединяем объекты снизу вверх
+- [[Дивизимные методы]] — делим одну группу сверху вниз
+- [[Итерационная классификация. Метод K-средних (K-means)]] — итеративный метод с заранее заданным K
+- [[Расстояние между объектами]] — метрики близости между объектами
+- [[Расстояние между классами объектов]] — метрики близости между кластерами
+- [[Критерии определения оптимального числа классов]] — как выбрать K
+