Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Podobne dokumenty
STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

qwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasd fghjklzxcvbnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjklzxcvbnmq

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Ekonometria Mirosław Wójciak

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Estymacja przedziałowa

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA OPISOWA WYKŁAD 1 i 2

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych

ZADANIA NA ĆWICZENIA 3 I 4

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

ANALIZA KORELACJI IREGRESJILINIOWEJ

Statystyczny opis danych - parametry

Ocena dopasowania modelu do danych empirycznych

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)

POLITECHNIKA OPOLSKA

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

Uwarunkowania rozwojowe województw w Polsce analiza statystyczno-ekonometryczna

2.1. Studium przypadku 1

METODY NUMERYCZNE dr inż. Mirosław Dziewoński

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Elementy modelowania matematycznego

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Statystyka Wzory I. Analiza struktury

Statystyka matematyczna. Wykład II. Estymacja punktowa

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem

BADANIA DOCHODU I RYZYKA INWESTYCJI

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

Lista 6. Estymacja punktowa

Histogram: Dystrybuanta:

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Porównanie dwu populacji

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTYKA MATEMATYCZNA

Estymacja parametrów populacji

Wprowadzenie do laboratorium 1

16 Przedziały ufności

Statystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15

INWESTYCJE MATERIALNE

Statystyka opisowa - dodatek

Identyfikacja i modelowanie struktur i procesów biologicznych

L.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3

Analiza dynamiki zjawisk STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 28 września 2018

Klasyfikacja inwestycji materialnych ze względu na ich cel:

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

STATYSTYKA MATEMATYCZNA

POLITECHNIKA ŚLĄSKA, WYDZIAŁ ELEKTRYCZNY, INSTYTUT ELEKTROTECHNIKI I INFORMATYKI. Wykresy w Excelu TOMASZ ADRIKOWSKI GLIWICE,

Opracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

3. Modele tendencji czasowej w prognozowaniu

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

Estymacja punktowa i przedziałowa

Zeszyty naukowe nr 9

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

2. Schemat ideowy układu pomiarowego

KADD Metoda najmniejszych kwadratów

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ekonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Estymacja przedziałowa:

θx θ 1, dla 0 < x < 1, 0, poza tym,

Statystyka matematyczna dla leśników

Statystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30

Sprawozdanie z laboratorium proekologicznych źródeł energii

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,

METODYKA WYKONYWANIA POMIARÓW ORAZ OCENA NIEPEWNOŚCI I BŁĘDÓW POMIARU

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Prawdopodobieństwo i statystyka r.

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

Analiza współzależności zjawisk

SKUTKI ZAWODNOŚCI TRANSFORMATORÓW ROZDZIELCZYCH W SPÓŁCE DYSTRYBUCYJNEJ

INFORMATYKA W CHEMII Dr Piotr Szczepański

Transkrypt:

STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017

1

Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej z dokładościa do składika losowego. Zmiea czasowa t jest to zmiea, której realizacje będace kolejymi liczbami całkowitymi, sa przyporzadkowae poszczególym jedostkom czasowym według zasady astępstwa czasowego. Najczęściej sa to liczby aturale t = 1,2,...,, gdzie liczba obserwacji w szeregu czasowym.

kostrukcja formala, za pomoca której przedstawia się przebieg badaego zjawiska w czasie. Zapis formaly ma postać: Y t = f (t) + U t, t = 1,2,...,, gdzie f (t) fukcja tredu, U t składik losowy. Składik losowy charakteryzuje efekty oddziaływaia a badae zjawisko wahań przypadkowych. Zakłada się przy tym, że jego wartość oczekiwaa wyosi 0, atomiast wariacja jest skończoa.

Podstawowym problemem w metodzie aalityczej jest określeie postaci aalityczej fukcji f (t). Przy jej wyborze kierujemy się zazwyczaj astępujacymi przesłakami: wybraa fukcja powia być prosta aalityczie; parametry strukturale fukcji powiy być iterpretowale; ależy wybierać fukcje, których parametry moża estymować klasycza metoda ajmiejszych kwadratów; wybraa fukcja powia być zgoda z empiryczymi wyikami badań.

Powyższe przesłaki powoduja, że w praktyce ajczęściej wykorzystywaymi fukcjami sa: fukcja liiowa: Y t = α 0 + α 1 t; fukcja parabolicza: Y t = α 0 + α 1 t + α 2 t 2 ; fukcja potęgowa: Y t = α 0 t α 1; fukcja wykładicza: Y t = α 0 α t 1 ; fukcja hiperbolicza: Y t = α 0 + α 1 1 fukcja logistycza: Y t = α 1+βe rt. t ;

Wszystkie wymieioe fukcje moża sprowadzić, po dokoaiu pewych trasformacji, do postaci liiowej, dlatego skupimy się a estymacji liiowej fukcji tredu. Załóżmy więc, że fukcja tredu ma postać: y t = α 0 + α 1 t + u t, gdzie: y t poziom badaego zjawiska w jedostce czasu t; t zmiea czasowa (t = 1,2,...,); u t realizacje składika losowego; α 0,α 1 parametry liiowej fukcji tredu.

Parametr α 1 określa, jaki jest przecięty okresowy przyrost badaej zmieej Y w aalizowaym przedziale czasowym, zaś parametr α 0 wskazuje a teoretyczy poziom tej zmieej w tym okresie, dla którego t = 0. Parametry α 1 i α 0 szacuje się stosujac klasycza metodę ajmiejszych kwadratów, otrzymujac ich ocey w postaci: a 1 = y ti t i y t i=1, a 0 = y a 1 t, ti 2 t 2 i=1

gdzie: y średia arytmetycza zmieej Y w przedziale czasowym [1,]; t średia arytmetycza zmieej czasowej, y ti realizacje zmieej Y w okresie t i (i = 1,2,...,). Po oszacowaiu parametrów strukturalych fukcji tredu koiecza jest ocea jej jakości. Ocea ta dokoywaa jest w oparciu o pewe kryteria.

KRYTERIUM BŁEDU LOSOWEGO Obliczamy dwie wartości: odchyleie stadardowe składika losowego (resztowego) (Y t Ŷt) 2 S u =, k gdzie: Y t wartości empirycze zmieej (t = 1,2,...,), Ŷ t wartości teoretycze (wartości tredu) zmieej objaśiaej, k liczba szacowaych parametrów tredu (czyli k = 2 dla fukcji liiowej). Parametr te mówi, jaki - przeciętie biorac - bład popełiamy szacujac poziom badaego zjawiska a podstawie fukcji tredu.

współczyik zmieości losowej V u = S u Y 100%, gdzie Y średia arytmetycza zmieej objaśiaej. Miara ta określa, jaki procet średiego poziomu badaego zjawiska staowi odchyleie stadardowe składika resztowego. Z reguły przyjmuje się, że jeżeli V u (10 15)%, to bł ad losowy modelu tredu moża uzać za relatywie mały i w kosekwecji oceić model za dopuszczaly z puktu widzeia tego kryterium.

KRYTERIUM DOKŁADNOŚCI OPISU BADANEGO ZJAWISKA Obliczamy dwie wartości: współczyik zgodości: φ 2 = (Y t Ŷt) 2 = ϕ 2. (Y t Y ) 2 Mierik te przyjmuje wartości z przedziału [0, 1] i określa, jaka część badaego zjawiska ie opisuje wybraa fukcja tredu. Im współczyik zgodości jest bliższy 0, tym dokładość opisu tredu przez zastosowaa fukcję jest lepsza.

współczyik determiacji: R 2 = 1 φ 2 = 1 ϕ 2. Miara ta rówież przyjmuje wartości z przedziału [0, 1] i określa, jaka część zmieości badaego zjawiska jest wyjaśioa przez fukcję tredu. Jeśli R 2 1, tym model tredu jest lepszy. Umowie przyjmuje się, że jeśli φ 2 20%, to model tredu jest dopuszczaly z puktu widzeia tego kryterium. Warto jedak zazaczyć, że o przyjętej ormie graiczej decyduje podmiot badajacy.

KRYTERIUM PRECYZJI SZACUNKU PARAMETRÓW MODELU TRENDU W tym celu oblicza się błędy średie szacuku oce parametrów fukcji tredu, a astępie porówuje się je z tymi oceami. Jeśli otrzymaa relacja (umowie biorac) jest większa od 2, to moża uzać, że day parametr fukcji tredu został oszacoway precyzyjie. Jeśli fukcja tredu jest liiowa, to błędy średie szacuku oce parametrów dae sa wzorami: S u S u D(a 1 ) = =, (t t) 2 t 2 t 2

S 2 u t 2 D(a 0 ) = = (t t) 2 S 2 u t 2 ( t 2 t 2 ) Ocey parametrów tredu liiowego uzamy za precyzyje, jeśli: t 1 = a 1 D(a 1 ) > 2, t 2 = a 0 D(a 0 ) > 2. Oszacowaa fukcję tredu moża astępie wykorzystać do sporzadzeia progozy. Progozę zmieej Y a okres T otrzymuje się przez ekstrapolację fukcji tredu, czyli przez podstawieie do modelu w miejsce zmieej czasowej t jej realizacji właściwej dla okresu progozowaego T..

Załóżmy, że realizacja ta wyosi t T. Wtedy y P t T = f (t T ), t T >, czyli w przypadku liiowej fukcji tredu: y P T = a 0 + a 1 t T. Tak skostruowaa progoza jest progoza puktowa. Ocea jej jakości dokoywaa jest przez obliczeie średiego błędu progozy ex ate według wzoru: D(yT P ) = S u 1 + 1 + (t T t) 2 t 2 t 2 oraz względego błędu progozy ex ate według wzoru: V P = D(y P T ) y P T 100%.

Z reguły przyjmuje się, że jeżeli: V P 5% to progoza jest wysoce precyzyja, 5% < V P 10% to progoza jest dostateczie precyzyja, V P > 10% to progoza ma iedostatecza precyzję. Należy jedak wyraźie podkreślić, że o tym, czy progozę przyjać, czy też odrzucić decyduje jej odbiorca. Przykład.