Статистика - готовые работы

fig
fig
Определим валовой производственный оборот, выделив внутризаводской оборот
ВО=1200+1200+1600+70=4070 тыс.руб.
ВЗО=800+60+1600+70=2530 тыс.руб.
Определим валовую продукцию
1) ВНП=800+1600+150=2550 тыс.руб.
ВП=ВО-ВНП=4070-2550=1520 тыс.руб.
2) ТП=ВО-ВЗО=4700-2530=1540 тыс.руб. (товарная продукция)
ВП=ТП+Ок-Он=1540+130-150=1520 тыс.руб.
РП=340+1200+70=1610 тыс.руб. (реализованная продукция)
ВВЕДЕНИЕ.
Гипотеза – одна из важных факторов движения науки к достижению прогресса. Возникает как результат наблюдения за явлениями (фактами), гипотеза принимает форму теоретического предположения. Обращение к фактам допускает возможность проверки этого предположения. При этом факты, которыми проверяется гипотеза, должны быть научно обоснованными, т.е. представляют собой результат наблюдения, что базируется на научных принципах.
Задача проверки статистических гипотез возникает в разных сферах человеческой деятельности, а особенно в экономике. При сравнении и оценке разных явлений в последствии возникшего элемента вероятности – это решается с помощью математической статистики. Как правило, в распоряжении исследователей есть выборочные данные. За статистическим анализом выборки делают полный вывод о объекте исследования путем вычисления статистический оценок (точечных, интервальных). Но если при оценивании находят найлучшую статистическую оценку параметра или характера распределения выходной совокупности, то задание проверки статистических гипотез лежит в том что принимает ли оценку в роли значения исследуемая функция распределения или параметр.
В данной работе рассмотрим основные понятия статистической гипотезы и ее статистическую проверку
Вариация – это колеблимость значений признака у отдельных единиц совокупности.
Наличию вариации обязана своим появлением статистика. Большинство статистических закономерностей проявляется через вариацию. Изучая вариацию значений признака в сочетании с его частотными характеристиками, мы обнаруживаем закономерности распределения (например: население по возрасту, студентов по уровню оценок).
Рассматривая вариацию одного признака параллельно с изменением другого, мы обнаруживаем взаимосвязи между этими признаками или их отсутствие (например: зависимость между торговой площадью и товарооборотом).
Вариации в статистике проявляются двояко, либо через изменения значений признака у отдельных единиц совокупности, либо через наличие или отсутствие изучаемого признака у отдельных единиц совокупности.
Изучение вариации в статистике имеет как самостоятельную цель, так и является промежуточным этапом более сложных статистических исследований.
Измерители вариации.
Ряд динамики или временной ряд – это последовательность чисел, характеризующих развитие явления во времени.
Ряд динамики – это совокупность двух взаимосвязанных элементов:
• Уровни ряда;
• Показатели времени, к которым они относятся.
Уровень ряда – количественная оценка изучаемого явления (абсолютные, относительные, средние величины). В зависимости от показателя времени выделяют:
• Моментные;
• Интервальные ряды динамики.
Моментные динамические ряды характеризуют уровень явления по состоянию на определенный момент времени. Уровни моментных динамических рядов не следует суммировать, так как каждый последующих уровень условно или фактически включает в себя предыдущий.
Интервальные динамические ряды отражают масштабы явления за определенные периоды времени (дни, пятидневки, декады, месяцы, кварталы и т.д.) - товарооборот, издержки, доходы и т.д. Показатели интервального ряда можно суммировать. Такая операция называется укрупнением временных интервалов.
Разновидностью интервальных рядов являются ряды динамики с нарастающими итогами. Они применяются для оценки хода выполнения запланированных показателей и текущего, сравнение результатов деятельности разных хозяйственных субъектов. Каждый уровень такого ряда – это сумма значений анализируемого показателя за все предшествующие периоды его регистрации.
Статистическое исследование временных рядов предусматривает:
1) Измерение интенсивности развития временного ряда;
2) Определение общей тенденции изменений явлений во времени;
3) Анализ причинно-следственной зависимости в рядах динамики;
4) Исследование периодических (циклических и сезонных) колебаний;
5) Прогнозирование развития динамических рядов.
Определяем индекс общего стоимостного объема товарооборота:


Определяем индекс физического объема:


Определяем индекс цен:


За счет двух факторов физического объема продукции и цены. Определяется индекс общего стоимостного объема товарооборота.
Разница между числителем и знаменателем характеризует абсолютный прирост стоимости продукции за сентябрь и август.
тыс.руб.
Абсолютный прирост стоимостного объема реализованной продукции, в следствии увеличения физического объема продукции составляет:
тыс.руб.
Абсолютный прирост стоимостного объема реализованной продукции в следствии изменения цены составляет:
тыс.руб.
Индексы показывают, что стоимостный объем реализованной продукции в апреле месяце сравнительно с сентябрем увеличились на 24.24% в том числе в результате увеличения физического объема продукции на 3.6% с увеличением цены реализации 19.97%.
Для вычисления построим вариационный ряд. При построении вариационного ряда с равными интервалами определяют его число групп ( ) и величину интервала ( ). Оптимальное число групп может быть определено по формуле Стерджесса:
,
где - число единиц совокупности.
тогда
Величина равного интервала рассчитывается по формуле:

где – число выделенных интервалов.
Определяем длину интервала:




Строим групповую таблицу распределение предприятий по стоимости основных производственных фондов:
Статистическая группировка в зависимости от решаемых задач подразделяются на типологические, структурные аналитические. Статистическая группировка позволяет дать характеристику размеров, структуры и взаимосвязи изучаемых явлений, выявить их закономерности.
Важным направлением в статистической сводке является построение рядов распределения, одно из назначений которых состоит в изучении структуры исследуемой совокупности, характера и закономерности распределения.
Ряд распределения – это простейшая группировка, представляющая собой распределение численности единиц совокупности по значению какого-либо признака.
Ряды распределения, в основе которых лежит качественный признак, называют атрибутивным. Если ряд построен по количественному признаку, его называют вариационным.
Дискретный ряд распределения страховых организаций по числу страховых случаев представлен в таблице 2.1.
При практическом проведении регрессионного анализа при помощи метода МНК следует обратить серьезное внимание на проблемы, связанные с выполнимостью свойств случайных отклонений моделей. Свойства оценок коэффициентов регрессии напрямую зависят от свойств случайного члена в уравнении регрессии. Для получения качественных оценок необходимо следить за выполнимостью предпосылок МНК, так как при их нарушении МНК может давать оценки с плохими статистическими свойствами. Одной из ключевых предпосылок МНК является условие постоянства дисперсий случайных отклонений. Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений), невыполнимость данной предпосылки называется гетероскедастичностью (непостоянством дисперсии отклонений).
Случайные отклонения принимают произвольные значения некоторых вероятностных распределений. Но, несмотря на то что при каждом конкретном наблюдении случайное отклонение может быть большим либо меньшим, положительным либо отрицательным, не должно быть причины, вызывающей большие отклонения при одних наблюдениях и меньшие при других.
На рисунке 1.1 приведены два примера линейной регрессии – зависимости потребления от дохода : .
В обоих случаях с ростом дохода растет среднее значение потребления. Но на рисунке 1.1, а дисперсия остается одной и той же для различных уровней дохода, а на рисунке 1.1, б дисперсия потребления не остается постоянной, а увеличивается с ростом дохода. Фактически это означает, что во втором случае субъекты с большим доходом в среднем потребляют больше, чем субъекты с меньшим доходом, и, кроме того, разброс в их потреблении более существенен для большего уровня дохода. Люди с большим доходом имеют больший простор для его распределения. Реалистичность данной ситуации не вызывает сомнений.

Рис. 1.1
Гетероскедастичность приводит к тому, что выводы, полученные на основе - и -статистик, а также интервальные оценки будут ненадежными.
Обнаружение гетероскедастичности
Обнаружение гетероскедастичности является довольно сложной задачей. В настоящее время существует ряд методов, позволяющих определить наличие гетероскедастичности.
1. Графический анализ остатков
В этом случае по оси абсцисс откладываются значения объясняющей переменной , а по оси ординат либо отклонения , либо их квадраты . Примеры таких графиков представлены на рисунке 1.2.
На рисунке 1.2, а все отклонения находятся внутри полуполосы постоянной ширины, параллельной оси абсцисс. Это говорит о независимости дисперсий от значений переменной и их постоянстве, т.е. в этом случае выполняются условия гомоскедастичности.
На рисунках 1.2, б  12, д наблюдаются некоторые систематические изменения в соотношениях между и . Рисунок 1.2, б соответствует примеру из главы 1.1. Рисунок (в) отражает линейную, рисунок 1.2, г – квадратичную, рисунок 1.2, д – гиперболическую зависимости между квадратами отклонений и значениями объясняющей переменной . Другими словами, ситуации 1.2, б  1.2, д отражают большую вероятность наличия гетероскедастичности для рассматриваемых
1. Строим поле корреляции:

Рис.1.1. Поле корреляции
Анализируя полученное поле корреляции (рис.1.1.), можно сказать, что характер расположение точек свидетельствует о наличии положительной корреляции между индексом человеческого развития и ожидаемой продолжительности жизни
2. Коэффициенты и эмпирического уравнения линейной регрессии могут быть оценены исходя из условий минимизации одной из следующих сумм:
1. , однако эта сумма не может быть мерой качества найденных оценок в силу того, что существует бесчисленное количество прямых, для которых .
2. . Этот метод называется методом наименьшей суммы.
3. . Это самый распростаренный и теоретически обоснованный метод, который получил название метода наименьших квадратов (МНК). Кроме того, он является наиболее простым с вычислительной точки зрения.
Найдем оценки и , используя метод наименьших квадратов. При этом минимизируется следующая функция:
.
Эта функция является квадратичной функцией двух параметров и . Условием существования минимума функции двух переменных является равенство нулю ее частных производных:

Разделив оба уравнения системы на n, получим:
,
где
Из формул статистики очевидно, что:

Тогда
где – выборочный коэффициент корреляции, – стандартные отклонения.
Данные и расчеты представлены в таблице 1.1.:
Заключение
Настоящая курсовая работа посвящена рассмотрению комбинированной модели AR(1)/ARCH(1), оценке одного из ее параметров и построению на основе этих оценок адаптивных оптимальных одношаговых прогнозов.
Численное моделирование алгоритма показало, что прогнозы, строящиеся с помощью рассматриваемой нами модели «качественные» в смысле критерия (2).
Приложение 1. График реализации модели
Покажем график компьютерной реализации последовательности X=(Xn) , подчиняющейся модели AR(1)/ARCH(1) с параметрами , , , , .


Приложение 2. Текст программы


Приложение 3. Результаты моделирования
Таблица 1. Значение функции качества прогноза, заданной формулой:

для модели AR(1)/ARCH(1) со следующими параметрами: , , значения параметра λ задавались с шагом 0.2 на отрезке , оценка параметра вычислена по формуле (1.5). Начальное значение . Величины генерировались с помощью датчика случайных чисел нормального распределения с параметрами (0,1).
N=100 N=400 N=700 N=1000

8.766 101.137 767.09 35.613

4.548 4.867 4.75 4.99

2.844 2.534 2.552 1.901

1.845 2.596 1.811 2.55

2.049 1.849 1.554 1.575

2.555 1.684 1.614 2.494

4.339 4.576 2.817 1.947

2.898 2.634 3.267 2.788

6.326 16.031 4.436 3.55

26.002 30.363 60.463 89.531
Таблица 2. Значение функции качества прогноза для модели AR(1)/ARCH(1) со следующими параметрами: , , значения параметра λ задавались с шагом 0.2 на отрезке , оценка параметра вычислена по формуле (1.5). Начальное значение . Величины генерировались с помощью датчика случайных чисел равномерного распределения, заданного на отрезке (-1,1).
N=100 N=400 N=700 N=1000

4.466 14.571 6.26 6.046

1.598 1.106 1.04 0.866

0.613 0.63 0.764 0.69

0.601 0.541 0.485 0.569

0.525 0.601 0.705 0.58

0.665 0.505 0.477 0.559

0.534 0.542 0.565 0.638

0.776 0.64 0.69 0.781

1.058 0.94 1.24 1.026

3.396 13.088 4.602 17.642
Узнайте стоимость работы онлайн!
Предлагаем узнать стоимость вашей работы прямо сейчас.
Это не займёт
много времени.
Узнать стоимость
girl

Наши гарантии:

Финансовая защищенность
Опытные специалисты
Тщательная проверка качества
Тайна сотрудничества