質問  |
答え |
|
学び始める
|
|
populacja, zbiór różnych jednostek będąca jedną całością
|
|
|
|
学び始める
|
|
liczba jednostek w zbiorowości statystycznej
|
|
|
Cecha statystyczna (zmienna) 学び始める
|
|
właściwość charakterystyczna dla jednostki np wzrost, zarobki (mierzalne), lub wykształcenie, kolor skóry, (niemierzalne)
|
|
|
klasyczne miary położenia 学び始める
|
|
średnia arytmemtyczna, średnia geometryczna i ogólnie średnie
|
|
|
|
学び始める
|
|
dominanta, kwartyle (w tym mediana)
|
|
|
|
学び始める
|
|
wielkość między najmniejszą i największą wartością
|
|
|
|
学び始める
|
|
kiedy średnia jest w 1 lub 3 kwartylu
|
|
|
|
学び始める
|
|
mówi o ile średnio jednostka zbioru różni się od średniej arytmetycznej
|
|
|
klasyczne miary zmienności 学び始める
|
|
wariancja, odchylenie standardowe, typowy obszar zmienności
|
|
|
|
学び始める
|
|
mówi jak bardzo blisko średniej są wartości, służy do obliczania odchylenia standardowego, testu t studenta itp
|
|
|
|
学び始める
|
|
wartości które przyjmowane są przez ok 2/3 cech
|
|
|
względne pozycyjne miary zmienności 学び始める
|
|
współczynnik zmienności (stosunek odchylenia czwartkowego do mediany)
|
|
|
względne klasyczne miary zmienności 学び始める
|
|
współczynnik zmienności (stosunek odchylenia standardowego do średniej)- jeśli jest mniejszy niż 35% to jest małe zróżnicowanie, 35-65% przeciętne, więcej niż 65% silne zróżnicowanie
|
|
|
|
学び始める
|
|
obserwacje równomiernie po obu stronach dominanty. Średnia, mediana i dominanta są takie same. Spłaszczenie zależy od krzywej symetrycznej. Z reguły 68% wartości jest w 1 odchyleniu, 95 w drugim, 99.7 w 3
|
|
|
|
学び始める
|
|
rozkład prawostrony (średnia większą niż dominanta) lewostronny (średnia mniejsza niż dominanta)
|
|
|
wskaźnik Asymetrii (skośności) 学び始める
|
|
jeśli jest większy niż zero, to kierunek Asymetrii jest prawostrony i na odwrót.
|
|
|
|
学び始める
|
|
Jaką częścią odchylenia standardowego ejst różnica między średnia a domiantą. Znak mówi jaki jest kierunek odchylenia. [-1:1]-symetria umiarkowana.
|
|
|
|
学び始める
|
|
alfa 3 mierzy asymetrię(lewo i prawo)/eksces to alfa4 - 3 jeśli eksces większy niż 0 to jest bardziej wysmukły i na odwrót-mierzenie koncentracji
|
|
|
|
学び始める
|
|
chronologiczne uporządkowanie wartości danego zjawiska. Badają dynamikę zjawisk masowych. Mają dwie zmienne-niezależne (czas) i zależne (wartości charakteryzujące zjawisko)
|
|
|
rodzaje szeregów czasowych 学び始める
|
|
momentów (zasoby-ilość ludzi, poziom zatrudnienia), okresów (strumienie, urodzenia w roku, mieszkania oddane do użytku)
|
|
|
składniki szeregu czasowego 学び始める
|
|
Trend (jednokierunkowe zmiany), wahania sezonowe, wahania cykliczne(zmiany w dłuższych okresach niż sezonowe), przypadkowe
|
|
|
dekompozycja szeregu czasowego 学び始める
|
|
wyodrębnienie poszczególnych składowych i ich pomiar
|
|
|
metody wyodrębnienia trendu 学び始める
|
|
mechaniczna (średnia arytmemtyczna ruchoma), analityczna, (najmnieszych kwadratów, używa funkcji matematycznej)
|
|
|
ocena dobroci dopasowania 学び始める
|
|
średni błąd szacunkowy-średnie odchylenie wartości od tej z modelu, współczynnik zbieżności-ilość danych nie wyjaśnionych przez model, współczynnik determinacji-część wyjaśniona przez model, średnie błędy szacunkowe A i B -średni błąd w szacowaniu a i b
|
|
|
|
学び始める
|
|
|
|
|
|
学び始める
|
|
mówią o ile zmieniło się zjawisko w porównaniu do okresu 0. Magą być wyrażane procentowo lub dziesiętnie
|
|
|
podział indeksów indywidualnych 学び始める
|
|
jednopodstawowe, łańcuchowe
|
|
|
średniookresowe tempo zmian 学び始める
|
|
średnia geometryczna z indeksów łańcuchowych, używana kiedy tendencja jest stała.
|
|
|
|
学び始める
|
|
odpowiadją na pytanie, jaki wpływ na zmianę produkcji miała zmiana cen i wielkość produktów nieporównywalnych
|
|
|
typy indeksów agregatowych 学び始める
|
|
|
|
|
|
学び始める
|
|
mówi o zmianie całego agregatu produktów, jeśli ilość w obu okresach jest taka sama i równa okresówi bazowemu
|
|
|
|
学び始める
|
|
wartość agregatu produktu, zakładając że ilość jest taka sama-używamy okresu badanego
|
|
|
|
学び始める
|
|
pierwiastek z mnożenia indeksu Paaschego i Laspeyresa. Używany przez różnice z wyników tych dwóch indeksów
|
|
|
korelacja liniowa Pearsona 学び始める
|
|
zależność jest zbliżona do liniowej, zmienne są na skali ilościowej. Zależność musi być logiczna. Zależność do 02 (brak) do 0.4 (słaba) do 0.7 (umiarkowana), do 0.9 (znacząca) do 1 (bardzo silna)
|
|
|
|
学び始める
|
|
jeżeli Temp jezt większe niż Tkryt to jest koleracja między zjawiskami
|
|
|
współczynnik korelacji Spearmana 学び始める
|
|
minimum jedna zmienna na skali porządkowej (np skala 1-5), zdmienne są mierzalne z małą ilością obserwacji. Wartości od - 1 do 1.
|
|
|
|
学び始める
|
|
jeżeli Temp jest większe niż krytyczne jest korelacja
|
|
|
|
学び始める
|
|
wyjaśnia gdzie funkcja regresji wyjaśnia kształtowanie się zjawiska
|
|
|
|
学び始める
|
|
standardowy błąd szacunku-przeciętne odchylenie wartości rzeczywistych od modelu
|
|
|
|
学び始める
|
|
pozwala pokazać kształtowanie się zależności między zmiennymi w przeszłości, wyznaczanie prognozy Y jeśli znamy przyszłe X
|
|
|
|
学び始める
|
|
używa się rzeczywistych wartości. Jest to różnica wartości rzeczywistej od prognozowanej. Może być względny (procent-do 3% bardzo git, do 5 git, do 10 dopuszczalne)
|
|
|
Średni absolutny błąd względny (Mape) 学び始める
|
|
O ile procent średnio różnią się prognozy od faktów. Średnia z ex Post.
|
|
|
|
学び始める
|
|
współzależność między dwiema zmiennymi z wyłącznie reszty.
|
|
|
|
学び始める
|
|
współzależność danej cechy ze wszystkimi innymi (wskazuję tylko siłę, nie kierunek)
|
|
|
