Hledej
Zobraz:
Univerzity
Kategorie
Rozšířené vyhledávání
12 659 projektů
0 nových
Statistické zpracování dat
«»
| Přípona |
Typ studijní materiál |
Stažené 1 x |
| Velikost 2,4 MB |
Jazyk český |
ID projektu 10257 |
| Poslední úprava 09.05.2017 |
Zobrazeno 503 x |
Autor: quadra |
Sdílej na Facebooku |
||
| Detaily projektu | ||
- Cena:
4 Kreditů - kvalita:
80,9% -
Stáhni
- Přidej na srovnání
- Univerzita:Slezská univerzita v Opavě
- Fakulta:Obchodně-podnikatelská fakulta
- Kategorie:Přírodní vědy » Matematika
- Předmět:-
- Studijní obor:-
- Ročník:3. ročník
- Formát:PDF dokument (.pdf)
- Rozsah A4:162 stran
ÚVOD
Tento text představuje studijní oporu pro studium všech akreditovaných studijních programů v navazujícím magisterském studiu na Slezské univerzitě. Obchodně podnikatelské fakultě v Karviné. Předmět Statistické zpracování dat navazuje na předmět Statistika (dříve Kvantitativní metody B) obsahující základní bakalářský kurz statistiky na SU OPF, nebo na obdobný ekvivalentní předmět základů statistiky v bakalářském stupni studia na jiné VS ekonomického zaměření v ČR. Tento text je inovací předchozí studijní opory s názvem Statistika pro navazující magisterské studium, specializované pro studenty distanční a kombinované formy studia. Inovací studijních oborů na SU OPF v rámci projektu OPVK vznikl také předmět Statistické zpracování dat. V tomto předmětu je kladen důraz především na uplatnění statistických metod při zpracování ekonomických dat v aplikovaných ekonomických disciplínách, jako jsou zejména marketing a management.
Samotný učební text, nebo jak se říká v moderní terminologii: studijní opora -umožňující studentovi plnohodnotné a zároveň samostatné studium - je rozčleněn do 12 tematických kapitol. Jednotlivé kapitoly odpovídají obvyklým výukovým týdnům jednoho semestru a jsou přibližně stejně obsahově rozsáhlé a obtížné. Takový rozsah učiva odpovídá klasické dvouhodinové přednášce v prezenčním studiu na vysoké škole ekonomického zaměření. V prezenčním studiu je ovšem na rozdíl od kombinované formy studia přednáška doplněna seminářem, kde se probraná látka aplikuje na konkrétní číselné příklady, které se řeší až k požadovanému výsledku pomocí počítače.
Vysokoškolské studium v případě předmětu Statistické zpracování dat vyžaduje enormní úsilí studenta zaměřené na pravidelnost a vytrvalost ve studiu i samostudiu, schopnost koncentrace na předmět, aktivní přístup spočívající v samostatném řešení příkladů. V tom všem by tato studijní opora měla studentům kombinované formy studia pomoci nahradit kvalitní prezenční výuku i úlohu učebnic a skript. Studijní opora je k tomu účelu vybavena určitými nástroji, o jejichž funkcích byste měli být informováni a mohli je tudíž účelně využívat ve svůj prospěch. Pro lepší zvládnutí látky jsou vám v elektronické verzi kurzu Statistické zpracování dat k dispozici ještě doplňkové materiály v elektronické podobě. Dalšími podpůrnými zdroji ke studiu mohou být klasické učebnice a skripta a další doporučená literatura.
Tento text představuje studijní oporu pro studium všech akreditovaných studijních programů v navazujícím magisterském studiu na Slezské univerzitě. Obchodně podnikatelské fakultě v Karviné. Předmět Statistické zpracování dat navazuje na předmět Statistika (dříve Kvantitativní metody B) obsahující základní bakalářský kurz statistiky na SU OPF, nebo na obdobný ekvivalentní předmět základů statistiky v bakalářském stupni studia na jiné VS ekonomického zaměření v ČR. Tento text je inovací předchozí studijní opory s názvem Statistika pro navazující magisterské studium, specializované pro studenty distanční a kombinované formy studia. Inovací studijních oborů na SU OPF v rámci projektu OPVK vznikl také předmět Statistické zpracování dat. V tomto předmětu je kladen důraz především na uplatnění statistických metod při zpracování ekonomických dat v aplikovaných ekonomických disciplínách, jako jsou zejména marketing a management.
Samotný učební text, nebo jak se říká v moderní terminologii: studijní opora -umožňující studentovi plnohodnotné a zároveň samostatné studium - je rozčleněn do 12 tematických kapitol. Jednotlivé kapitoly odpovídají obvyklým výukovým týdnům jednoho semestru a jsou přibližně stejně obsahově rozsáhlé a obtížné. Takový rozsah učiva odpovídá klasické dvouhodinové přednášce v prezenčním studiu na vysoké škole ekonomického zaměření. V prezenčním studiu je ovšem na rozdíl od kombinované formy studia přednáška doplněna seminářem, kde se probraná látka aplikuje na konkrétní číselné příklady, které se řeší až k požadovanému výsledku pomocí počítače.
Vysokoškolské studium v případě předmětu Statistické zpracování dat vyžaduje enormní úsilí studenta zaměřené na pravidelnost a vytrvalost ve studiu i samostudiu, schopnost koncentrace na předmět, aktivní přístup spočívající v samostatném řešení příkladů. V tom všem by tato studijní opora měla studentům kombinované formy studia pomoci nahradit kvalitní prezenční výuku i úlohu učebnic a skript. Studijní opora je k tomu účelu vybavena určitými nástroji, o jejichž funkcích byste měli být informováni a mohli je tudíž účelně využívat ve svůj prospěch. Pro lepší zvládnutí látky jsou vám v elektronické verzi kurzu Statistické zpracování dat k dispozici ještě doplňkové materiály v elektronické podobě. Dalšími podpůrnými zdroji ke studiu mohou být klasické učebnice a skripta a další doporučená literatura.
Klíčová slova:
analýza rozptylu
regresní analýza
fiktivní proměnné
časové řády
trendy
stochastické procesy
prognozování
Obsah:
- Uvoď -6-
1 Analýza rozptylu (anova) - jeden faktor -9-
1.1 Nezávislý a závislý faktor -10-
1.2 Předpoklady analýzy rozptylu s jedním faktorem -11-
1.3 Postup při analýze rozptylu s jedním faktorem -12-
1.4 Míra těsnosti závislosti -14-
1.5 Samostatné úkoly -20-
1.6 Řešení úkolů. výsledky -21-
2 Analýza rozptylu (anova) - dva a více faktorů -22-
2.1 Analýza rozptylu se dvěma faktory -22-
2.2 Předpoklady anova se 2 faktory -24-
2.3 Samostatné úkoly -32-
2.4 Řešení úkolů. výsledky -33-
3 Regresní analýza - jednorozměrná lineární regrese -34-
3.1 Regresní analýza -34-
3.2 Jednoduchá regresní analýza -35-
3.3 Metoda nejmenších čtverců -36-
3.4 Míra variability, koeficient determinace -37-
3.5 Klasický lineární model -39-
3.6 Samostatné úkoly -44-
3.7 Řešení úkolů, výsledky -45-
4 Regresní analýza - jednorozměrná: intervaly spolehlivosti, testy hypotéz, nelineární regrese -46-
4.1 Intervaly spolehlivosti -46-
4.2 Testy hypotéz -47-
4.3 Nelineární regresní analýza -48-
4.4 Parabolická regrese -50-
4.5 Tórnquistovy funkce -50-
4.6 Metoda vybraných bodů -52-
4.7 Samostatné úkoly -63-
4.8 Řešení úkolů. výsledky -64-
5 Regresní analýza - vícerozměrná -65-
5.1 Vícerozměrná regresní analýza -65-
5.2 Metoda nejmenších čtverců -66-
5.3 Náhodný vektor a jeho charakteristiky -67-
5.4 Klasický lineární model -67-
5.5 Míry variability a koeficient determinace -68-
5.6 Intervaly spolehlivosti a testy hypotéz -69-
5.7 Individuální 7-testy o hodnotách regresních koeficientů -70-
5.8 F-test hypotézy o hodnotách regresních koeficientů -71-
5.9 Samostatné úkoly -77-
5.10 Řešení úkolů, výsledky -79-
6 Regresní analýza - vícerozměrná: multikolinearita, heteroskedasticita, autokorelace -82-
6.1 Co je multikolinearita? -82-
6.2 Co je heteroskedasticita? -85-
6.2.7 Jak zjišťovatheteroskedasticitu? -86-
6.2.2 Jak odstraňovat heteroskedasticitu? -87-
6.3 Cojeautokorelace? -91-
6.4 Samostatné úkoly -92-
6.5 Řešení úkolů, výsledky -93-
7 Fiktivní proměnné -94-
7.1 Co jsou fiktivní proměnné? -94-
7.2 Fiktivní proměnné a anov a -94-
7.3 Společné fiktivní a kvantitativní proměnné -97-
7.4 Fiktivní proměnné v sezónních modelech -100-
7.5 Samostatné úkoly -102-
7.6 Řešení úkolů. výsledky -102-
8 Základy analýzy časových řad -103-
8.1 Typy ekonomických časových řad -103-
8.2 Elementární charakteristiky časových řad -105-
8.3 Modely ekonomických časových řad -105-
8.4 Samostatné úkoly -107-
8.5 Řešení úkolů. výsledky -107-
9 Analýza trendu časových řad -108-
9.1 Trendová složka časových řad -108-
9.2 Lineární trend -109-
9.3 Parabolický trend -109-
9.4 Mocninný trend -110-
9.5 Exponenciální trend -110-
9.6 Logistický trend -111-
9.7 Gompertzův trend -112-
9.8 Volba vhodného modelu trendu -112-
9.9 Klouzavé průměry -113-
9.10 Exponenciální vyrovnání -114-
9.11 Samostatné úkoly -121-
9.12 Řešení úkolů, výsledky -121-
10 Analýza sezónní složky a náhodné složky -122-
10.1 Periodická složka časových řad -122-
10.2 Harmonická analýza -122-
10.3 Model konstantní sezónnosti se schodovitým trendem -124-
10.4 Model konstantní sezónnosti s lineárním trendem -125-
10.5 Model proporcionální sezónnosti -126-
10.6 Analýza náhodné složky -126-
10.7 Samostatné úkoly -132-
10.8 Řešení úkolů, výsledky -133-
11 Stochastické procesy -134-
11.1 Stochastický (náhodný) proces -134-
11.2 Stacionární a nestacionární proces -135-
11.3 Bílý šum a náhodná procházka -138-
11.4 Deterministický a stochastický trend -140-
11.5 Jak poznáme. že čr je stacionární? -142-
11.6 Samostatné úkoly -144-
11.7 Řešení úkolů, výsledky -145-
12 Modely typu arima a prognózo vání časových řad -146-
12.1 Úvod -146-
12.2 Modelování časových řad pomocí ar1ma -147-
12.3 Autoregresivní proces (ar) -148-
12.4 Proces klouzavých průměrů (ma) -149-
12.5 Autoregresivní proces klouzavých průměrů (arma) -149-
12.6 Autoregresivní a integrovaný proces klouzavých průměrů (ar1ma) -149-
12.7 Sezónní procesy ar1m a -150-
12.8 Box-jenkinsova metodologie prognózování čř.......................................................[50
12.9 Prognózování pomocí arima modelů -151-
12.10 Identifikace procesů arima pomocí acf a pacf -151-
12.11 Samostatné úkoly -157-
12.12 Řešení úkolů. výsledky -159-
Závěr -161-
Seznam doporučené literatury -162-