-
Pētījuma datu statistiskā analīze
| Nr. | Sadaļas nosaukums | Lpp. |
| 1. | VIENDIMENSIJAS DATU ANALĪZE | 4 |
| 1.1. | Statistisko rādītāju noteikšana un sadalījumu raksturojums | 4 |
| 1.2. | Datu kopas statistiskie rādītāji | 8 |
| 1.3. | Datu sadalījums intervālos un histogrammas | 10 |
| 1.4. | Atbilstošo normālā sadalījuma varbūtību blīvuma funkcijas vērtību aprēķināšana un grafika konstruēšana | 13 |
| 1.5. | Ģenerālkopas vidējā lieluma reprezentācijas intervāls un hipotēzes pārbaude | 14 |
| 1.6. | Logaritmiski normālā sadalījuma aprēķins un grafiskā interpretācija | 18 |
| 1.7. | Veibula sadalījuma aprēķins un grafiskā interpretācija | 19 |
| 2. | DIVDEMINSIJU DATU IZLASES ANALĪZE | 21 |
| 2.1. | Pāru korelācijas analīze | 21 |
| 2.2. | Regresijas analīze | 32 |
| IZMANTOTIE INFORMĀCIJAS AVOTI | 33 |
2. DIVDEMINSIJU DATU IZLASES ANALĪZE
2.1. Pāru korelācijas analīze
Jebkuru objektu raksturo īpašības. Šīs īpašības var izteikt gan kvantitatīvi gan kvalitātīti. Kvantitatīvi izsaka skaitliskā veidā, bet kvalitatīvi apraksta ar raksturīgām pazīmēm. Pazīmes vai īpašības var ietekmēt viena otru, bet ir gadījumi kad pazīmes vai īpašības neietekmē viena otru. Ja pazīmes vai īpašības neietekmē citas pazīmes, tad tās sauc par neatkarīgām pazīmēm, bet ja pazīmes savstarpēji ietekmē viena otru, tad tās sauc par atkarīgām. Ir sastopami divi pazīmju veidi:
• funkcionālas pazīmes;
• stohastiskas pazīmes.
Atkarība ir funkcionāla, ja vienas pazīmes vērtībām atbilst stingri noteiktas otras pazīmes vērtības. Biežāk ir sastopamais veids ir stohastiskā pazīme jeb korelācija - tāda atkarība, kurā kādas pazīmes katrai vērtībai iespējams atbilst vairākas citu pazīmju vērtības.
Izšķir divu veidu pazīmes:
• Rezultatīvā pazīme – tās skaitlisko vērtību variēšanu pēta atkarībā no citu pazīmju ietekmes (Y). Katra novērojuma skaitliskās vērtības – y1, y2, y3... .
• Faktoriālā pazīme – nosaka rezultatīvās pazīmes variēšanu (X). Katra novērojuma skaitliskās vērtības – x1, x2, x3... .
Pēc formas var izšķirt lineāru un nelineāru korelāciju. Lineārā korelācijā var novērot aptuveni vienādu faktoriālo un rezultatīvo pazīmju izmaiņu raksturu. Pozitīvā lineārā korelācijā palielinoties faktoriālās pazīmes vērtībām palielinās arī rezultatīvās pazīmes vērtības. Negatīvā lineārā korelācijā palielinoties faktoriālās pazīmes vērtībām rezultatīvās pazīmes vērtības samazinās.
6. tabulā redzama divdimensiju datu kopa, kas sastāv no 365 variantēm. Tika aprēķināti empīrisko noviržu kvadrāti, kā arī teorētiskie regresenti un standartnovirzes. Izmantojot funkciju COVARIANCE.S tika aprēķināts kovarācijas koeficents, kas ir primārais x un y atkarīgās variēšanas rādītājs COV(x;y) = 29.34.
…
1. VIENDIMENSIJAS DATU ANALĪZE…………………………………………….4 1.1. Statistisko rādītāju noteikšana un sadalījumu raksturojums 4 1.2. Datu kopas statistiskie rādītāji 8 1.3. Datu sadalījums intervālos un histogrammas 10 1.4. Atbilstošo normālā sadalījuma varbūtību blīvuma funkcijas vērtību aprēķināšana un grafika konstruēšana 13 1.5. Ģenerālkopas vidējā lieluma reprezentācijas intervāls un hipotēzes pārbaude 14 1.6. Logaritmiski normālā sadalījuma aprēķins un grafiskā interpretācija 18 1.7. Veibula sadalījuma aprēķins un grafiskā interpretācija 19 2. DIVDEMINSIJU DATU IZLASES ANALĪZE 21 2.1. Pāru korelācijas analīze 21 2.2. Regresijas analīze 32 IZMANTOTIE INFORMĀCIJAS AVOTI 33
