社会统计学实验报告.docx

《社会统计学实验报告.docx》由会员分享，可在线阅读，更多相关《社会统计学实验报告.docx（14页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、社会统计学实验报告 试验 一：EXCEL 的数据整理与显示一、试验结果与数据处理 第 第 1 1 题 组距式次数分布表 按日加工零件数分组（个）工人数（人）工人数比重（%）100-110 4 8110-120 13 26120-130 24 48130-140 9 18 合计 50 100第 第 2 2 题 频数分布表 工人日加工零件数/件 频数/人 100-110 4 110-120 13 120-130 24 130-140 9总数 50 第 第 3 题 优秀率(日生产零件数 130 个以上)：9/50=18% 二、探讨与结论 通过试验一的试验操作与学习，我驾驭了 excel 软件的运用以

2、及用直方图工具绘制频数分布直方图的方法。在试验操作过程中，我进行了如下操作内容：1、EXCEL 软件的基本操作；2、编制组距式次数分布表；3、将次数分布表转变成分布柱形图；4、利用 FREQUENCY 函数进行频数统计；5、利用直方图工具绘制频数分布直方图。试验二：EXCEL 的数据特征描述、抽样推断一、 试验结果与数据处理（ （1 ）COUNT（B4:B53）并回车，得到 50 个数据中的单位总量为 50 SUM（B4:B53）并回车，得到50个数据中的标记总量为6127 MAX（B4:B53）并回车，得到50个数据中的最大值为139 MIN（B4:B53）并回车，得到50个数据中的最小值为

3、107 AVERAGE（B4:B53）并回车，得到50个数据中的平均值为122.54 MEDIAN（B4:B53）并回车，得到50个数据中的中位数为123 GEOMEAN（B4:B53）并回车，得到50个数据中的几何平均数为122.2679876HARMEAN（B4:B53）并回车，得到50个数据中的调和平均数为121.9951108 AVEDEV（B4:B53）并回车，得到50个数据中的变异统计的平均差为6.4384 STDEV（B4:B53）并回车，得到50个数据中的变异统计的标准差为8.234348171 VAR（B4:B53）并回车，得到50个数据中的变异统计中的方差为67.80448

4、98 KURT（B4:B53）并回车，得到50个数据中的变异统计中的峰度为—0.451931676 SKEW（B4:B53）并回车，得到50个数据中的变异统计中的偏度为0.026074 （ （2 ）由（1）得均值为122.54，即企业职工的平均日加工零件数为122.54由题意得置信度为95%，即1—α=0.95，则 显著性水平为 α=0.05则极限误差= CONFIDENCE(α 所在单元格，标准差所在单元格，样本容量单元格)= CONFIDENCE（0.05，8.234348171，50）= 2.282402924，约等于2.28所

5、以日生产零件的置信区间为122.54-2.28，122.54+2.28，即120.26，124.82（ （3 ）由题意得待检假设为 H0：u<=115，H1：u>115t 值=（样本均值单元格-115）/(样本标准差单元格/SQRT（样本容量单元格）)=（122.54-115）/(8.234348171/SQRT（50）)=6.474811387，约等于6.47t(n-1) =TINV(0.05,49)=2.009575237，约等于2.01，即α=0.05，自由度为49的临界值 因为|t|=6.47>t(n-1)=2.01,则拒绝 H0而接受 H1，即企业日生产

6、零件数有显著提高二、探讨与结论 通过试验二的试验操作与学习，我本着较娴熟地驾驭EXCEL 在数据特征描述、抽样推断中的基本操作内容，利用EXCEL 软件计算描述统计特征值的目的进行学习和操作。这一次试验操作让我驾驭了以下方面：1、利用 EXCEL 的统计函数求解统计分布特征值；2、利用 CONFIDENCE 函数计算极限误差，从而得到相关的置信度 3、通过宏程序计算相关的t 值，再利用 TINV 函数计算临界值，最终比较 t 值和临界值的大小来进行假设检验。 试验三：时间序列 分析 一、试验结果与数据处理月度 第一年 其次年 第三年 第四年 42 2 447 469 455 438 3 345

7、 366 352 341 4 354 327 341 427 5 374 412 388 358 6 359 353 332 355 7 365 381 392 376 8 437 460 429 441 9 353 344 361 382 177 198 12 457 486 491 473年/季度 时间标号 销售额 移动平均值 中心化后的移动平均值 比值 2000/1 1 993.12 2 971.23 3 2264.1 1542.925 1627.9875 1.390735 4 4 1943.3 1713.05 1833.0875 1.060124 2001/1 5 1673.6 195

8、3.125 2161.0875 0.774425 2 6 1931.5 2369.05 2511.0875 0.769189 3 7 3927.8 2653.125 2736.725 1.435219 4 8 3079.6 2820.325 2897.9625 1.062678 2002/2 9 2342.4 2975.6 2953.0625 0.793212 10 2552.6 2930.525 3104.675 0.822179 3 11 3747.5 3278.825 3392.825 1.104537 4 12 4472.8 3506.825 3718.4 1.202883 2003/

9、1 13 3254.4 3929.975 4205.425 0.773858 2 14 4245.2 4480.875 4718.4125 0.899709 3 15 5951.1 4955.95 5037.175 1.181436 4 16 6373.1 5118.4 5225.9875 1.219502 2004/1 17 3904.2 5333.575 5496.2625 0.710337 2 18 5105.9 5658.95 5941.125 0.859416 3 19 7252.6 6223.3 6420.675 1.12957 4 20 8630.5 6618.05 6729.4

10、75 1.282492 2022/1 21 5483.2 6840.9 7031.3375 0.779823 2 22 5997.3 7221.775 7233.0375 0.829154 3 23 8776.1 7244.3 7199.35 1.219013 4 24 8720.6 7154.4 7161.1125 1.217772 2022/1 25 5123.6 7167.825 7269.8375 0.704775 2 26 6051 7371.85 7324.425 0.82614 3 27 9592.2 7277 7254.35 1.322269 4 28 8341.2 7231.

11、7 7328.5125 1.138185 2022/1 29 4942.4 7425.325 7338.8125 0.67346 2 30 6825.5 7252.3 7300.0375 0.934995 3 31 8900.1 7347.775 7356.2125 1.209875 4 32 8723.1 7364.65 7293.7 1.195977 2022/1 33 5009.9 7222.75 7112.3375 0.704396 2 34 6257.9 7001.925 6894.7375 0.907634 3 35 8016.8 6787.55 6918.725 1.158711

12、 4 36 7865.6 7049.9 6995.125 1.12444 2022/1 37 6059.3 6940.35 6908.1 0.87713 2 38 5819.7 6875.85 6908.675 0.842376 3 39 7758.8 6941.5 4 40 8128.2 各季节指数计算表年/季 1 2 3 4 合计 2000 1.39073549 1.06012397 2.450859 2001 0.774425 0.769189 1.4352191 1.06267766 4.04151 2002 0.79321 0.822179 1.10453678 1.20288296

13、 3.92281 2003 0.773858 0.899709 1.18143602 1.21950158 4.074505 2004 0.710337 0.859416 1.12956971 1.28249232 3.981816 2022 0.779823 0.829154 1.21901283 1.21777168 4.045761 2022 0.704775 0.82614 1.32226871 1.13818459 3.991368 2022 0.67346 0.934995 1.20987533 1.19597735 4.014308 2022 0.704396 0.907634

14、1.1587106 1.12444024 3.8951812022 0.87713 0.842376 1.719505 ∑ 6.791414 7.690793 11.1513646 10.5040523 36.13762 平均 0.754602 0.854533 1.23904051 1.16711693 4.015292 季节指数 0.751728 0.851278 1.2343217 1.16267203 4 季节 指数 1 0.751728 2 0.851278 3 1.234322 4 1.162672销售额的季节变动0 00.20.40.60.81 11.21.41 1 2

15、2 3 3 4 4季节指数季度季节指数年/季度 时间标号 销售额(Y) 季节指数(S) 季节分别后的时间序列(Y/S) 回来后的趋势(T) 最终预料值 预料误差 2000/1 1 993.1 0.751728 1321.09 2207.098 1659.137 -666.037 2 2 971.2 0.851278 1140.873 2370.805 2022.214 -1047.01 3 3 2264.1 1.234322 1834.287 2534.511 3128.402 -864.302 4 4 1943.3 1.162672 1671.409 2698.218 3137.142 -1

16、193.84 2001/1 5 1673.6 0.751728 2226.338 2861.924 2151.388 -477.788 2 6 1931.5 0.851278 2268.941 3025.63 2575.653 -644.153 3 7 3927.8 1.234322 3182.153 3189.337 3936.668 -8.86761 4 8 3079.6 1.162672 2648.726 3353.043 3898.49 -818.89 2002/2 9 2342.4 0.751728 3116.022 3516.75 2643.638 -301.238 2 10 25

17、52.6 0.851278 2998.55 3680.456 3133.092 -580.492 3 11 3747.5 1.234322 3036.08 3844.162 4744.933 -997.433 4 12 4472.8 1.162672 3847.001 4007.869 4659.837 -187.037 2003/1 13 3254.4 0.751728 4329.227 4171.575 3135.889 118.51122 14 4245.2 0.851278 4986.855 4335.282 3690.53 554.6698 3 15 5951.1 1.234322

18、4821.353 4498.988 5553.198 397.9015 4 16 6373.1 1.162672 5481.425 4662.694 5421.184 951.9156 2004/1 17 3904.2 0.751728 5193.636 4826.401 3628.139 276.0607 2 18 5105.9 0.851278 5997.923 4990.107 4247.969 857.9311 3 19 7252.6 1.234322 5875.778 5153.814 6361.464 891.1361 4 20 8630.5 1.162672 7422.988 5

19、317.52 6182.532 2447.968 2022/1 21 5483.2 0.751728 7294.13 5481.226 4120.39 1362.81 2 22 5997.3 0.851278 7045.054 5644.933 4805.408 1191.892 3 23 8776.1 1.234322 7110.059 5808.639 7169.729 1606.371 4 24 8720.6 1.162672 7500.481 5972.346 6943.879 1776.721 2022/1 25 5123.6 0.751728 6815.766 6136.052 4

20、612.64 510.9595 2 26 6051 0.851278 7108.136 6299.758 5362.846 688.1537 3 27 9592.2 1.234322 7771.232 6463.465 7977.995 1614.205 4 28 8341.2 1.162672 7174.164 6627.171 7705.227 635.9734 2022/1 29 4942.4 0.751728 6574.721 6790.878 5104.891 -162.491 2 30 6825.5 0.851278 8017.944 6954.584 5920.285 905.2

21、151 3 31 8900.1 1.234322 7210.519 7118.29 8786.26 113.8397 4 32 8723.1 1.162672 7502.632 7281.997 8466.574 256.526 2022/1 33 5009.9 0.751728 6664.514 7445.703 5597.142 -587.242 2 34 6257.9 0.851278 7351.182 7609.41 6477.724 -219.824 3 35 8016.8 1.234322 6494.903 7773.116 9594.526 -1577.73 4 36 7865.

22、6 1.162672 6765.106 7936.822 9227.921 -1362.32 2022/1 37 6059.3 0.751728 8060.498 8100.529 6089.392 -30.0922 2 38 5819.7 0.851278 6836.426 8264.235 7035.162 -1215.46 3 39 7758.8 1.234322 6285.882 8427.942 10402.79 -2643.99 4 40 8128.2 1.162672 6990.965 8591.648 9989.269 -1861.07 2022/1 410.751728875

23、5.354 6581.6432 420.8512788919.061 7592.6013 431.2343229082.767 11211.064 44 1.1626729246.474 10750.62 SUMMARY OUTPUT 回来统计 Multiple R 0.882769 R Square 0.779281 Adjusted R Square 0.773473 标准误差 1031.834 观测值 40方差分析df SS MS F Significance F回来分析 1 142842941 142842941 134.165 4.93466E-14 残差 38 40457896.1

24、 1064681.48 总计 39 183300837 Coefficients 标准误差 t Stat P-value Lower 95% Upper 95% Intercept 2043.4 332.510265 6.14535002 3.5974E-07 1370.26013 2716.5238 X Variable 1 163.71 14.1333868 11.5829596 4.9347E-14 135.0949031 192.31799季节分别后的序列及其趋势0200040006000800010000120002000/132001/132002/232003/132004/13

25、2022/132022/132022/132022/132022/132022/13季度销售额销售额(Y)季节分别后的时间序列(Y/S)回来后的趋势(T)销售额预料图0200040006000800010000120002000/132001/132002/232003/132004/132022/132022/132022/132022/132022/132022/13季度销售额销售额(Y)最终预料值二、探讨与结论1、季节指数是以其平均数等于 100%为条件构成的，应留意当季节比率的平均值不等于 1，须要进行调整，即将每个季度比率的平均值除以它们的总平均值，从而使季节比率的平均值等于 1。2

26、、将实际销售量除以相应的季节指数后得到季节分别后的序列从季节分别后的序列可以看出销售量具有明显的线性趋势。3、这个试验主要是一些计算问题，所以我们要有足够的耐性才能完成。试验四：时间序列 分析一、试验结果与数据处理某地区 19962022 年国内生产总值和财政收入资料 单位：亿元 年份 国内生产总值 财政收入 199618667.82 2937.1 199721781.5 3149.48 199826923.48 3483.37 199935333.92 4348.95 200048197.86 5218.1 200160793.73 6242.2 200271176.59 7407.99 2

27、00378973.04 8651.14 200484402.28 9875.95 202289677.05 11444.08 202299214.55 13395.23 2022109655.2 16386.04 2022120332.7 18903.64 2022135822.8 21715.25 2022159878.3 26396.47 2022183084.8 31649.29依据回来分析的结果，得到一元线性回来方程为：yˆ = 2043.39+163.70*x 二、探讨与结论 这次试验比较麻烦，处理的步骤许多，有一些操作还不是那么娴熟。我们知道， 一元回来分析在数学关系式中

28、只描述了一个变量与另一个变量之间的数量改变关系，则称其为一元回来分析，其回来模型为 ，y 称为因变量，x 称为自变量， 称为随机误差，a，b 称为待估计的回来参数，下标 i 表示第 i 个观测值。 最终的结论是我们可以用一元线性回来分析模型来预料将来几年的国内生产总值和财政收入状况。本文来源：网络收集与整理，如有侵权，请联系作者删除，谢谢！第14页 共14页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页第 14 页 共 14 页