Обработка статистических данных предприятия

Автор работы: Пользователь скрыл имя, 03 Апреля 2013 в 09:39, курсовая работа

Описание работы

Статистика разрабатывает специальную методологию исследования и обработки материалов: массовые статистические наблюдения, метод группировок, средних величин, индексов, балансовый метод, метод графических изображений и другие методы анализа статистических данных. Статистика как наука включает разделы: теоретическая статистика (общая теория статистики), прикладная статистика, математическая статистика, экономическая статистика (эконометрика), правовая статистика, демография, медицинская статистика, технометрика, хемометрика, биометрика, наукометрика, иные отраслевые статистики и др.

Содержание работы

Введение……………………………………………………………………….3
Исходные данные……………………………………………………………..5
Глава 1 Теоретические основы статистики………………………………...6
Сводка и группировка данных статистического наблюдения…………...6
Ряды динамики и их виды…………………………………………………10
Показатели вариации……………………………………………………....16
Основные показатели корреляционного и регрессионного анализа……19
Глава 2 Практическое применение статистических данных………………..23
2.1 Аналитическая группировка данных……………………………………..23
2.2 Оценка динамики изменения показателей……………………………….26
2.3 Анализ показателей вариации…………………………………………….30
2.4 Корреляционно-регрессионный анализ………………………………….31
Заключение…………………………………………………………………….34
Список литературы……………………………………………………………35

Файлы: 1 файл

Kursovaya_po_statistike.docx

— 111.93 Кб (Скачать файл)

2. Относительное линейное отключение характеризует долю усредненного значения признака абсолютных отклонений от средней величины

3. Коэффициент вариации:

 

Является наиболее распространенным показателем колеблемости, используемым для оценки типичности средних величин.

В статистике совокупности, имеющие коэффициент  вариации больше 30–35 %, принято считать  неоднородными.

 

1.4 Основные понятия корреляционного и регрессионного анализа

Формы проявления взаимосвязей весьма разнообразны. В  качестве двух самых общих их видов  выделяют функциональную (полную) и  корреляционную (неполную) связи. В  первом случае величине факторного признака строго соответствует одно или несколько  значений функции. Достаточно часто  функциональная связь проявляется  в физике, химии. В экономике примером может служить прямо пропорциональная зависимость между производительностью  труда и увеличением производства продукции.

Корреляционная  связь (которую также называют неполной, или статистической) проявляется  в среднем, для массовых наблюдений, когда заданным значениям зависимой  переменной соответствует некоторый  ряд вероятных значений независимой  переменной. Объяснение тому – сложность  взаимосвязей между анализируемыми факторами, на взаимодействие которых  влияют неучтенные случайные величины. Поэтому связь между признаками проявляется лишь в среднем, в  массе случаев. При корреляционной связи каждому значению аргумента  соответствуют случайно распределенные в некотором интервале значения функции.

Например, некоторое увеличение аргумента  повлечет за собой лишь среднее увеличение или уменьшение (в зависимости  от направленности) функции, тогда как  конкретные значения у отдельных  единиц наблюдения будут отличаться от среднего. Такие зависимости встречаются  повсеместно. Например, в сельском хозяйстве  это может быть связь между  урожайностью и количеством внесенных  удобрений. Очевидно, что последние  участвуют в формировании урожая. Но для каждого конкретного поля, участка одно и то же количество внесенных удобрений вызовет  разный прирост урожайности, так  как во взаимодействии находится  еще целый ряд факторов (погода, состояние почвы и др.), которые  и формируют конечный результат. Однако в среднем такая связь наблюдается – увеличение массы внесенных удобрений ведет к росту урожайности.

По направлению  связи бывают прямыми, когда зависимая  переменная растет с увеличением  факторного признака, и обратными, при  которых рост последнего сопровождается уменьшением функции. Такие связи  также можно назвать соответственно  положительными и отрицательными.

Относительно  своей аналитической формы связи  бывают линейными и нелинейными. В первом случае между признаками в среднем проявляются линейные соотношения. Нелинейная взаимосвязь  выражается нелинейной функцией, а  переменные связаны между собой  в среднем нелинейно.

Существует  еще одна достаточно важная характеристика связей с точки зрения взаимодействующих  факторов. Если характеризуется связь  двух признаков, то ее принято называть парной. Если изучаются более чем  две переменные – множественной.

Указанные выше классификационные признаки наиболее часто встречаются в статистическом анализе. Но кроме перечисленных  различают также непосредственные, косвенные и ложные связи. Собственно, суть каждой из них очевидна из названия. В первом случае факторы взаимодействуют  между собой непосредственно. Для  косвенной связи характерно участие  какой-то третьей переменной, которая  опосредует связь между изучаемыми признаками. Ложная связь – это  связь, установленная формально  и, как правило, подтвержденная только количественными оценками. Она не имеет под собой качественной основы или же бессмысленна.

По силе различаются слабые и сильные  связи. Эта формальная характеристика выражается конкретными величинами и интерпретируется в соответствии с общепринятыми критериями силы связи для конкретных показателей.

В наиболее общем виде задача статистики в области  изучения взаимосвязей состоит в  количественной оценке их наличия и  направления, а также характеристике силы и формы влияния одних  факторов на другие. Для ее решения  применяются две группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.

Поэтому в данном контексте можно говорить о корреляционном анализе в широком  смысле – когда всесторонне характеризуется  взаимосвязь. В то же время выделяют корреляционный анализ в узком смысле – когда исследуется сила связи  – и регрессионный анализ, в  ходе которого оцениваются ее форма  и воздействие одних факторов на другие.

Задачи  собственно корреляционного анализа  сводятся к измерению тесноты  связи между варьирующими признаками, определению неизвестных причинных  связей и оценке факторов оказывающих  наибольшее влияние на результативный признак.

Задачи  регрессионного анализа лежат в  сфере установления формы зависимости, определения функции регрессии, использования уравнения для  оценки неизвестных значении зависимой  переменной.

Решение названных задач опирается на соответствующие приемы, алгоритмы, показатели, применение которых дает основание говорить о статистическом изучении взаимосвязей.

Следует заметить, что традиционные методы корреляции и регрессии широко представлены вразного рода статистических пакетах  программ для ЭВМ. Исследователю  остается только правильно подготовить  информацию, выбрать удовлетворяющий  требованиям анализа пакет программ и быть готовым к интерпретации  полученных результатов. Алгоритмов вычисления параметров связи существует множество, и в настоящее время вряд ли целесообразно проводить такой  сложный вид анализа вручную. Вычислительные процедуры представляют самостоятельный интерес, но знание принципов изучения взаимосвязей, возможностей и ограничений тех или иных методов интерпретации результатов является обязательным условием исследования.

Методы  оценки тесноты связи подразделяются на корреляционные (параметрические) и  непараметрические. Параметрические  методы основаны на использовании, как  правило, оценок нормального распределения  и применяются в случаях, когда  изучаемая совокупность состоит  из величин, которые подчиняются  закону нормального распределения. На практике это положение чаще всего  принимается априори. Собственно, эти  методы – параметрические – и  принято называть корреляционными.

Непараметрические методы не накладывают ограничений  на закон распределения изучаемых  величин. Их преимуществом является и простота вычислений.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Глава 2 Аналитическая группировка данных

  • 2.1Аналитическая группировка данных
  •  

  • За факторный  признак принимается объём производства, X т., а за результативный суммарные издержки Y, тыс. руб.

    1. Определяется величина интервала

    R= Xmax–Xmin

     

    R= 15542-7737

    R=7805

     

    n= 1+3,32LgN

     

    n=1+3,32 *1,2

     

    n = 4,984

     

    h=R/n

     

    h=1566

     

    2. Построение интервалов

    1. (7737 - 9303) 1-1

    2. (9303 - 10869) 8,11 - 2

    3. (10869 - 12435) 7, 9, 12,15 - 4

    4. (12435 – 14001) 2, 3, 4, 13, 14 – 5

    5. (14001 - 15567) 5, 6, 10 - 3

     

    1. Группировочная таблица

    № порядка

    объём производства

    Кол-во предприятий

    Ср. значение в млн. руб.

    ед.

    %

    объём пр-ва

    суммарные издержки

    1

    2

    3

    4

    5

    6

    1

    (7737 - 9303)

    1

    6,7

    7737

    336846

    2

    (9303 - 10869)

    2

    13,0

    10616

    372401

    3

    (10869 - 12435)

    4

    26,7

    11802,5

    378795

    4

    (12435 – 14001)

    5

    33,4

    13012,4

    416301,2

    5

    (14001 - 15567)

    3

    20

    14985,7

    439830,7



     

    Наибольшее  количество предприятий попадает в  группу объёмы производства от (12435 - 14001). В данную группу входит 5 предприятий, что составляет 33,4 % от общего их количества при затратах на производство 416301,2 руб.

     

    № предприятия

    2

    3

    4

    13

    14

    Производство

    13035

    12605

    13501

    13021

    12900

    Затраты на производство

    435579

    442579

    363241

    425072

    415035


     

    4 предприятие наиболее оптимально по эффективности своей деятельности (объём производства высокий, а затраты на производство низкие). 3 предприятие считается менее эффективным, учитывая результаты деятельности(низкий объём производства и высокие затраты на производство).

    1. Структурные средние

     

    Группы месяцев по объёму пр-ва

    Количество месяцев

    Накопительная частота

    (7737 - 9303)

    1

    1

    (9303 - 10869)

    2

    3

    (10869 - 12435)

    4

    7

    (12435 - 14001)

    5

    12

             (14001 - 15567)

    3

    15


     

    Мода – наиболее часто встречающееся  значение признака у единиц данной совокупности.

    Модальный интервал - (12435 - 14001)

    Mо=X0+h*(fМо-fМо-1)/((fМо-fМо-1)+(fМо-fМо+1)), где X0– нижняя граница модального интервала; h – величина интервала; fМо – частота модального интервала; fМо-1 – частота интервала предшествующего модальному; fМо+1 – частота интервала следующего за модальным.

    М0 = 12435 + 1566 * (5-4)/((5-4) + (5-3)) = 12957

    Медиана – значение признака, которое  делит единицы ранжированного ряда на две части.

    Медианный ряд - (10869 - 12435)

    Mе=X0+ h*((0,5i-SMe-1)/fMe), гдеX0 - нижняя граница медианного интервала; h - величина медианного интервала; 0,5i – половина накопительной частоты; SMe-1 – накопительная частота, интервала предшествующего медианному; fMe - частота медианного интервала.

    Ме = 12435+1566 * ((7,5-3)/4) = 14196,75

     

     

     

     

  • 2.2Оценка динамики изменения показателей.
  • Динамика изменения объёма производства,.
  • Месяц

    Производства, т.

    абсолютный прирост

    темп роста, %

    темп прироста, %

    базисный

    цепной

    базисный

    цепной

    базисный

    цепной

    Январь

    7737

    -

    -

    -

    -

    -

    -

    Февраль

    13035

    5298

    5298

    168,5

    168,5

    68,5

    68,5

    Март

    12605

    4868

    -430

    162,9

    96,7

    62,9

    -3,3

    Апрель

    13501

    5764

    896

    174,5

    107,1

    74,5

    7,1

    Май

    14198

    6461

    697

    183,5

    105,2

    83,5

    5,2

    Июнь

    15217

    7480

    1019

    196,7

    107,2

    96,7

    7,2

    Июль

    12027

    4290

    -3190

    155,4

    79,0

    55,4

    -21,0

    Август

    10675

    2938

    -1352

    138,0

    88,8

    38,0

    -11,2

    Сентябрь

    11002

    3265

    327

    142,2

    103,1

    42,2

    3,1

    Октябрь

    15542

    7805

    4540

    200,9

    141,3

    100,9

    41,3

    Ноябрь

    10557

    2820

    -4985

    136,4

    67,9

    36,4

    -32,1

    Декабрь

    12081

    4344

    1524

    156,1

    114,4

    56,1

    14,4

    Январь

    13021

    5284

    940

    168,3

    107,8

    68,3

    7,8

    февраль

    12900

    5163

    -121

    166,7

    99,1

    66,7

    -0,9

    Март

    12100

    4363

    -800

    156,4

    93,8

    56,4

    -6,2

    Информация о работе Обработка статистических данных предприятия