统计学课程实验报告

统 计 学 原 理

课 程 实 验 报 告

实验一：EXCEL的数据整理与显示

一、实验结果与数据处理

1.组距式次数分布表及条形图

工人日加工零件分布表 分组（日加工零件数） 人数（个） 100～109 110～119 120～129 130～139

3 14 23 10

2.频数分布表级直方图

频数分布表 分组 100～109 110～119 120～129 130～139 频数 3 14 23 10 频率 0.06 0.28 0.46 0.2

二、讨论与结论

在实际操作过程中，认为制表比制图简单很多，制图的很多细节都不会，在老师同学的细心帮助下，才勉强完成。也懂得了excel的深奥和重要性，在以后的工作学习中要多多练习。

实验二：EXCEL的数据特征描述、抽样推断

一、实验结果与数据处理 1.

特征值 单位总量 标志总量 最大值 最小值 平均数 50.00 6142.00 139.00 107.00 122.84

中位数 123.00 几何平均数 122.58 调和平均数 122.31 变异统计的平均差 6.41 变异统计的标准差 8.12 变异统计的方差 65.97 变异统计的峰值 -0.50 变异统计的偏度 0.03 2.区间估计

. x125.3； =8.48 ；z0.521.96 所以，置信区间为：xz2_n，即125.31.96*8.4850,

得出，平均日产量估计区间为122.,127.36 . p=5%，置信区间为pZ2*

p(1p), n即优秀率估计区间：(16%,21.84%)

3.假设检验

. 平均日产量检验：设H0≤115，H1>115

x125.3； s=8.48.t0.525012.009. t125.3115=8.583>2.009,所以可接受工人日加工零件数有明显提高

8.4850. 设H0：π=π0 H1：π≠π0

已知P=0.14 π0=0.05 t0.025(50-1)=2.009

ZP(1)n=(0.14-0.05)/0.05(10.05)500.008<2.009

所以，接受原假设。

二、讨论与结论

这道题相对要简单，因为有两道计算题，上课都学过了方法，只需套用公式。难点在于编辑各种符号，把公式整齐地表现出来。经过努力，最后还是摸索出了公式编辑器的使用方法。

实验三：时间序列分析

一、实验结果与数据处理 1.原始数据

月份 1 2 3 4 5 6 7 8 9 10 11 12 第一年 559 447 345 354 374 359 365 437 353 295 454 457 第二年 574 469 366 327 412 353 381 460 344 311 453 486 第三年 585 455 352 341 388 332 392 429 361 291 395 491 第四年 542 438 341 427 358 355 376 441 382 377 398 414

2.季节指数求解

年/季度 第一年/1 2 3 4 第二年/1 2 3 4 第三年/1 2 3 时间标号 用电量 1 1351 2 1087 3 1155 4 1206 5 1409 6 1092 7 1185 8 1250 9 1392 10 1061 11 1182 移动平均值 1199.75 1214.25 1215.5 1223 1234 1229.75 1222 1221.25 1203 中心化后移动平均值 比值 1207 0.956917978 1214.875 0.992694722 1219.25 1.15562846 1228.5 0.8888888 1231.875 0.96194825 1225.875 1.019679821 1221.625 1.139465875 1212.125 0.875322265 1194.125 0.9846122

4 第四年/1 2 3 4

12 13 14 15 16 1177 1321 1140 1199 11 1185.25 1195.125 0.984834222 1205 1207.125 1.094335715 1209.25 1210.75 0.941565146 1212.25

季节指数计算表 年/季度 1 2 第一年 第二年 1.1556285 0.88 第三年 1.1394659 0.8753 第四年 1.0943357 0.9416 合计 3.34301 2.7058 平均 1.12981 0.9019 季节指数 1.1297039 0.9018

3.季节指数 3 4 合计 0.95691798 0.992694722 1.9496127 0.96194825 1.019679821 4.026145419 0.984612 0.984834222 3.9468484 2.035900861 2.90871235 2.997208765 12.00112746 0.96957078 0.999069588 4.000375821 0.9694797 0.9975729 4 季节 指数 1 1.129704 2 0.901841

3 0.96948 4 0.9976

2.季节分离后趋势

SUMMARY OUTPUT

回归统计

Multiple R 0.04541678 R Square 0.00206268 Adjusted R Square -0.0692186 标准误差 29.3985784 观测值 16 方差分析 回归分析 残差 总计

df

1 14 15

Significance

SS MS F F

25.01 25.00975 0.0237258 0.867357743 12100 8.2714 12125

Upper 下限 上限

P-value Lower 95% 95% 95.0% 95.0% 6.45844E-20 1176.999811 1243.131 1177 1243.131 0.867357743 -3.148349741 3.690782 -3.14835 3.690782

标准误

Coefficients 差 t Stat

Intercept 1210.06544 15.417 78.4903345 X Variable 1 0.27121616 1.5944 0.17010955

年/季度 第一年/1 时间标号 1 用电量 季节指数 1351 1.12970388 季节分离后的时间序列 1195.888613 回归后的趋势 最终预测 预测误差 1210.336655 1367.322 -16.322

2 3 4 第二年/1 2 3 4 第三年/1 2 3 4 第四年/1 2 3 4 第五年/1 2 3 4 3.

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1087 1155 1206 1409 1092 1185 1250 1392 1061 1182 1177 1321 1140 1199 11 0.9018407 0.9694797 0.997573 1.12970388 0.9018407 0.9694797 0.997573 1.12970388 0.9018407 0.9694797 0.997573 1.12970388 0.9018407 0.9694797 0.997573 1.12970388 0.9018407 0.9694797 0.997573 1205.3125 1191.360691 1207.236537 1247.229501 1210.856862 1222.305125 1251.281651 1232.181309 1176.48272 1219.210681 1178.206803 1169.332981 12.081339 1236.74586 1190.219107 1210.607872 1210.879088 1211.150304 1211.42152 1211.692736 1211.963952 1212.235168 1212.506385 1212.777601 1213.048817 1213.320033 1213.591249 1213.862465 1214.133682 1214.4048 1214.676114 1214.94733 1215.218546 1215.4762 1091.775 1173.923 1209.91 1368.548 1092.754 1174.974 1210.994 1369.773 1093.732 1176.026 1212.077 1370.999 1094.711 1177.078 1213.161 1372.224 1095.6 1178.13 1214.245 -4.77545 -18.9227 -3.90976 40.45241 -0.75383 10.02556 39.009 22.22684 -32.7322 5.973802 -35.0773 -49.9987 45.242 21.92205 -24.161

4.用电量趋势图

二、讨论与结论

这道题在完成的过程中感觉十分吃力，因为数据繁多复杂，有些概念还是容易

混淆，最后在请教同学加百度以后完成了任务。

实验四：一元线性回归分析

一、实验结果与数据处理

REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF OUTS CI(95) BCOV R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN

/DEPENDENT 财政收入

/METHOD=ENTER 国内生产总值 /RESIDUALS ID(年份) /SAVE PRED.

输入／移去的变量 模型 1 输入的变量 国内生产总值 移去的变量 方法 b. 输入 a. 已输入所有请求的变量。 b. 因变量: 财政收入 模型汇总 标准 估计的误模型 1 R .981 abR 方 .963 调整 R 方 .960 差 1762.95129 a. 预测变量: (常量), 国内生产总值。 b. 因变量: 财政收入 Anova 模型 1 回归 残差 总计 平方和 1.121E9 43511961.570 1.1E9 df 1 14 15 均方 1.121E9 3107997.255 F 360.631 Sig. .000 ab a. 预测变量: (常量), 国内生产总值。 b. 因变量: 财政收入 系数 模型 非标准化系数 标准系数 t Sig. a

B 1 (常量) 国内生产总值 a. 因变量: 财政收入 系数相关 模型 1 相关性 协方差 国内生产总值 国内生产总值 a标准 误差 3.679 .009 试用版 -2813.538 .176 .981 -3.148 18.990 .007 .000 国内生产总值 1.000 8.567E-5 a. 因变量: 财政收入 系数相关 模型 1 相关性 协方差 国内生产总值 国内生产总值 国内生产总值 1.000 8.567E-5 aa. 因变量: 财政收入 残差统计量 a 预测值 残差 标准 预测值 标准 残差 极小值 467.7162 -2416.46265 -1.328 -1.371 极大值 29367.3926 2469.38379 2.015 1.401 均值 11950.2675 .00000 .000 .000 标准 偏差 84.22601 1703.17276 1.000 .966 N 16 16 16 16 a. 因变量: 财政收入 得出线性回归方程：Y=-2812.538+0.176X

二、讨论与结论

这一题最大难点在于spss软件的安装上。之前从未接触过spss这一软件，通过这次实验我了解到SPSS是专业的数据分析软件，对软件很不熟悉，很多功能都不了解，有些数据的处理不知从何下手。通过向老师寻求帮助和与同学讨论，对SPSS有了一些了解，经过艰苦奋战还是完成了实验，同时也对统计学有了更加深入的认识。