Содержание

Задания по теме «Обработка данных средствами табличного процессора Microsoft Excel» 2

Задание 1. Расширенная фильтрация 2

Задание 2. Использование стандартных функций без данных. 3

Задание №3. Сводная таблица. 4

А. Однофакторный регрессионный анализ 6

B. Многофакторный регрессионный анализ 12

Задание по теме «Обработка данных средствами СУБД Microsoft Access» 17

Задание по теме «Создание сайта» 26

Задания по теме «Обработка данных средствами табличного процессора Microsoft Excel» Задание 1. Расширенная фильтрация

Если необходимо создать копию данных, не зависящую от смены критериев фильтрации, то обычно используют расширенный фильтр. Для выполнения такой фильтрации необходимо выполнить команду ДанныеФильтрРасширенный фильтр. Рассмотрим работу расширенного фильтра на следующем примере. Есть следующий список данных:

Рисунок 1 − Ввод данных
Рассмотрим следующие примеры выборок. Пример №1. Выбрать всех у кого сумма баллов от 12 до 15. Скопируем заголовок таблицы в ячейки, находящиеся ниже основной таблицы и зададим условие выборки.
Рисунок 2 – Фрагмент выборки на основе данных

После этого выполняем команду ДанныеФильтрРасширенный фильтр.

Рисунок 3 − Расширенный фильтр

В результате получаем следующий список данных

Рисунок 4 − Обновленный список данных

При создании критериев фильтрации достаточно скопировать заголовки только тех полей, по которым будет идти выборка.

Пример №2. Выбрать всех, кто родился после 1980 года.

В этом случае критерий выборки выполним данным способом:

Рисунок 5 − Условие выборки

В результате выборки получиться следующий список:

Рисунок 6

Задание 2. Использование стандартных функций без данных.

Пример №1. Найти число успешно сдавших экзамены.

Критерием поиска будет следующее условие

Рисунок 7 − Условие поиска

Далее вводим в нужную ячейку следущую формулу:=БСЧЁТА и выделяем нужные данные.

Получаем:

Рисунок 8 − Результаты поиска

Пример№2. Найти средний балл по математике на экономическом факультете

Оформим это в виде небольшой таблицы

Рисунок 9 − Значение среднего балла

Задание №3. Сводная таблица.

Пример№1. Создать сводную таблицу среднего балла по каждому предмету и по каждому факультету.

Устанавливаем курсор на базу данных. Выполняем команду Данные  Сводная таблица. После щелчка на кнопке Далее, уточняем выбранный диапазон и щелкаем на кнопке Далее. На третьем шаге строим макет таблицы. Перетащим кнопку с названием поля Факультет в область Строка. Перетащим кнопку с названием поля Математика в

Область Данные и дважды щелкнем на кнопке Сумма по полю Математика. В открывшемся окне выберем операцию Среднее и щелкнем на кнопке ОК. Аналогично перетащим в область Данные кнопки с названием полей Физика и Русский. После того, как макет создан нажмем на кнопке ОК. Установим переключатель новый лист и нажмем на кнопку Готово. Получаем:

Рисунок 10 − Сводная таблица

А. Однофакторный регрессионный анализ Вариант 1

1. Построить линейное уравнение множественной регрессии и пояснить экономический смысл его параметров.

2. Определить стандартизированные коэффициенты регрессии.

3. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции, сделать вывод.

4. Дать оценку полученного уравнения на основе коэффициента детерминации и общего F − критерия Фишера.

Список данных

Рисунок 1 − Список данных

Решение:

1. Построим линейное уравнение множественной регрессии и поясним экономический смысл его параметров.

Линейное уравнение множественной регрессии у от х₁ х₂ имеет вид:

y=b₀+b₁x₁+b₂x₂

Определим коэффициенты уравнения регрессии.

Проведем корреляционный анализ данных:

Рисунок 2 − Регрессия

Представлены результаты расчетов:

Рисунок 3 − Результаты расчетов

Столбец Коэффициенты содержит численные значения коэффициентов регрессии.

Уравнение регрессии (оценка уравнения регрессии) имеет вид:

Y= − 32,993 + 2,663х1

2. Определим стандартизированные коэффициенты регрессии.

Проведем корреляционный анализ данных

Рисунок 4 − Корреляционный анализ

Представлены результаты расчетов:

Рисунок 5 − Результаты расчетов

Для оценки ẞ − коэффициентов применим МНК. При этом система нормальных уравнений будет иметь вид:

r_x1y= ẞ₁+r_x1x2* ẞ+…+r_x1xm* ẞ_m

r_x2y=r_x2x1* ẞ₁+ ẞ₂+…+r_x2xm* ẞ_m

r_xmy=r_xmx1* ẞ₁+r_xmx2* ẞ₂+…+ ẞ

Для наших данных (берем из матрицы парных коэффициентов корреляции): 0,974=ẞ₁+ ẞ₂

Искомое уравнение в стандартизованном масштабе t_y= ẞ₁t_x1+ ẞ₂t_x2

Расчет ẞ − коэффициентов можно выполнить и по формулам:

Стандартизированная форма уравнения регрессии имеет вид:

t_y = 0,974х₁+0х₂

3. Определим парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции, сделать вывод.

Коэффициент множественной корреляции можно определить через матрицы парных коэффициентов корреляции:

где

– определитель матрицы парных коэффициентов корреляции;

– определитель матрицы межфакторной корреляции.

Коэффициент множественной корреляции

Расчет коэффициента корреляции выполним, используя известные значения линейных коэффициентов парной корреляции и − коэффициентов.

Коэффициент детерминации

R² = 0,948

Частные коэффициенты корреляции.

= =0,974

Теснота связи сильная.

4. Дать оценку полученного уравнения на основе коэффициента детерминации и общего F − критерия Фишера.

Проверка значимости модели регрессии проводится с использованием F − критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели.

Если расчетное значение с k1=(m) и k2=(n − m − 1) степенями свободы больше табличного при заданном уровне значимости, то модель считается значимой.

= 1 −

Выдвигается нулевая гипотеза о том, что уравнение в целом статистически незначимо: Н₀: R²=0 на уровне значимости

Определяют фактическое значение F − критерия:

F= * = * = 145,846

где m=1 для парной регрессии.

Табличное значение критерия со степенями свободы =8, F_табл= 5,32

Поскольку фактическое значение F>F_табл, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна).