Монтаж окна в металлочерепицу в орле.

1.Как правильно задать значение функции ЛИНЕИН для модели Y=a0+a1x1?
Выделить блок ячеек размером два столбца на 5 строк. Вызвать функцию ЛИНЕИН. Массив 1: выделить столбик значений Z - вектор зависимой переменной, массив 2: выделить столбик значений X1 - матрица независимых переменных. Константа: равна 1, Статистика: равна 1.
2. Как правильно задать значения функции ЛИНЕИН для модели Y=а1Х1+а2Х2?
Выделить блок ячеек размером два столбца на 5 строк. Вызвать функцию ЛИНЕИН. Массив 1: выделить столбик значений Z - вектор зависимой переменной, массив 2: выделить столбики значений X1 и Х2 - матрица независимых переменных. Константа: равна 0, Статистика: равна 1.
3. В какой строке функции ЛИНЕИН находятся стандартные значения ошибок для коэффициентов?
во второй строке
4.В какой строке функции ЛИНЕИН находятся искомые коэфицненты модели?
В первой строке
5.Необходимо определишь корреляции массива Х4 с массивами X1, Х2, Y. Какой диапазон ячеек нужно отметить абсолютными ссылками?
X4
6. Как определить число степеней свободы для модели?
Степень свободы - это разница между количеством измерений и количеством параметров измерений k=n-m
7.Оценка коэфициента а=3,342. при каком значении среднеквадритического отклонения S эту оценку можно считать значимой?
8.Укажите линейную модель с 2 факторами и 3 регрессорами:
Y=a1x1+a2x2+a3x2^2
9. Что такое невязки модели?
Невязки ~ это сумма квадратов отклонений расчетных значений уfовнений у1 от их фактических значений Zi ei=zi-yi
10.Процедура идентификации моделей включает в себя следующие этапы:
1) нахождение вида цели структуры модели (аО=а1-Х2);
2) нахождение параметров модели;
3)оценка качества модели, вертификация модели -степень адекватности модели исходных данных.
11.Какой критерий лежит в основе оценивания параметров модели методом наименьших квадратов?
Критерий минимизации суммы квадратов отклонений между исходными данными и модельными значениями.
12.Если в функции ЛИНЕЙН не определить значение СТАТИСТИКА, то в результате получим:
только ряд ошибок оценки параметров.
13. Сезонная компанента временного ряда это
— адитивный компонент, который отражает достаточно распространенную как среди природных, так и среди искусственных процесов регулярную повторимость явлений.
14. Циклическая компонента временного ряда учитывает:
нерегулярные, относительно длительные по времени периоды возрастания и спада уровней временного ряда.
15. Аппроксимативная модель - это модель отображающая чисто внешние формальные взаимосвязи без вскрытия внутренних явлений изучаемого процесса.
16. Модель - это физическая система либо формальное описание, отражающее наиболее существенные свойства изучаемой системы, процесса или явления.
17.Математическая модель - это система математических выражений, отражающих изучаемую систему или процесс.
18.Структурная идентификация — это выбор существенных, входящих в модель и определения взаимосвязей между ними.
19.Параметрическая идентификация - это оценка параметров модели, исходя из определенного критерия.
20.Выбор вида уравнения наилучшей линейной регрессии может быть произведен: Методом шаговой регрессии с применением F- критерия Фишера и t - критерия Стюдента.
21. Тренд - это эволюционный гладкий компонент исходящего процесса Z(t), который характеризует влияние долгосрочных постепенно действующих факторов, медленный и инерционный.
22. Метод гармонических весов при прогнозе позволяет учесть особенности тренда (модели) присущие более поздним наблюдениям временного ряда.
23.Значение гармонических весов определяется так, чтобы приросты весов были обратно пропорциональны времени отделяющему очередное iитое) -значение от последнего n(энного) mt+m1=(1/n-t)
24.Постоянная в методе экспоненциального сглаживания обычно выбирается из интервала 0,03 - 0,4.
25. Прогноз с привлечением методов авторегрессии позволяет учесть:
Влияние случайных составляющих временного p и имеющие отличия от 0 автокоррелфункции
26. Значения коэффициента детерминации зависят от Zc- среднее значение зависимой переменной
27. Выборочные оценки автокорреляционной функции используются при построении модели авторегрессии.
28. Наиболее распространенный прием обнаружения автокорреляции между элементами временного ряда базируется на критерии Дарвина- Уотсона.
29. Значение статистики Дарвина-Уотсона изменяется в пределах: от 0-4
30. При отсутствии автокорреляции между элементами временного ряда значение статистики Дарвина-Уотсона близко к 2
31.Прогноз значений временного ряда методом авторегрессии в общем случае:
32.Порядок авторегрессни связан: с длинной интервала автокорреляции.
33. Выбор значений гармонических весов зависит от длинны временного ряда.
34. Изменение условий формирования значений временного ряда на момент прогноза не позволяет построить достоверный прогноз по имеющимся данным.
35. Регрессия – производная функции которая не содержит неизвестных параметров
36. Факторы – независимая переменная
37. 2 фактора (x1,x2,) 4 регрессора (a0,a1,a2,a3,a4)( Y=a0+a1x2+a2x2+a3x1x2+a4x1^2