Rezultatele empirice

Caracteristicile numerice ale unei serii de timp

In urma construirii unui workfile in programul R si a introducerii datelor, am calculat toate caracteristicile numerice ale seriei de timp: media, dispersia, Skewness, Kurtosis. Asadar, media seriei de timp este 25.026, iar dispersia are valoarea de 5.000032. Valoarea Skewness evalueaza n ce masura abaterile valorilor individuale de la medie sunt mai mari fata de abaterea standard si are valoarea 0.2620322, iar Kurtosis evalueaza ct de nalta sau ct de joasa este distributia frecventelor . Aceasta caracterizeaza forma unei distributii prin raportarea la forma distributiei normale si are valoarea in cazul seriei analizate de 3,161954. Excesul de aplatizare este 0,1691. Avand o valoare mai mare ca 0, deducem ca distributia este leptokurtotica. Identificarea distributiei datelor

Dinamica distributiei datelor este reprezentata in graficul de mai jos. Observam o variatie ampla a acesteia intre valorile 10 si 43. Intervalul in care se incadreaza majoritatea variatiilor ar fi 18-35, insa unele observatii ajung si spre valorile extreme ale primului interval specificat. Dinamica distributiei datelor

Histograma frecventelor absolute

Studiind graficul de mai sus, se observa o asimetrie atat spre stanga, cat si spre dreapta la nivelul histogramei frecventelor absolute. Am realizat si testul de normalitate cu reprezentarea grafica pentru a observa si mai bine aceste asimetrii.

Testarea grafica a normalitatii

Conform graficului de mai sus, seria de timp nu urmeaza o distributie normala. Linia verde arata forma unei distributii normale. Testul KDE (Kerner Density Estimation) este o metoda neparametrica de estimare a distributiei de probabilitate a unei variabile aleatoare, bazata pe un esantion arbitrar. Rezultatul acestui test este la nivelul seriei noastre este: 1.000501 with absolute error < 7.9e-05 Am reprezentat si graficul distributiei estimata prin KDE:

Linia mediana ce trece prin centrul distributiei seriei ar trebui sa imparta graficul in doua parti identice. Ori la nivelul seriei astudiate nu se pune problema unei simetrii, afirmatie ce intareste cele specificate anterior. Testul Kormogorov-Smirnov Acest test verifica concordanta dintre o repartitie teoretica F(x) (normala, binomiala, Poisson) si una empirica Fn (x), stabilita pe baza unui esantion de volum n. In urma introducerii comenzii pentru aplicarea testului KS, am obtinut o p-value de 0,0002473. Daca p-value este mai mica ca 0.05, se respinge ipoteza nula (ipoteza normalitatii seriei de timp). In cazul de fata, ipoteza nula este respinsa si inca o data este confirmat faptul ca seria de timp nu e distribuita normal. Estimarea parametrilor unei legi de repartitie

Testul Chi Patrat Cu ajutorul programului R am dedus valoarea parametrului specific testului Chi Patrat, de -89.98123, dupa care am calculat dispersia estimatorului. Pornind de la dispersie

am dedus si abaterea standard a estimatorului- 137.9825. Daca dorim sa testam ct de buna este o valoare banuita a fi corecta, testam ipotezele initial stabilite (H0=15, 25, 35). Implementarea MLE pentru distributia Poisson ???? (Nu stiu cat de corecta e partea asta!!!) Ne propunem sa implementam modelul MLE pentru distributia Poisson pentru ipotezele H0=15, H0=25 si H0=35. Pentru ipoteza H0=15, comenzile introduse in R, urmate de rezultate sunt: : > ppois(16, lambda=15) # lower tail , iar rezultatul este: 0.6641232 > ppois(16, lambda=15, lower=FALSE) # upper tail, cu rezultatul: 0.101291 Pentru ipoteza H0=25, comenzile introduse in R, urmate de rezultate sunt: > ppois(16, lambda=25) # lower tail , cu rezultatul: 0.03774765 > ppois(16, lambda=25, lower=FALSE) # upper tail 0.9622524 Pentru ipoteza H0=35, comenzile introduse in R, urmate de rezultate sunt: > ppois(16, lambda=25) # lower tail , cu rezultatul: 0.0002712206 > ppois(16, lambda=25, lower=FALSE) # upper tail, iar rezultatul este: 0.9997288 PS: Decat deloc bine si asa)