Documente Academic
Documente Profesional
Documente Cultură
LINIARA
Joi, 10 Martie 2016
Modele
Un model este o reprezentare a unui anumit
fenomen
Model matematic - o reprezentare
matematic a unui fenomen
De cele mai multe ori un model descrie
legturile existente ntre dou sau mai multe
variabile
n general, snt dou clase de modele:
Modele deterministe
Modele probabiliste
3
Modele
deterministe
Exprim o relaie
exact ntre
variabile
Teoretic, eroarea
de previziune este
nul
Exemplu:
Principiul al doilea al
mecanicii
newtoniene:
F = m.a
Modele probabiliste
Componenta
determinist
Componenta aleatoare
Eroarea de previziune
este nenul
Componenta aleatoare
poate fi datorat
factorilor obiectivi, ce
nu snt inclui n model
Exemplu: Volumul
vnzrilor=10 *
Cheltuielile cu
publicitatea +
Componenta aleatoare
4
Modele
de
Correlation
Correlation
Models
corelatie
Models
Alte
Other
Other
Models
Models
modele
5
Y f ( X 1 ,..., X n )
Variabila
dependent
Variabile
independente
(variabila
endogen)
(variabile
exogene/explicative)
Variabila
rezidual
dC
1
dV
Modele
de regresie
2+ Variabile
explicative
Multiple
Simple
Linear
NonLinear
Linear
NonLinear
8
Legtur neliniar
10
Exemplu
practic
suprafaa(m2) i Y chiria
lunar(RON).
11
12
13
14
Corelograma(Scatter plot)
Graficul punctelor de coordonate (Xi,Yi), i=1,n.
2500
2000
Chiria(RON)
1500
1000
500
0
0
50
100
150
Suprafata(m2)
200
250
15
Yi 0 1 X i i
Variabila
dependent
(rspuns)
Variabila
de
perturbaie
Variabila
independent
Panta dreptei de
regresie
(explicativ)
16
17
18
Dreapta de regresie
19
Yi 0 1X i i
Valoarea
observat
i = Eroarea
YX
(E(Y))
Valoarea
observat
0 1X i
X
20
Yi 0 1 X i
Yi
Xi
= Estimatorul pantei 1
21
L Yi Yi
Ne reamintim c
i 1
i2 min
i 1
deci
Yi 0 1 xi
22
Ilustrare grafic
n
LS minimizeaz
i 1
2
i
2
1
2
2
2
3
2
4
Y2 0 1 X 2 2
^4
^2
^1
^3
Yi 0 1 X i
X
23
Condiiile de minim:
24
b1
cov(X , Y )
2
sx
b 0 y b1 x
25
Notaii
Valoarea estimat:
Valoarea rezidual(reziduul):
26
27
1
x
2
V( 0 )
n S xx
2
V(1 )
S xx
n
Sample 1 Line
All
Sample 2 Line
Population Line
X
Sampling Distribution
S^1
^
1
Possible
Sample Slopes
Sample 1:
2.5
Sample 2:
1.6
Sample 3:
1.8
Sample 4:
2.1
:
:
Very large number of
sample slopes
29
2
e
i
i 1
n2
2
2
)
S
V
(
xx
1
-SE (1 )
df
n2
S xx
1 x2
2
n
S
V
(
)
1
x
xx
2
0
-SE ( 0 )
df
n2
n S xx
2
Pentru termenul
0 t / 2,n2 SEliber(intercept)
( 0 ) 0 0 t / 2,n 2 SE ( 0 )
0 t / 2,n2
2
1 x2
1
x
2
0 0 t / 2,n2
n S xx
n S xx
2
1 t / 2,n2 SE ( 1 ) 1 1 t / 2,n2 SE ( 1 )
1 t / 2,n2
unde
2
2
x
x
2
2
1 1 t / 2,n2
S xx
S xx
n
e
i 1
2
i
n2
31
Teorema Gauss-Markov
( y y)( x x) y ( x x) y ( x x) y ( x x)
i
i 1
( x x)
i 1
i 1
i 1
( x x)
i 1
i 1
i 1
i 1
i 1
i 1
n
( x x)
i yi
i 1
i 1
i 1
i 1
Pentru ca E( ) 1 , e necesar ca qi 0 i qi xi 1.
'
'
i 1
(
i 1
2
i
2 i vi v )
2
i
(
i 1
2
i
v )
2
i
i 1
2
i
q .
i 1
(
i 1
2
i
vi ) 2
V ( 1 ).*** QED
32