• Nie Znaleziono Wyników

Praca domowa #2 z SAD (laboratorium)

N/A
N/A
Protected

Academic year: 2021

Share "Praca domowa #2 z SAD (laboratorium)"

Copied!
4
0
0

Pełen tekst

(1)

Praca domowa #2 z SAD (laboratorium)

Zadanie 1:

W oparciu o podane wykresy diagnostyczne i informację o wielkości próby oceń i skomentuj, czy są spełnione założenia KMRL dotyczące składnika losowego (łącznie z założeniem o normalności rozkładu) oraz czy występują obserwacje wpływowe.

(a) n = 38

15 20 25 30 35 40

−505

Fitted values

Residuals

Residuals vs Fitted

25

38 37

−2 −1 0 1 2

−505

norm quantiles

reg$residuals

25

38

Time

ts(reg$residuals)

0 10 20 30

−505

0.00 0.05 0.10 0.15

−2−1012

Leverage

Standardized residuals

Cook's distance

0.5 0.5

Residuals vs Leverage

38 37 36

(b) n = 204

2000 4000 6000 8000

−150−100−50050100150

Fitted values

Residuals

Residuals vs Fitted

127125 190

−3 −2 −1 0 1 2 3

−100−50050100150

norm quantiles

reg$residuals

125127

Time

ts(reg$residuals)

0 50 100 150 200

−100−50050100150

0.00 0.01 0.02 0.03 0.04

−2−10123

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

204 190

1

(c) n = 203

−50 0 50 100

−100−50050100

Fitted values

Residuals

Residuals vs Fitted

128 151 113

−3 −2 −1 0 1 2 3

−100−50050

norm quantiles

reg$residuals

128

113

Time

ts(reg$residuals)

0 50 100 150 200

−100−50050

0.00 0.02 0.04 0.06 0.08 0.10 0.12

−4−202

Leverage

Standardized residuals

Cook's distance

0.5 0.5

Residuals vs Leverage

200 113

199

1

(2)

(d) n = 1000

5 10 15 20 25 30 35

−4−202

Fitted values

Residuals

Residuals vs Fitted

498 245

133

−3 −2 −1 0 1 2 3

−3−2−10123

norm quantiles

reg$residuals

498 245

Time

ts(reg$residuals)

0 200 400 600 800 1000

−3−2−10123

0.000 0.005 0.010 0.015

−4−202

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

764 106

241

(e) n = 1000

5 10 15 20 25 30 35

−4−202

Fitted values

Residuals

Residuals vs Fitted

283 447 498

−3 −2 −1 0 1 2 3

−4−3−2−1012

norm quantiles

reg$residuals

283 498

Time

ts(reg$residuals)

0 200 400 600 800 1000

−4−3−2−1012

0.00 0.05 0.10 0.15

−4−202

Leverage

Standardized residuals

Cook's distance

1 0.5 0.5

Residuals vs Leverage

283 447

385

(f) n = 1285

10000 20000 30000 40000 50000 60000

−1e+050e+001e+052e+053e+054e+05

Fitted values

Residuals

Residuals vs Fitted

853

693

205

−3 −2 −1 0 1 2 3

0e+001e+052e+053e+05

norm quantiles

reg$residuals

853

693

Time

ts(reg$residuals)

0 200 400 600 800 1000 1200

0e+001e+052e+053e+05

0.00 0.02 0.04 0.06 0.08

0510

Leverage

Standardized residuals

Cook's distance

0.5 1

Residuals vs Leverage

693 853

205

(g) n = 100

10000 20000 30000 40000

−200000200004000060000

Fitted values

Residuals

Residuals vs Fitted

449

606 1111

−2 −1 0 1 2

−200000200004000060000

norm quantiles

reg$residuals

449

606

Time

ts(reg$residuals)

0 20 40 60 80 100

−200000200004000060000

0.0 0.2 0.4 0.6

−2−1012345

Leverage

Standardized residuals

Cook's distance

1 0.5 0.5 1

Residuals vs Leverage

826 1111

449

(h) n = 100

−100 0 100 200 300 400 500

−20020406080

Fitted values

Residuals

Residuals vs Fitted

1232 227719

−2 −1 0 1 2

−20020406080

norm quantiles

reg$residuals

2271232

Time

ts(reg$residuals)

0 20 40 60 80 100

−20020406080

0.00 0.02 0.04 0.06 0.08 0.10 0.12

−101234

Leverage

Standardized residuals

Cook's distance

0.5

Residuals vs Leverage

719227 199

2

(3)

(i) n = 100

0 100 200 300 400 500 600

−2−1012

Fitted values

Residuals

Residuals vs Fitted

509 936 719

−2 −1 0 1 2

−2−1012

norm quantiles

reg$residuals

936509

Time

ts(reg$residuals)

0 20 40 60 80 100

−2−1012

0.00 0.05 0.10 0.15 0.20

−2−1012

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

719 783

1071

(j) n = 200

−1000 −500 0 500 1000 1500 2000

−100001000200030004000

Fitted values

Residuals

Residuals vs Fitted

1513 1084

6394

−3 −2 −1 0 1 2 3

−100001000200030004000

norm quantiles

reg$residuals

1513 1084

Time

ts(reg$residuals)

0 50 100 150 200

−100001000200030004000

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35

−20246

Leverage

Standardized residuals

Cook's distance

0.5 1

Residuals vs Leverage

6394 1513 1084

(k) n = 200

−500 0 500 1000 1500 2000

−100001000200030004000

Fitted values

Residuals

Residuals vs Fitted

1513 1084

6394

−3 −2 −1 0 1 2 3

−100001000200030004000

norm quantiles

reg$residuals

1513 1084

Time

ts(reg$residuals)

0 50 100 150 200

−100001000200030004000

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35

−20246

Leverage

Standardized residuals

Cook's distance

0.5 1

Residuals vs Leverage

6394 1084 1513

(l) n = 10000

0 200 400 600 800 1000 1200

−4−2024

Fitted values

Residuals

Residuals vs Fitted

1163

3248 3227

−4 −2 0 2 4

−4−2024

norm quantiles

reg$residuals

1163

3248

Time

ts(reg$residuals)

0 2000 4000 6000 8000 10000

−4−2024

0.000 0.005 0.010 0.015

−4−2024

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

3287 2280

5845

(m) n = 38

24 26 28 30 32 34

−15−10−50510

Fitted values

Residuals

Residuals vs Fitted

12 32

−2 −1 0 1 2

−10−50510

norm quantiles

reg$residuals

1 2

Time

ts(reg$residuals)

0 10 20 30

−10−50510

0.0 0.2 0.4 0.6 0.8 1.0

−1.5−1.0−0.50.00.51.01.5

Leverage

Standardized residuals

Cook's distance

1 0.5

Residuals vs Leverage

38

12

3

(4)

(n) n = 38

24 26 28 30 32 34

−15−10−50510

Fitted values

Residuals

Residuals vs Fitted

12 32

−2 −1 0 1 2

−10−50510

norm quantiles

reg$residuals

1 2

Time

ts(reg$residuals)

0 5 10 15 20 25 30 35

−10−50510

0.0 0.2 0.4 0.6 0.8 1.0

−2.0−1.5−1.0−0.50.00.51.01.5

Leverage

Standardized residuals

Cook's distance

1 0.5

Residuals vs Leverage

37 12

(o) n = 500

0 200 400 600 800 1000 1200

−3−2−101234

Fitted values

Residuals

Residuals vs Fitted

481 427

409

−3 −2 −1 0 1 2 3

−2−10123

norm quantiles

reg$residuals

481 427

Time

ts(reg$residuals)

0 100 200 300 400 500

−2−10123

0.00 0.05 0.10 0.15 0.20 0.25

−3−2−101234

Leverage

Standardized residuals

Cook's distance

0.5 0.5 1

Residuals vs Leverage

36 23

494

(p) n = 340

0 5 10 15

−15−10−50510

Fitted values

Residuals

Residuals vs Fitted

172171 173

−3 −2 −1 0 1 2 3

−15−10−50510

norm quantiles

reg$residuals

172 171

Time

ts(reg$residuals)

0 50 100 150 200 250 300 350

−15−10−50510

0.000 0.002 0.004 0.006 0.008 0.010 0.012

−2−1012

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

324325322

(q) n = 436

−1500 −1000 −500 0 500

−500−400−300−200−1000100

Fitted values

Residuals

Residuals vs Fitted

1 2 3

−3 −2 −1 0 1 2 3

−400−300−200−1000100

norm quantiles

reg$residuals

1 2

Time

ts(reg$residuals)

0 100 200 300 400

−400−300−200−1000100

0.000 0.005 0.010 0.015

−5−4−3−2−101

Leverage

Standardized residuals

Cook's distance

Residuals vs Leverage

1 2 3

(r) n = 3000

−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5

−1.5−1.0−0.50.00.51.01.5

Fitted values

Residuals

Residuals vs Fitted

267 1198

859

−3 −2 −1 0 1 2 3

−1.0−0.50.00.51.01.5

norm quantiles

reg$residuals

2671198

Time

ts(reg$residuals)

0 500 1000 1500 2000 2500 3000

−1.0−0.50.00.51.01.5

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35

−4−20246

Leverage

Standardized residuals

Cook's distance

1 0.5 0.5 1

Residuals vs Leverage

267 1198

2481

4

Cytaty

Powiązane dokumenty

Można i należy korzystać z twierdzeń dowiedzionych na wykładzie i ćwiczeniach, ale w przypadku twierdzeń bez nazwy/nazwiska należy wskazać na założenia i tezę

Mamy sześciościenną kostkę do gry, przy czym nie znamy prawdopodobieństwa wypadnięcia 6, oznaczo- nego

Tam, gdzie zasadne, sprawdzić, czy założenia testu są

Niespełnione założenie o normalności rozkładu (zachowanie ogonów) – jednak próba jest duża, moglibyśmy się powołać na CTG.. Niespełnione założenie o normalności

Albo wykorzystujemy wynik z ćwiczeń, albo wyprowadzamy postać estymatora, pamiętając, że w modelu pojawia się stała (pierwsza kolumna macierzy X to jedynki).. Korzystamy

(d) (1 pkt) Dla wybranej na podstawie kryterium liczby skupień obejrzyj statystyki opisowe (niewystanda- ryzowanych) zmiennych (lub ich transformacji, jeśli uznasz to za potrzebne)

Kasjerka, wprowadzając cenę, pomyłkowo zmieniła kolejność cyfr, przez co kwota, którą miał zapłacić klient, była 1 ¾ razy większa od rzeczywistej ceny książki..

Wyznaczyć środek ciężkości wycinka okręgu o promieniu R, gęstość ρ, kącie β i kącie położenia α.