сгенерированных)

Коэффициент корреляции для данной пары подвыборок равен 0,269598. Т.е., можно сделать вывод о том, что взаимосвязь между потреблением газа в сгенерированных выборках положительная и слабая, так как .

Добавим столбец счетчик – порядковый номер наблюдения и построим точечный график, найдём коэффициент корреляции времени и подвыборки.

Рисунок 35- Точечный график для 0:00 и счётчика

Коэффициент корреляции для подвыборки за 0:00 ночи и времени равен 0,052041. Т.е., можно сделать вывод о том, что взаимосвязь между потреблением газа в 0:00 и временем очень слабая и почти отсутствует.

Рисунок 36- Точечный график для 9:00 и счётчика

Коэффициент корреляции для подвыборки за 9:00 ночи и времени равен 0,159484. Т.е., можно сделать вывод о том, что взаимосвязь между потреблением газа в 9:00 и временем очень слабая.

Используя «Анализ данных» построим матрицы корреляции по часовым подвыборкам из таблицы 1, округлим значения до сотых, сделаем выводы о коэффициентах корреляции в целом по матрице и опишем один из них подробнее.

Матрица коэффициентов корреляции – инструмент, позволяющий

оценивать коэффициенты парной корреляции между несколькими выборками

сразу. Это инструмент, позволяющий одновременно выявлять тесноту и

направление связи для нескольких выборок. По диагонали в матрице стоят 1, поскольку коэффициент корреляции выборки от самой себя всегда равен 1.

Я рассмотрю зависимость в промежутке времени от 0:00 до 7:00

Таблица 12 – Матрица корреляции

	0:00	1:00	2:00	3:00	4:00	5:00	6:00	7:00
0:00	1,00
1:00	0,99	1,00
2:00	0,99	0,99	1,00
3:00	0,98	0,98	0,99	1,00
4:00	0,98	0,98	0,99	0,99	1,00
5:00	0,98	0,98	0,98	0,99	0,99	1,00
6:00	0,98	0,98	0,98	0,98	0,99	0,99	1,00
7:00	0,97	0,97	0,97	0,98	0,98	0,98	0,99	1,00

Из таблицы 12 видно, что все коэффициенты корреляции больше 0,7, что означает сильную взаимосвязь каждого часа потребления газа от всех остальных часов потребления газа по отдельности.

Найдём коэффициент корреляции между медианами и мат. ожиданиями (таблица 1, задание 1).

Коэффициент корреляции между медианами и мат. ожиданиями равен 0,97453. Т.е., можно сделать вывод о том, что взаимосвязь между мат. ожиданиями и медианами положительная и сильная, так как . Это значит, что изменение среднего значения потребления газа (увеличение или уменьшение значений) будет сильно влиять на середину выборки, т.е. на медиану.

Очень трудно анализировать данные, в которых присутствуют резко отличающиеся значения (выброс). Для облегчения анализа исходной выборки, найдем выбросы в данных с помощью использования функции ЕСЛИ(( (( + )/2)>Ср. станд.откл.;выброс;норма)). В результате проведенного поиска были обнаружены 2 выброса в данных, а именно потребление газа 01.02.12 в 8:00 и 13:00. Как мы видим, выброс в данных произошел в один и тот же день, что говорит об исключении ошибки ввода исходной информации. Полученный результат говорит нам о наличии каких-либо уникальных или необычных событий, связанных с потреблением газа в этот день.

Заключение

Мною была пройдена учебная экономико-вычислительная практика. За время вычислительной практики я активно использовать теоретический материал курсов «Информатика» и «программирование», закрепил практические навыки работы в Excel. В качестве исходной информации мне была предоставлена информация о потреблении газа на Торбеевском ЛПУ в Рязанской области. Как мы можем наблюдать, исходная информация тесно связана с нефтегазовой отраслью, а следовательно, в процессе выполнения заданий по данной исходной информации, я узнал о закономерностях газопотрбления в длительном периоде, узнал об особенностях газопотребления.