第
3章 数据的概括性度量
(二)主要公式
第6、7章 抽样与参数估计
49名顾客组成了一个简单随机样本。
(1)假定总体标准差为15元,求样本均值的抽样标准误差。
σ=
=
=2.143 (2)在95
%的置信水平下,求边际误差。
∆=t ⋅σ,由于是大样本抽样,因此样本均值服从正态分布,因此概率度t=z α2
因此,∆=
t ⋅σ=
z α⋅σ=z 0.025⋅σ=1.96×2.143=4.2 (3)如果样本均值为120元,求总体均值 的95%的置信区间。 置信区间为:
(-∆, +∆)=(120-4.2,120+4.2)=(115.8,124.2)
7.4 从总体中抽取一个n=100的简单随机样本, 得到=81,s=12。
要求:
⎛σ2⎫⎛s 2⎫
大样本,样本均值服从正态分布: N μ, ⎪或 N μ, ⎪
⎝n ⎭⎝n ⎭
⎛
置信区间为: -z α2=1.2 +z α2⎝
(1)构建μ的90%的置信区间。
置信区间为:(79.03,82.97) z α=z 0.05=1.645,(81-1.645⨯1.2,81+1.645⨯1.2)=(2)构建μ的95%的置信区间。
z α=z 0.025=1.96,置信区间为:(81-1.96⨯1.2,81+1.96⨯1.2)=(78.65,83.35)(3)构建μ的99%的置信区间。
z α=z 0.005=2.576,置信区间为:(81-2.576⨯1.2,81+2.576⨯1.2)=(77.91,84.09)
7.13 一家研究机构想估计在网络公司工作的员工每周加班的平均时间,为此
间的90%的置信区间。
解:小样本,总体方差未知,用t 统计量
t = t (n -1)
均值=13.56,样本标准差s=7.801 置信区间:
⎛
-t n -1+t n -1(
)(
)α2α2
⎝
1-α
=0.90,n=18,
t α2(n -1)=t 0.05(17)=1.7369
⎛
-t n -1+t n -1()()α2α2
⎝
⎛
= 13.56-1.7369+1.7369=(10.36,16.75)
⎝
第8、9章 假设检验
抽取36件,测得其平均寿命为680小时。已知该元件寿命服从正态分布,σ=60小时,试在显著性水平0.05下确定这批元件是否合格。 解:H 0:μ≥700;H 1:μ<700
已知:=680 σ=
60
由于n=36>30,大样本,因此检验统计量:
z =
=-2 当α=0.05,查表得z α=1.645。因为z <-z α,故拒绝原假设,接受备择假设,说明这批产品不合格。
8.4 糖厂用自动打包机打包,每包标准重量是100千克。每天开工后需要检验
一次打包机工作是否正常。某日开工后测得9包重量(单位:千克) 如下: 99.3 98.7 100.5 101.2 98.3 99.7 99.5 102.1 100.5
已知包重服从正态分布,试检验该日打包机工作是否正常(a=0.05)? 解:H 0:μ=100;H 1:μ≠100
经计算得:=99.9778 S =1.21221 检验统计量:
t =
-0.055 当α=0.05,自由度n -1=9时,查表得t α(9)=2.262。因为t <t α2,样本统计量落在接受区域,故接受原假设,拒绝备择假设,说明打包机工作正常。
8.10 装配一个部件时可以采用不同的方法,所关心的问题是哪一个方法的效
率更高。劳动效率可以用平均装配时间反映。现从不同的装配方法中各抽取12件产品,记录各自的装配时间(单位:分钟) 如下:
甲方法:31 34 29 32 35 38 34 30 29 32 31 26 乙方法:26 24 28 29 30 29 32 26 31 29 32 28
两总体为正态总体,且方差相同。问两种方法的装配时间有无显著不同 (a=0.05)? 解:建立假设
H 0:μ1-μ2=0 H 1:μ1-μ2≠0
总体正态,小样本抽样,方差未知,方差相等,检验统计量
t =
-
根据样本数据计算,得n 1=12,n 2=121=31.75,2=28.6667,s 1=3.19446s 2=2.46183。
s
2
p
2
n 1-1)s 12+(n 1-1)s 2( =
n 1+n 2-2
12-1)⨯0.922162+(12-1)⨯0.710672( ==8.1326
12+12-2
t =
-=2.648
α=0.05时,临界点为t α(n 1+n 2-2)=t 0.025(22)=2.074,此题中t >t α2,故拒绝原假设,认为两种方法的装配时间有显著差异。
8.11 调查了339名50岁以上的人,其中205名吸烟者中有43个患慢性气管
炎,在134名不吸烟者中有13人患慢性气管炎。调查数据能否支持“吸烟者容易患慢性气管炎”这种观点(a=0.05)? 解:建立假设
H 0:π1≤π2;H 1:π1>π2
p 1=43/205=0.2097 n1=205 p 2=13/134=0.097 n2=134 检验统计量
z =
p -p -d
0.2098-0.097-0
=3
当α=0.05,查表得z α=1.645。因为z >z α,拒绝原假设,说明吸烟者容易患慢
性气管炎。
8.15 有人说在大学中男生的学习成绩比女生的学习成绩好。现从一个学校中
随机抽取了25名男生和16名女生,对他们进行了同样题目的测试。测试结果表明,男生的平均成绩为82分,方差为56分,女生的平均成绩为78分,方差为49分。假设显著性水平α=0.02,从上述数据中能得到什么结论?
解:首先进行方差是否相等的检验:
建立假设
22
H 0:σ12=σ2;H 1:σ12≠σ2 2n1=25,s 12=56,n2=16,s 2=49
56s 12
=1.143 F =2=49s 2
当α=0.02时,由于F 1-α2(24,15)F α(24,15)=3.294,F 1-α2(24,15)=0.346。<F <F α(24,15),检验统计量的值落在接受域中,所以接受原假设,说明总体方差无显著差异。
检验均值差: 建立假设
H 0:μ1-μ2≤0 H 1:μ1-μ2>0
总体正态,小样本抽样,方差未知,方差相等,检验统计量
t =
-
2
根据样本数据计算,得n 1=25,n 2=16,1=82,s 12=56,2=78,s 2=49
s
2
p
2
n 1-1)s 12+(n 1-1)s 2(=53.308
=
n 1+n 2-2
t =
-=1.711
α=0.02时,临界点为t α(n 1+n 2-2)=t 0.02(39)=2.125,t <t α,故不能拒绝原假
设,不能认为大学中男生的学习成绩比女生的学习成绩好。
第10章 方差分析
第11章 相关与回归分析
之间的线性关系是否显著,即检验假设:H 0:β1=0。
(1)线性关系检验的统计量F 值是多少? (2)给定显著性水平a =0.05,F a 是多少? (3)是拒绝原假设还是不拒绝原假设?
(4)假定x 与y 之间是负相关,计算相关系数r 。 (5)检验x 与y 之间的线性关系是否显著?
解:(1)SSR 的自由度为k=1;SSE 的自由度为n-k-1=18;
SSR 60 因此:F===27 40n -k -118
(2)F α(1,18)=F 0.05(1,18)=4.41 (3)拒绝原假设,线性关系显著。 (4),由于是负相关,因此r=-0.7746
(5)从F 检验看线性关系显著。
第12章 解:自变量3个,观察值15个。
ˆ=657.0534+5.710311X1-0.416917X 2-3.471481X 3 回归方程:y
拟合优度:判定系数R 2=0.70965,调整的R a 2=0.630463,说明三个自变量对因变量的影响的比例占到63%。
估计的标准误差S yx =109.429596,说明随即变动程度为109.429596 回归方程的检验:F 检验的P=0.002724,在显著性为5%的情况下,整个回归方
程线性关系显著。
回归系数的检验:β1的t 检验的P=0.008655,在显著性为5%的情况下,y 与X 1线性关系显著。
β2的t 检验的P=0.222174,在显著性为5%的情况下,y 与X 2
线性关系不显著。
β3的t 检验的P=0.034870,在显著性为5%的情况下,y 与X 3
线性关系显著。
因此,可以考虑采用逐步回归去除X 2,从新构建线性回归模型。
ˆ=-18.4+2.01x 1+4.74x 2,并且已知12.3 根据两个自变量得到的多元回归方程为y
n =10,SST =6 724.125,SSR =6 216.375,s βˆ=0.0813,s βˆ=0.056 7。要求:
1
2
(1)在a=0.05的显著性水平下,x 1, x 2与y 的线性关系是否显著? (2)在a =0.05的显著性水平下,β1是否显著?
(3)在a =0.05的显著性水平下,β2是否显著? 解(1)回归方程的显著性检验:
假设:H 0:β1=β2=0 H 1:β1,β2不全等于0 SSE=SST-SSR=6 724.125-6 216.375=507.75 F=
SSR p 2
==42.85
SSE n -p -1-2-1
F α(2,7)=4.74,F>F α(2,7),认为线性关系显著。 (2)回归系数的显著性检验: 假设:H 0:β1=0 H 1:β1≠0
t=
2.01β1==24.72 S β0.0813
1
t α2(n -p -1)=2.36,t >t α2(7),认为y 与x 1线性关系显著。 (3)回归系数的显著性检验: 假设:H 0:β2=0 H 1:β2≠0 t=
4.74β2==83.6 S β0.0567
2
t α2(n -p -1)=2.36,t >t α2(7),认为y 与x 2线性关系显著。
12.4 一家电器销售公司的管理人员认为,每月的销售额是广告费用的函数,并想通过广告费用对月销售额作出估计。下面是近8个月的销售额与广告费用数据:
(1)用电视广告费用作自变量,月销售额作因变量,建立估计的回归方程。 (2)用电视广告费用和报纸广告费用作自变量,月销售额作因变量,建立估计的回归方程。
(3)上述(1)和(2)所建立的估计方程,电视广告费用的系数是否相同? 对其回归系数分别进行解释。
(4)根据问题(2)所建立的估计方程,在销售收入的总变差中,被估计的回归方程所解释的比例是多少?
(5)根据问题(2)所建立的估计方程,检验回归系数是否显著(a=0.05)。
ˆ=88.64+1.6x 解:(1)回归方程为:y
ˆ=83.23+2.29x 1+1.3x 2 (2)回归方程为:y
(3)不相同,(1)中表明电视广告费用增加1万元,月销售额增加1.6
万元;(2)中表明,在报纸广告费用不变的情况下,电视广告费用增加1万元,月销售额增加2.29万元。
(4)判定系数R 2= 0.919,调整的R a 2= 0.8866,比例为88.66%。
(5)回归系数的显著性检验:
Coefficien 标准误Lower Upper 下限 上限
ts 差 t Stat P-value 95% 95% 95.0% 95.0%
1.5738652.88244.57E-0
Intercept 83.23009 9 8 8 79.18433 87.27585 79.18433 87.27585 电视广告费用工:x1 (万0.304067.531890.00065元) 2.290184 5 9 3 1.508561 3.071806 1.508561 3.071806
0.320704.056690.00976
报纸广告费用x2(万元) 1.300989 2 7 1 0.476599 2.125379 0.476599 2.125379
假设:H 0:β1=0 H 1:β1≠0 t=
β12.29==7.53 S β0.304
1
t 0.025(5)=2.57,t >t 0.025(5),认为y 与x 1线性关系显著。 (3)回归系数的显著性检验: 假设:H 0:β2=0 H 1:β2≠0 t=
β21.3==4.05 S β0.32
2
t 0.025(5)=2.57,t >t 0.025(5),认为y 与x 2线性关系显著。
第13章 时间序列分析和预测
第14章 指数
(1) 总平均劳动生产率指数:
k xf =
10
x f f =
x f f
10
111
11
00
4.5⨯240+6.4⨯180+9.2⨯120
6.18===97.78%
6.32
200+160+150
该企业总平均劳动生产率变动量为:
∆xf =
x f -x f f f
00
=6.18-6.32=-0.14(元/件)
(2)各个车间职工人数结构变动对总平均劳动生产率变动的影响:
k f
x f f =
x f f
10
011
01
00
4.4⨯240+6.2⨯180+9.0⨯120
6.02===95.29%
6.32
200+160+150
∆f =
x f -x f f f
00
=6.02-6.32=-0.3(元/件)
(3)各个车间劳动生产率变动对总平均劳动生产率变动的影响:
x f 4.5⨯240+6.4⨯180+9.2⨯120
f 6.18k ====102.66%
x f 6.02240+180+120f
x f x f ∆=-=6.18-6.02=0.16(元/件) f f x f x f x f
f f f =⨯(4)相对分析:k =k ⨯k x f x f x f f f f
111
x
011111
011
x
111
111
011
x f
000
011
000
97.78%=95.29%⨯102.66%
绝对分析:
∆xf =∆x ⨯∆f
x f
f
1
11
x f -
f
00
x f =(
f
1
11
x f -
f
01
1
x f ) +(
f
01
1
x f -
f
00
)
-0.14=-0.3+0.16
经济意义:由于三个车间职工人数变化,使总平均劳动生产率价格提高了2.66%,即平均每
人增长了0.16万元,又由于三个车间劳动生产率的变化,使总平均劳动生产率降低了4.81%,即平均每人减少0.3万元,两者共同的影响,使总平均劳动生产率下降了2.22%,即平均每人减少0.14万元。
第
3章 数据的概括性度量
(二)主要公式
第6、7章 抽样与参数估计
49名顾客组成了一个简单随机样本。
(1)假定总体标准差为15元,求样本均值的抽样标准误差。
σ=
=
=2.143 (2)在95
%的置信水平下,求边际误差。
∆=t ⋅σ,由于是大样本抽样,因此样本均值服从正态分布,因此概率度t=z α2
因此,∆=
t ⋅σ=
z α⋅σ=z 0.025⋅σ=1.96×2.143=4.2 (3)如果样本均值为120元,求总体均值 的95%的置信区间。 置信区间为:
(-∆, +∆)=(120-4.2,120+4.2)=(115.8,124.2)
7.4 从总体中抽取一个n=100的简单随机样本, 得到=81,s=12。
要求:
⎛σ2⎫⎛s 2⎫
大样本,样本均值服从正态分布: N μ, ⎪或 N μ, ⎪
⎝n ⎭⎝n ⎭
⎛
置信区间为: -z α2=1.2 +z α2⎝
(1)构建μ的90%的置信区间。
置信区间为:(79.03,82.97) z α=z 0.05=1.645,(81-1.645⨯1.2,81+1.645⨯1.2)=(2)构建μ的95%的置信区间。
z α=z 0.025=1.96,置信区间为:(81-1.96⨯1.2,81+1.96⨯1.2)=(78.65,83.35)(3)构建μ的99%的置信区间。
z α=z 0.005=2.576,置信区间为:(81-2.576⨯1.2,81+2.576⨯1.2)=(77.91,84.09)
7.13 一家研究机构想估计在网络公司工作的员工每周加班的平均时间,为此
间的90%的置信区间。
解:小样本,总体方差未知,用t 统计量
t = t (n -1)
均值=13.56,样本标准差s=7.801 置信区间:
⎛
-t n -1+t n -1(
)(
)α2α2
⎝
1-α
=0.90,n=18,
t α2(n -1)=t 0.05(17)=1.7369
⎛
-t n -1+t n -1()()α2α2
⎝
⎛
= 13.56-1.7369+1.7369=(10.36,16.75)
⎝
第8、9章 假设检验
抽取36件,测得其平均寿命为680小时。已知该元件寿命服从正态分布,σ=60小时,试在显著性水平0.05下确定这批元件是否合格。 解:H 0:μ≥700;H 1:μ<700
已知:=680 σ=
60
由于n=36>30,大样本,因此检验统计量:
z =
=-2 当α=0.05,查表得z α=1.645。因为z <-z α,故拒绝原假设,接受备择假设,说明这批产品不合格。
8.4 糖厂用自动打包机打包,每包标准重量是100千克。每天开工后需要检验
一次打包机工作是否正常。某日开工后测得9包重量(单位:千克) 如下: 99.3 98.7 100.5 101.2 98.3 99.7 99.5 102.1 100.5
已知包重服从正态分布,试检验该日打包机工作是否正常(a=0.05)? 解:H 0:μ=100;H 1:μ≠100
经计算得:=99.9778 S =1.21221 检验统计量:
t =
-0.055 当α=0.05,自由度n -1=9时,查表得t α(9)=2.262。因为t <t α2,样本统计量落在接受区域,故接受原假设,拒绝备择假设,说明打包机工作正常。
8.10 装配一个部件时可以采用不同的方法,所关心的问题是哪一个方法的效
率更高。劳动效率可以用平均装配时间反映。现从不同的装配方法中各抽取12件产品,记录各自的装配时间(单位:分钟) 如下:
甲方法:31 34 29 32 35 38 34 30 29 32 31 26 乙方法:26 24 28 29 30 29 32 26 31 29 32 28
两总体为正态总体,且方差相同。问两种方法的装配时间有无显著不同 (a=0.05)? 解:建立假设
H 0:μ1-μ2=0 H 1:μ1-μ2≠0
总体正态,小样本抽样,方差未知,方差相等,检验统计量
t =
-
根据样本数据计算,得n 1=12,n 2=121=31.75,2=28.6667,s 1=3.19446s 2=2.46183。
s
2
p
2
n 1-1)s 12+(n 1-1)s 2( =
n 1+n 2-2
12-1)⨯0.922162+(12-1)⨯0.710672( ==8.1326
12+12-2
t =
-=2.648
α=0.05时,临界点为t α(n 1+n 2-2)=t 0.025(22)=2.074,此题中t >t α2,故拒绝原假设,认为两种方法的装配时间有显著差异。
8.11 调查了339名50岁以上的人,其中205名吸烟者中有43个患慢性气管
炎,在134名不吸烟者中有13人患慢性气管炎。调查数据能否支持“吸烟者容易患慢性气管炎”这种观点(a=0.05)? 解:建立假设
H 0:π1≤π2;H 1:π1>π2
p 1=43/205=0.2097 n1=205 p 2=13/134=0.097 n2=134 检验统计量
z =
p -p -d
0.2098-0.097-0
=3
当α=0.05,查表得z α=1.645。因为z >z α,拒绝原假设,说明吸烟者容易患慢
性气管炎。
8.15 有人说在大学中男生的学习成绩比女生的学习成绩好。现从一个学校中
随机抽取了25名男生和16名女生,对他们进行了同样题目的测试。测试结果表明,男生的平均成绩为82分,方差为56分,女生的平均成绩为78分,方差为49分。假设显著性水平α=0.02,从上述数据中能得到什么结论?
解:首先进行方差是否相等的检验:
建立假设
22
H 0:σ12=σ2;H 1:σ12≠σ2 2n1=25,s 12=56,n2=16,s 2=49
56s 12
=1.143 F =2=49s 2
当α=0.02时,由于F 1-α2(24,15)F α(24,15)=3.294,F 1-α2(24,15)=0.346。<F <F α(24,15),检验统计量的值落在接受域中,所以接受原假设,说明总体方差无显著差异。
检验均值差: 建立假设
H 0:μ1-μ2≤0 H 1:μ1-μ2>0
总体正态,小样本抽样,方差未知,方差相等,检验统计量
t =
-
2
根据样本数据计算,得n 1=25,n 2=16,1=82,s 12=56,2=78,s 2=49
s
2
p
2
n 1-1)s 12+(n 1-1)s 2(=53.308
=
n 1+n 2-2
t =
-=1.711
α=0.02时,临界点为t α(n 1+n 2-2)=t 0.02(39)=2.125,t <t α,故不能拒绝原假
设,不能认为大学中男生的学习成绩比女生的学习成绩好。
第10章 方差分析
第11章 相关与回归分析
之间的线性关系是否显著,即检验假设:H 0:β1=0。
(1)线性关系检验的统计量F 值是多少? (2)给定显著性水平a =0.05,F a 是多少? (3)是拒绝原假设还是不拒绝原假设?
(4)假定x 与y 之间是负相关,计算相关系数r 。 (5)检验x 与y 之间的线性关系是否显著?
解:(1)SSR 的自由度为k=1;SSE 的自由度为n-k-1=18;
SSR 60 因此:F===27 40n -k -118
(2)F α(1,18)=F 0.05(1,18)=4.41 (3)拒绝原假设,线性关系显著。 (4),由于是负相关,因此r=-0.7746
(5)从F 检验看线性关系显著。
第12章 解:自变量3个,观察值15个。
ˆ=657.0534+5.710311X1-0.416917X 2-3.471481X 3 回归方程:y
拟合优度:判定系数R 2=0.70965,调整的R a 2=0.630463,说明三个自变量对因变量的影响的比例占到63%。
估计的标准误差S yx =109.429596,说明随即变动程度为109.429596 回归方程的检验:F 检验的P=0.002724,在显著性为5%的情况下,整个回归方
程线性关系显著。
回归系数的检验:β1的t 检验的P=0.008655,在显著性为5%的情况下,y 与X 1线性关系显著。
β2的t 检验的P=0.222174,在显著性为5%的情况下,y 与X 2
线性关系不显著。
β3的t 检验的P=0.034870,在显著性为5%的情况下,y 与X 3
线性关系显著。
因此,可以考虑采用逐步回归去除X 2,从新构建线性回归模型。
ˆ=-18.4+2.01x 1+4.74x 2,并且已知12.3 根据两个自变量得到的多元回归方程为y
n =10,SST =6 724.125,SSR =6 216.375,s βˆ=0.0813,s βˆ=0.056 7。要求:
1
2
(1)在a=0.05的显著性水平下,x 1, x 2与y 的线性关系是否显著? (2)在a =0.05的显著性水平下,β1是否显著?
(3)在a =0.05的显著性水平下,β2是否显著? 解(1)回归方程的显著性检验:
假设:H 0:β1=β2=0 H 1:β1,β2不全等于0 SSE=SST-SSR=6 724.125-6 216.375=507.75 F=
SSR p 2
==42.85
SSE n -p -1-2-1
F α(2,7)=4.74,F>F α(2,7),认为线性关系显著。 (2)回归系数的显著性检验: 假设:H 0:β1=0 H 1:β1≠0
t=
2.01β1==24.72 S β0.0813
1
t α2(n -p -1)=2.36,t >t α2(7),认为y 与x 1线性关系显著。 (3)回归系数的显著性检验: 假设:H 0:β2=0 H 1:β2≠0 t=
4.74β2==83.6 S β0.0567
2
t α2(n -p -1)=2.36,t >t α2(7),认为y 与x 2线性关系显著。
12.4 一家电器销售公司的管理人员认为,每月的销售额是广告费用的函数,并想通过广告费用对月销售额作出估计。下面是近8个月的销售额与广告费用数据:
(1)用电视广告费用作自变量,月销售额作因变量,建立估计的回归方程。 (2)用电视广告费用和报纸广告费用作自变量,月销售额作因变量,建立估计的回归方程。
(3)上述(1)和(2)所建立的估计方程,电视广告费用的系数是否相同? 对其回归系数分别进行解释。
(4)根据问题(2)所建立的估计方程,在销售收入的总变差中,被估计的回归方程所解释的比例是多少?
(5)根据问题(2)所建立的估计方程,检验回归系数是否显著(a=0.05)。
ˆ=88.64+1.6x 解:(1)回归方程为:y
ˆ=83.23+2.29x 1+1.3x 2 (2)回归方程为:y
(3)不相同,(1)中表明电视广告费用增加1万元,月销售额增加1.6
万元;(2)中表明,在报纸广告费用不变的情况下,电视广告费用增加1万元,月销售额增加2.29万元。
(4)判定系数R 2= 0.919,调整的R a 2= 0.8866,比例为88.66%。
(5)回归系数的显著性检验:
Coefficien 标准误Lower Upper 下限 上限
ts 差 t Stat P-value 95% 95% 95.0% 95.0%
1.5738652.88244.57E-0
Intercept 83.23009 9 8 8 79.18433 87.27585 79.18433 87.27585 电视广告费用工:x1 (万0.304067.531890.00065元) 2.290184 5 9 3 1.508561 3.071806 1.508561 3.071806
0.320704.056690.00976
报纸广告费用x2(万元) 1.300989 2 7 1 0.476599 2.125379 0.476599 2.125379
假设:H 0:β1=0 H 1:β1≠0 t=
β12.29==7.53 S β0.304
1
t 0.025(5)=2.57,t >t 0.025(5),认为y 与x 1线性关系显著。 (3)回归系数的显著性检验: 假设:H 0:β2=0 H 1:β2≠0 t=
β21.3==4.05 S β0.32
2
t 0.025(5)=2.57,t >t 0.025(5),认为y 与x 2线性关系显著。
第13章 时间序列分析和预测
第14章 指数
(1) 总平均劳动生产率指数:
k xf =
10
x f f =
x f f
10
111
11
00
4.5⨯240+6.4⨯180+9.2⨯120
6.18===97.78%
6.32
200+160+150
该企业总平均劳动生产率变动量为:
∆xf =
x f -x f f f
00
=6.18-6.32=-0.14(元/件)
(2)各个车间职工人数结构变动对总平均劳动生产率变动的影响:
k f
x f f =
x f f
10
011
01
00
4.4⨯240+6.2⨯180+9.0⨯120
6.02===95.29%
6.32
200+160+150
∆f =
x f -x f f f
00
=6.02-6.32=-0.3(元/件)
(3)各个车间劳动生产率变动对总平均劳动生产率变动的影响:
x f 4.5⨯240+6.4⨯180+9.2⨯120
f 6.18k ====102.66%
x f 6.02240+180+120f
x f x f ∆=-=6.18-6.02=0.16(元/件) f f x f x f x f
f f f =⨯(4)相对分析:k =k ⨯k x f x f x f f f f
111
x
011111
011
x
111
111
011
x f
000
011
000
97.78%=95.29%⨯102.66%
绝对分析:
∆xf =∆x ⨯∆f
x f
f
1
11
x f -
f
00
x f =(
f
1
11
x f -
f
01
1
x f ) +(
f
01
1
x f -
f
00
)
-0.14=-0.3+0.16
经济意义:由于三个车间职工人数变化,使总平均劳动生产率价格提高了2.66%,即平均每
人增长了0.16万元,又由于三个车间劳动生产率的变化,使总平均劳动生产率降低了4.81%,即平均每人减少0.3万元,两者共同的影响,使总平均劳动生产率下降了2.22%,即平均每人减少0.14万元。