数据的分布详解.pptVIP

数据的分布 数据的数字特征刻画了数据的主要特征，而要对数据的总体情况作全面的描述，就要研究数据的分布。对数据分布的主要描述方法是直方图与茎叶图、数据的理论分布即总体分布。数据分析的一个重要问题是要研究数据是否来自正态总体，这是分布的正态性检验的问题。 直方图、经验分布函数与QQ图 对于数据分布,常用直方图进行描述.将数据取值的范围分成若干区间, 区间的长度称为组距.考察数据落入每一区间的频数与频率,在每个区间上画一矩形,它的宽度是组距,它的高度可以是频数、频率或频率/组距,在高度是频率/组距的情况,每一矩形的面积恰是数据落入区间的频率,这种直方图可估计总体的概率密度. 组距对直方图的形态有很大的影响,组距太小,每组的频数较少,因随机性的影响,邻近区间上的频数会很大;组距太大,直方图所反映概率密度的形态就不灵敏. 直方图、经验分布函数与QQ图 直方图、经验分布函数与QQ图 直方图、经验分布函数与QQ图 直方图、经验分布函数与QQ图 例5 (1)作直方图，并拟合正态分布曲线； (2)作经验分布函数图，并拟合正态分布函数曲线； (3)作正态QQ图，并从直观上鉴别样本数据是否来自正态分布总体。 Proc UNIVARIATE 统计程序univariate与统计程序means的功能大同小异，都可以计算数值变量的描述性统计值 但UNIVARIATE能够对变量的分配情形提供更多的信息： 计算四分位数； 绘制描述性分析图（茎叶图；箱线图、ＱＱ图等）；检定资料是否呈现正态分布； 产生统计值输出文件，以供稍后的分析。 univariate过程的一般格式 proc univariate 选项列表；? by 变量名称（分组变量）；? class 变量名称（分组变量）；? freq变量名称（数值变量，记录出现的频数）? weight变量名称（数值变量，记录的权重系数）? histogram 变量名称/选项列表? output out=数据集名 统计量关键字=自定义变量名? var 变量名称（待分析的数值变量）； run； univariate过程的一般格式 在一个Univariate过程中，output指令可以多次使用，但是其他六道指令只能出现一次； 这六道指令可以按任何顺序出现。 univariate过程的一般格式 Data＝输入资料文件名称 若省略此选项，SAS会找出在本程序之前最后形成的资料文件，并对它进行分析； Noprint 若只要产生统计值的输出文件，而不想印出报表，可用 此选项来抑制报表的产生； Plot 产生三种图形：茎叶图或平行条状图、箱线图、常态概率图； proc univariate 选项列表 FREQ 产生一个次数分配表，这个表包括变量值的出现次数、百分比及累积百分比； NORMAL 检定输入资料是否呈现正态分布，并且输出其检验的结果； 指令 VAR 变量名称串 1 列举需要进行描述性统计分析的变量名称； 2 若省略此指令，将对输入文件中所有数值变量进行分析； 3 若选用output指令，则不可省略var指令。 指令 BY 变量名称； UNIVARIATE程序依据此指令所列举的变量，将文件分成几个小文件，然后就每个小文件，分别执行分析，选用此指令时，文件内的数据必须先按照BY变量串的值做由大到小的重新排列，这个步骤也可借由PROC SORT达成。 指令 FREQ 变量名称： 这个变量必须是输入文件中的一个数值变量，其值代表观察体重复出现的次数。 若此变量的值含小数，则取其整数部分。 若其值小于1，则此观察体将被剔除在计算过程之外。 茎叶图、箱线图及五数总括 与直方图相比较，茎叶图更能细致地看出数据分布的结构。 引例1 某班有31个学生，某门课程的考试成绩如下： 25 45 50 54 55 61 64 68 72 75 75 78 79 81 83 84 84 84 85 86 86 86 87 89 89 89 90 91 91 92 100 做出其茎叶图。 茎叶图、箱线图及五数总括 茎叶图的特点 茎叶图与直方图一样，可大致直观地看出这批数据是否接近对称，分散性如何，是否有异常值，数据中是否有间隙等等。 从茎叶图可以看出由原始数据得到的次序统计量。 对于排过序的一批数据，从小到大的每个数据的排序名次，称为升秩；反之称为降秩。每个数据的升秩与降秩的较小者，称为该数据的深度，即 深度＝min（升秩，降秩） 例6 铅压