数学建模中的统计方法.ppt

建 模 中 的 统 计 方 法 内容要点： 一、几个案例 二、实用的统计方法 三、几种特殊方法 四、常用的统计软件 五、实例分析 建模方法 实用的统计方法 数据的描述性统计 数据的描述性统计 数据的描述性统计 数据的探索性分析 统计推断 相关分析 相关分析 做散点图 初步判断两个变量间是否存在相关趋势，是否为直线趋势，以及数据中是否存在异常点 计算相关系数 R0正相关，R0负相关 R的绝对值越接近1，表示两个变量愈接近线性关系，R绝对值等于1时，两者为完全线性关系 R的绝对值越接近0，表示两个变量愈没有线性关系，R绝对值等于0时，两者为完全没有线性关系 R的绝对值大于0.8时，视为高度相关R的绝对值介于0.5-0.8时，视为中度相关R的绝对值小于0.3时，视为不相关 方差分析 单因素方差分析 总离差平方和及组内、组间离差平方和 令： 总离差平方和： 组间离差平方和： 组内离差平方和： SST=SSA+SSE 单因素方差分析 单因素方差分析，是指仅分析一个因素对试验结果的影响是否显著的问题。 在方差分析中，把所有数据之间的差异叫做总变差。产生总变差的原因有两类，一类是条件变差（本例中即是酸度的影响），另一类就是试验误差。方差分析解决这个问题的办法就是： 1、从总变差中区分出试验变差和条件变差，也就是将不同因素的影响给区分开来。 2、利用F检验比较这两个变差的大小，确定出主要变差。 3、根据主要的变差，去选择较好的分析条件，或确定进一步试验的方向。 方差分析的基本思想 方差分析的依据是建立在变差平方和具有加和性的基础上的。因此，如果用变差平方和来表征测定结果的总变差，那么总变差的平方和就等于各变异因素形成的变差平方和的总和。 方差分析的基本思想，就是将总变差分解为各构成部分之和，然后对它们作统计检验。总变差： 其中m为试验水平数，n为重复次数，自由度vT = mn – 1 = N – 1 条件变差(组间方差) 每一组的测定平均值和总平均值差值的平方和再乘以重复次数： 自由度vA = m – 1 试验误差(组内方差) 各组内的每次测定值和组内平均值差值的平方和： 自由度ve = m(n – 1) = N – m 总变差的分解 定义 我们的目的是研究溶液的酸度对测定吸光度的影响，为此，需要做一些基本假定，把所研究的问题归结为一个统计问题，然后用方差分析的方法进行解决。 单因子方差分析的统计模型 在例中我们只考察了一个因子，称其为单因子试验。 通常，在单因子试验中，记因子为 A, 设其有r个水平，记为A1, A2,…, Ar。 在每一水平下考察的指标可以看成一个总体 ，因为现共有 r 个水平，故有 r 个总体， 假定： 各总体的方差相同: ? 1 2=? 22=…=? r2 =?2 ；(即，具有方差齐次性) 从每一总体中抽取的样本是相互独立的， 即所有的试验结果 yij 都相互独立。 每一总体均为正态总体，记为 N(?i ,? i2)， i＝1, 2,…, r ； 我们要比较各水平下的均值是否相同, 即要对如下的一个假设进行检验: H0 ：?1 =?2 =…=?r 备择假设为 H1 ：?1, ?2, …, ?r 不全相等 在不会引起误解的情况下， H1 通常可省略不写。 如果检验结果为H0成立，因子A的r个水平均值相同，称因子A的r个水平间没有显著差异，简称因子A不显著；反之，当H0不成立时，因子A的r个水平均值不全相同，这时称因子A的不同水平间有显著差异，简称因子A显著。 一般情况下，在水平Ai下的试验结果yij与该水平下的指标均值 ?i 一般总是有差距的， 记 ?ij = yij??i，?ij 称为随机误差。 于是有 yij = ?i +?ij ?ij ~ N(0 ,? 2) 且?ij 相互独立，?i ,? i 2均为未知参数 称为单因素试验方差分析的数学模型。 方差分析的基本思想就是通过条件误差和随机误差的比较来判断假设 H0是否成立。如果条件误差比随机误差大得多，我们就认为因素A的不同水平对试验结果有显著影响，从而拒绝 H0 ；如果条件误差与随机误差得数值差别不大，则认为因