多元统计分析期末复习试题.docx

. . .. . . 第一章： 多元统计分析研究的内容（5 点） 1、简化数据结构（主成分分析） 2、分类与判别（聚类分析、判别分析） 3、变量间的相互关系（典型相关分析、多元回归分析） 4、多维数据的统计推断 5、多元统计分析的理论基础第二三章： X ~ N (? ,?) ? ? P X , X ,? , X 1 2 p 二、多维随机变量的数字特征 1、随机向量的数字特征随机向量X 均值向量： 随机向量X 与Y 的协方差矩阵： 当 X=Y 时 Cov（X，Y）=D（X）；当 Cov（X，Y）=0 ，称 X，Y 不相关。随机向量X 与Y 的相关系数矩阵： 2、均值向量协方差矩阵的性质 设 X，Y 为随机向量，A，B 为常数矩阵E（AX）=AE（X）； E（AXB）=AE（X）B; D(AX)=AD(X)A’; Cov(AX,BY)=ACov(X,Y)B’; 若 X，Y 独立，则 Cov(X,Y?)＝０，反之不成立．  ? ? ? ? EX ( EX , EX , ? 是对称非负定矩阵例1 2 是对称非负定矩阵 例 , EX ) ? ( , 见黑板p 1 见黑板 ,..., ) 2 P (3).X 的协方差阵 D(X) cov( 。X , 2Y. ) ? E ( X ? EX )( Y ? EY ) 三、多元正态分布的参数估计 2、多元正态分布的性质 ? ( X , Y ) ? (r ij ) p?q (1).若 ,则 E(X)= ,D(X)= . 特别地，当 为对角阵时， 相互独立。 若 ，Ａ为 sxp 阶常数矩阵，d 为 s 阶向量， ＡＸ＋d～ . 即正态分布的线性函数仍是正态分布． ? 多元正态分布的边? 缘分布是正态分布，反之不成立． X ~ N ( , ?) N ( AP ? ? d , A ? A ) 多元正态分s 布的不相关与独立等价． 例３．见黑板． 三、多X元正,?态分, X布的参数估计 (1) ( n) 1(1)“ 为来自p 元总体X 的（简单）样本”的理解---独立同截面． 1 X ( X , X 1?n ( X 1 ,? , X ) 2 p (2) ( i ) X )( X ( i ) X ) n 多元分布样本的?数字特?征---常见多元统计量 X i ? 1 样本均?值向量 ＝ X X  X ~ N ( ? , 1 ? ) W ( n ? 1 , ? ) X P n 样本离差阵Ｓp＝ 样本协方差阵Ｖ＝ S ;样本相关阵Ｒ (3) ,Ｖ分别是 和 的最大似然估计； (4)估计的性质 是 的无偏估计； ,Ｖ分别是 和 的有效和一致估计； ； Ｓ～ ， 与Ｓ相互独立； 第五章 聚类分析： 一、什么是聚类分析 ：聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。用于对事物类别不清楚，甚至事物总共可能有几类都不能确定的情况 下进行事物分类的场合。聚类方法：系统聚类法（直观易懂）、动态聚类法（快）、有序聚类法（保序）...... Q-型聚类分析（样品）R-型聚类分析（变量） 变量按照测量它们的尺度不同，可以分为三类：间隔尺度、有序尺度、名义尺度。 二、常用数据的变换方法 :中心化变换、标准化变换、极差正规化变换、对数变换（优缺点） 1、中心化变换（平移变换）：中心化变换是一种坐标轴平移处理方法，它是先求出每个变量的样本平均值，再从原始数据中减去该变量的均值，就得到中心化变换后的数据。不改变样本间的相互位置，也不改变变量间的相关性。 2、标准化变换：首先对每个变量进行中心化变换 ，然后用该变量的标准差进行标准 化。 经过标准化变换处理后，每个变量即数据矩阵中每列数据的平均值为0，方差为 1，且也不再具有量纲，同样也便于不同变量之间的比较。 3、极差正规化变换（规格化变换）：规格化变换是从数据矩阵的每一个变量中找出其最大值和最小值，这两者之差称为极差，然后从每个变量的每个原始数据中减去该变量中 的最小值，再除以极差。经过规格化变换后 ，数据矩阵中每列即每个变量的最大数值为1，最小数值为 0，其余数据取值均在 0－1 之间；且变换后的数据都不再具有量纲，便于不同的变量之间的比较。 4、对数变换：对数变换是将各个原始数据取对数，将原始数据的对数值作为变换后的新值。它将具有指数特征的数据结构变换为线性数据结构。 三、样品间相近性的度量 研究样品或变量的亲疏程度的数量指标有两种：距离，它是将每一个样品看作 p 维空间的一个点，并用某种度量测量点与点之间的距离，距离较近的归为一类，距离较远的点应属于不同的类；相似系数，性质越接近的变量或样品，它们的相似系数越接近于 1 或一l，而彼此无关的变量或样品它们的相似系数则越接近于 0，相似的为一类，不相似的