(完整word版)应用多元统计分析考试要点.docVIP

4.1简述欧氏距离与马氏距离的区别和联系。

答：设p维空间Rp中的两点X=(X1,X2?XP)和Y=Y1,Y2?YP。则

设X,Y是来自均值向量为μ，协方差为的总体G中的p维样本。则马氏距离为D(X,Y)=X-Y-1X-Y。当-1

因此，在一定程度上，欧氏距离是马氏距离的特殊情况，马氏距离是欧氏距离的推广。

4.2试述判别分析的实质。

答：判别分析就是希望利用已经测得的变量数据，找出一种判别函数，使得这一函数具有某种最优性质，能把属于不同类别的样本点尽可能地区别开来。设R1，R2，…，Rk是p维空间Rp的k个子集，如果它们互不相交，且它们的和集为Rp，则称R1，R2?Rp为Rp的一个划分。判别分析问题实质上就是在某种意义上，以最优的性质对p维空间R

4.3简述距离判别法的基本思想和方法。

答：距离判别问题分为=1\*GB3①两个总体的距离判别问题和=2\*GB3②多个总体的判别问题。其基本思想都是分别计算样本与各个总体的距离（马氏距离），将距离近的判别为一类。

=1\*GB3①两个总体的距离判别问题

设有协方差矩阵∑相等的两个总体G1和G2，其均值分别是m1和m2，对于一个新的样品X，要判断它来自哪个总体。计算新样品X到两个总体的马氏距离D2（X，G1）和D2（X，G2），则

X∈G1，D2（X，G1）≤D2（X，G

X∈G2，D2（X，G1）D2（X，G

具体分析，

记则判别规则为

X∈G1，W(X)

X∈G2

=2\*GB3②多个总体的判别问题。

设有个总体，其均值和协方差矩阵分别是和，且。计算样本到每个总体的马氏距离，到哪个总体的距离最小就属于哪个总体。

具体分析，

取，，。

可以取线性判别函数为

，

相应的判别规则为若

4.4简述贝叶斯判别法的基本思想和方法。

基本思想：设k个总体，其各自的分布密度函数，假设k个总体各自出现的概率分别为，，。设将本来属于总体的样品错判到总体时造成的损失为，。

设个总体相应的维样本空间为。

在规则下，将属于的样品错判为的概率为

则这种判别规则下样品错判后所造成的平均损失为

则用规则来进行判别所造成的总平均损失为

贝叶斯判别法则，就是要选择一种划分，使总平均损失达到极小。

基本方法：

令，则

若有另一划分，

则在两种划分下的总平均损失之差为

因为在上对一切成立，故上式小于或等于零，是贝叶斯判别的解。

从而得到的划分为

4.5简述费希尔判别法的基本思想和方法。

答：基本思想：从个总体中抽取具有个指标的样品观测数据，借助方差分析的思想构造一个线性判别函数

系数可使得总体之间区别最大，而使每个总体内部的离差最小。将新样品的个指标值代入线性判别函数式中求出值，然后根据判别一定的规则，就可以判别新的样品属于哪个总体。

4.6试析距离判别法、贝叶斯判别法和费希尔判别法的异同。

答：=1\*GB3①费希尔判别与距离判别对判别变量的分布类型无要求。二者只是要求有各类母体的两阶矩存在。而贝叶斯判别必须知道判别变量的分布类型。因此前两者相对来说较为简单。

=2\*GB3②当k=2时，若Σ1=Σ2

=3\*GB3③当Σ1≠Σ2时，费希尔判别用Σ

=4\*GB3④距离判别可以看为贝叶斯判别的特殊情形。贝叶斯判别的判别规则是X∈G1，W(X)≥lnd

X∈G2

距离判别的判别规则是

X∈G1，

X∈G2

二者的区别在于阈值点。当，时，，。二者完全相同。

5.1判别分析和聚类分析有何区别？

答：即根据一定的判别准则，判定一个样本归属于哪一类。具体而言，设有n个样本，对每个样本测得p项指标（变量）的数据，已知每个样本属于k个类别（或总体）中的某一类，通过找出一个最优的划分，使得不同类别的样本尽可能地区别开，并判别该样本属于哪个总体。聚类分析是分析如何对样品（或变量）进行量化分类的问题。在聚类之前，我们并不知道总体，而是通过一次次的聚类，使相近的样品（或变量）聚合形成总体。通俗来讲，判别分析是在已知有多少类及是什么类的情况下进行分类，而聚类分析是在不知道类的情况下进行分类。

5.2试述系统聚类的基本思想。

答：系统聚类的基本思想是：距离相近的样品（或变量）先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量）总能聚到合适的类中。

5.3对样品和变量进行聚类分析时，所构造的统计量分别是什么？简要说明为什么这样构造？

答：对样品进行聚类分析时，用距离来测定样品之间的相似程度。因为我们把n个样本看作p维空间的n个点