数学建模常用统计方法介绍.pptVIP

*******数学建模常用统计方法介绍

吕佳

延安大学

数学与计算机科学学院数学建模需要的随机数学知识:概率论（probabilitytheory）数理统计（mathematicalstatistics）随机过程(stochasticsprocesses)回归分析(regressionanalysis)多元统计分析（multivariatestatisticalanalysis)时间序列分析（timeseriesanalysis)随机运筹学（stochasticsoperationresearch)概率基础方法（分布，数字特征等）随机模拟法(蒙特卡洛方法，MCM)统计基础方法（统计描述，统计推断等）回归分析法方差分析方法聚类分析方法判别分析方法主成分分析方法数学建模常用的随机数学方法：马尔可夫（MARKOV)过程方法01时间序列分析方法02排队论方法03存储论方法04决策论方法05数学建模常用的随机数学方法：Excel01MATLAB02R03SAS04SPSS05C++06随机数学建模常用软件各种可选Toolbox”工具包”.下面简介统计工具箱（statisticstoolbox):Matlab主包：数百个核心内部函数；Matlab:Probabilitydistributions（概率分布）：分布，参数估计，随机数等；Descriptivestatistics（描述统计）：样本的各种描述统计量；Linearmodels（线性模型）：线性回归分析，方差分析；Nonlinearmodels（非线性模型）：非线性回归，Logistic回归；Hypothesistest（假设检验）：参数非参数检验，分布检验；03020501040504020301Multivariatestatistics（多元统计）：聚类分析，判别分析，主成分分析，因子分析等；Statisticsplots（统计图）：各类统计图形；Statisticalprocesscontrol（统计过程控制）：Designofexperiments（试验设计）：Hiddenmarkovmodels（隐马尔可夫模型）：统计方法（回归分析）回归分析—对具有相关关系的现象，根据其关系形态，选择一个合适的数学模型，用来近似地表示变量间的平均变化关系的一种统计方法（一元线性回归、多元线性回归、非线性回归）回归分析在一组数据的基础上研究这样几个问题：建立因变量与自变量之间的回归模型（经验公式）对回归模型的可信度进行检验判断每个自变量对因变量的影响是否显著判断回归模型是否适合这组数据利用回归模型对进行预报或控制[b,bint,r,rint,stats]=regress(Y,X,alpha)（线性回归）rstool（x，y，’model’,alpha）（多元二项式回归）[beta,r,J]=nlinfit（x，y，’model’,beta0）（非线性回归）统计方法（逐步回归分析）逐步回归分析—从一个自变量开始，视自变量作用的显著程度，从大到小依次逐个引入回归方程当引入的自变量由于后面变量的引入而变得不显著时，要将其剔除掉引入一个自变量或从回归方程中剔除一个自变量，为逐步回归的一步对于每一步都要进行检验，以确保每次引入新的显著性变量前回归方程中只包含作用显著的变量这个过程反复进行，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止stepwise(x,y,inmodel,alpha)SPSS,SAS系统聚类分析—将n个样本或者n个指标看成n类，一类包括一个样本或者指标，然后将性质最接近的两类合并成为一个新类，依此类推。最终可以按照需要来决定分多少类，每类有多少样本（指标）02聚类分析—所研究的样本或者变量之间存在程度不同的相似性，要求设法找出一些能够度量它们之间相似程度的统计量作为分类的依据，再利用这些量将样本或者变量进行分类01统计方法（聚类分析）系统聚类方法步骤：计算n个样本两两之间的距离构成n个类，每类只包含一个样品合并距离最近的两类为一个新类计算新类与当前各类的距离（新类与当前类的距离等于当前类与组合类中包含的类的距离最小值），若类的个数等于1，转5，否则转3画聚类图决定类的个数和类。统计方法（系统聚类分析步骤）聚类分析系统聚类法是聚类分析中应用最为广泛的一种方法，它的基本原理是：首先将一定数量的样品或指标各自看成一类，然后根据样品（或指标）的亲疏程度，将亲疏程度最