气象资料的整理课件.pptVIP

方差是衡量資料數據圍繞其平均值的變化平均幅度的指標：（距平平方的平均值）向量形式：例如從表1.2中得南京氣象站的降水距平序列（93.6，-217.1，119.1，94.6，-90.3），樣本方差可用下式計算與變數有相同量綱的離散指標為標準差:標準化變數：資料的中心化和標準化，1、E(xd)=02、E(xz)=0，D(xz)=15、協方差與相關係數（兩變數關係）例：X1與x2的距平符號相同率高，有相同的變化趨勢，x2與x3的距平符號相反率高，有相反的變化趨勢；兩組變數均有良好的相關關係。對變數xk和xl，則樣本協方差為表示它們之間關係程度的統計量，定義為：兩變數關係越密切，其協方差的絕對值越大，實質是距平符號重合率的條件概率是否顯著。標準化處理的協方差稱為相關係數：可以證明，-1≤r≤1對p維變數，可用協方差矩陣表示相關與離散特徵：年份氣溫(℃)（x1）雲量（x2）降水量(mm)（x3）風速(m/s)（X4）195115．16．1907．34．1195214．77．1932．04．1195315．97．0962．34．1195415．16．91559．53．4195515．76．1712．23．7195614．66．61383．22．8195714．66．91102．22．6195815．16．51028．92．6195915．66．2864．42．6196015．66．2903．22．5表1.3南京氣象站1951年至1960年的氣象要素觀測值例1.2由表1.3所列資料多要素資料計算協方差矩陣和相關係數矩陣解：由表1.3所列南京氣象站4個要素1951~1960年的觀測值資料，分別統計得到各要素的平均值和均方差列入表1.4，計算距平值並將距平序列資料代入計算式得到協方差矩陣：15.26.561035.523.250.45380.3747241.61350.6652表1.4從協方差矩陣看，氣溫（x1）與雲量（x2）、降水量(x3)的協方差s12、s13均為負值，說明氣溫與所列這2個要素均呈反相關，但由於x3的量級比其他變數要大2個量級以上，s13數量上要比s12大800多倍，但這並不表示x1與x3的相關性要比x1與x2的相關性強800倍，也就是說，不同量級的變數之間的協方差的相關程度不具備可比性。將資料進行標準化處理或利用除以標準差方式對協方差矩陣進行處理得到相關（係數）矩陣：相關矩陣的元素為標準化的係數，其絕對值的大小關係可反映了變數間相關程度的大小，這裏氣溫與降水的相關係數r13為-0.5198，其絕對值略大於氣溫與雲量的相關係數r12（-0.4057），即統計結果表明降水與氣溫的相關略好於雲量與氣溫的相關。§1.3統計推斷與應用出於應用的目的，統計量被用來描述氣候的總體狀況，即估計氣候變數的總體參數。從理論上說，樣本容量無窮大，統計量無限趨近被估計的參數，如平均值趨近數學期望。統計量來自總體，包含著總體特徵的重要資訊，但實際觀測的次數總是有限的，由於觀測資料的有限性和隨機性，統計量不等同於總體參數，統計量在多大程度上反映總體特徵參數，需要檢驗和判斷，常稱為顯著性檢驗。氣候統計推斷就是根據觀測的樣本資料對氣候變數總體的數字特徵、分佈函數等進行估計、檢驗，進而作出正確的推斷。包含參數估計與假設檢驗，它在氣候分析與預報中應用非常廣泛，與各種具體的研究對象結合起來能解決許多實踐中的具體問題，如某地某時段內降水是否會超過或低於某值，某預報方法是否有效。一、參數估計從氣候的角度，我們分析描述概率特徵的對象是氣候要素的全體，即總體。對於總體而言，它的概率特徵值如平均值(數學期望)，均方差等應該是常數，數理統計學上稱這些不屬於隨機變數的常數值為參數。由於我們一般無法對總體中每一個個體的性質加以測定，尤其是氣候要素的總體還包含有未來的觀測值，即一般總體的參數是無法測定的，通常只能根據總體中的有限樣本資料去估計，推測總體的這些參數的可能取值。用樣本資料估計總體參數的方法有兩類，一類是點估計，就是估計某一參數值等於多少，又稱定值估計。點估計的一般性提法是：設已知隨機變數X的分佈函數為，但參數θ是未知的，設是X的一個