应用多元统计朱建平第二版第四章答案
应用多元统计分析课后习题答案高惠璇部分习题解答(00004)市公开课金奖市赛课一等奖课件
[(
y1
aˆ0
)2
]
0
可得
ˆ
2
1 3
( y1
aˆ0 )2
( y2
aˆ0 )2
( y3
3aˆ0 )2
drf
ˆ
2 0
似然比统计量分子为
L(aˆ0
, ˆ 0 2
)
(2
)
3 2
(ˆ 0 2
)
3 2
exp[
3 2
].
第5页
5
第四章 回归分析
似然比统计量为
L(aˆ0 ,ˆ02 ) L(aˆ,bˆ,ˆ 2 )
第18页 18
第四章 回归分析
第19页 19
第四章 回归分析
等号成立 C(ˆ ) 0 (CC)1C • C(ˆ ) 0 ˆ.
第20页 20
第四章 回归分析
第21页 21
第四章 回归分析
第22页 22
第四章 回归分析
见附录P394定理7.2(7.5)式
第23页 23
第四章 回归分析
证实:(1)预计向量为 Yˆ Cˆ C(CC)1CY HY
yˆ
1 n
n i 1
yˆi
1 n
1n
Yˆ
1 n
1n
HY
1 n
(H1n )Y
1 n
1n
Y
y.
(因1n C张成的空间,这里有H1n 1n )
(2) 因 n ( yi y)( yˆi yˆ ) n ( yi yˆi yˆi y)( yˆi y)
0
ln
L
2
n
2
2
1
2( 2 )2
(Y
应用多元统计分析课后答案朱建平版(前9章).doc
第二章2.1.试叙述多元联合分布和边际分布之间的关系。
解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)p X X X X '=的联合分布密度函数是一个p 维的函数，而边际分布讨论是12(,,)p X X X X '=的子向量的概率分布，其概率密度函数的维数小于p 。
2.2设二维随机向量12()X X '服从二元正态分布，写出其联合分布。
解：设12()X X '的均值向量为()12μμ'=μ，协方差矩阵为21122212σσσσ⎛⎫ ⎪⎝⎭，则其联合分布密度函数为1/21222112112222122121()exp ()()2f σσσσσσσσ--⎧⎫⎛⎫⎛⎫⎪⎪'=---⎨⎬ ⎪⎪⎝⎭⎝⎭⎪⎪⎩⎭x x μx μ。
2.3已知随机向量12()X X '的联合密度函数为121212222[()()()()2()()](,)()()d c x a b a x c x a x c f x x b a d c --+-----=-- 其中1a x b ≤≤，2c x d ≤≤。
求（1）随机变量1X 和2X 的边缘密度函数、均值和方差； （2）随机变量1X 和2X 的协方差和相关系数； （3）判断1X 和2X 是否相互独立。
（1）解：随机变量1X 和2X 的边缘密度函数、均值和方差；112121222[()()()()2()()]()()()dx cd c x a b a x c x a x c f x dx b a d c --+-----=--⎰12212222222()()2[()()2()()]()()()()ddcc d c x a x b a x c x a x c dx b a d c b a d c -------=+----⎰12122222()()2[()2()]()()()()dd cc d c x a x b a t x a t dt b a d c b a d c ------=+----⎰2212122222()()[()2()]1()()()()d cdcd c x a x b a t x a t b a d c b a d c b a------=+=----- 所以由于1X 服从均匀分布，则均值为2b a +，方差为()212b a -。
应用多元统计分析_课后答案
图 2.1
Descriptives 对话框
2.
单击 Options 按钮，打开 Options 子对话框。在对话框中选择 Mean 复选框，即计 算样本均值向量，如图 2.2 所示。单击 Continue 按钮返回主对话框。
图 2.2 Options 子对话框 3. 单击 OK 按钮，执行操作。则在结果输出窗口中给出样本均值向量，如表 2.1，即 样本均值向量为（35.3333，12.3333，17.1667，1.5250E2） 。
2.5 解： 依据题意，X= 57000 40200 21450 21900 45000 28350
′
15 16 12 8 15 8
27000 18750 12000 13200 21000 12000
144 36 381 190 138 26
′ E(X)= ∑6 α=1 x(α) = (35650,12.33,17325,152.5) n σ1 σ2 ρ2 (x1 −μ1 )2 σ2 1
+
σ2 1
(x2 −μ2 )2 σ2 2 )2
= = [
(x1 −μ1 )2 σ2 1 ρ(x1 −μ1 ) σ1
− −
2ρ(x1 −μ1 )(x2 −μ2 ) σ1 σ2 (x2 −μ2 ) 2 ] σ2
+
E( X ) μ
n→∞
lim E(
1 1 ������） = lim E( ������） = Σ n→∞ ������ n−1
2.7 试证多元正态总体 的样本均值向量 ̅) = E ( ΣX 证明： E(������ （α） ) = E (ΣX （α） ) =
n n 1 1 nμ n 1 n2
exp[−
应用多元统计分析课后习题答案高惠璇部分习题解答(00004)市公开课金奖市赛课一等奖课件
第四章部分习题解答
第1页
1
第四章 回归分析
4-1
设
y1 y2
a 2a
1,
b
2
,
y3 a 2b 3,
1
2 3
~
N 3 (0,
2I3 ),
(1) 试求参数a,b
解:用矩阵表示以上模型:
则
Y
y1 y2 y3
1
2 1
201
a b
1 2 3
def
X
ˆ
aˆ bˆ
3
exp
1
2 2
[( y1 a0 )2
( y2
a0 )2
( y3
3a0 )2 ]
第4页
4
第四章 回归分析
令
L(a0 ,
a0
2)
L(a0 ,
2
)
2
2
2
[(
y1
a0
)
(
y2
a0 )
3(
y3
3a0
)
0
可得 令
ln
aˆ0
1 11
L(aˆ0 , 2 )
2
( y1
y2 3y3 )
3
2
2
令
ln L
2
3
2
2
1
2( 2 )2
[( y1
aˆ)2
]
0
可得
ˆ 2
1 3
( y1
aˆ)2
( y2
2aˆ
bˆ)2
( y3
aˆ
2bˆ)2
似然比统计量分母为
L(aˆ, bˆ,ˆ
2
)
(2
(完整版)多元统计分析课后练习答案
第1章 多元正态分布1、在数据处理时，为什么通常要进行标准化处理？数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。
在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
其中最典型的就是0-1标准化和Z 标准化。
2、欧氏距离与马氏距离的优缺点是什么？欧氏距离也称欧几里得度量、欧几里得度量，是一个通常采用的距离定义，它是在m 维空间中两个点之间的真实距离。
在二维和三维空间中的欧氏距离的就是两点之间的距离。
缺点：就大部分统计问题而言，欧氏距离是不能令人满意的。
每个坐标对欧氏距离的贡献是同等的。
当坐标表示测量值时，它们往往带有大小不等的随机波动，在这种情况下，合理的方法是对坐标加权，使变化较大的坐标比变化较小的坐标有较小的权系数，这就产生了各种距离。
当各个分量为不同性质的量时，“距离”的大小与指标的单位有关。
它将样品的不同属性之间的差别等同看待，这一点有时不能满足实际要求。
没有考虑到总体变异对距离远近的影响。
马氏距离表示数据的协方差距离。
为两个服从同一分布并且其协方差矩阵为Σ的随机变量与的差异程度:如果协方差矩阵为单位矩阵,那么马氏距离就简化为欧氏距离,如果协方差矩阵为对角阵,则其也可称为正规化的欧氏距离。
优点：它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关。
由标准化数据和中心化数据计算出的二点之间的马氏距离相同。
马氏距离还可以排除变量之间的相关性的干扰。
缺点：夸大了变化微小的变量的作用。
受协方差矩阵不稳定的影响，马氏距离并不总是能顺利计算出。
3、当变量X1和X2方向上的变差相等，且与互相独立时，采用欧氏距离与统计距离是否一致？统计距离区别于欧式距离，此距离要依赖样本的方差和协方差，能够体现各变量在变差大小上的不同，以及优势存在的相关性，还要求距离与各变量所用的单位无关。
如果各变量之间相互独立,即观测变量的协方差矩阵是对角矩阵, 则马氏距离就退化为用各个观测指标的标准差的倒数作为权数的加权欧氏距离。
多元统计分析课后习题解答第四章
习题解析
• 题目：简述多元统计分析的基本思想 答案：多元统计分析是通过对多个变量进行综合分析，揭示数据之间的内在关 系和规律，进而解决实际问题的方法。其基本思想包括多变量综合分析、多变量分类分析、多变量预测分析等。
• 答案：多元统计分析是通过对多个变量进行综合分析，揭示数据之间的内在关系和规律，进而解决实际问题的方法。其基本 思想包括多变量综合分析、多变量分类分析、多变量预测分析等。
汇报人：XX
多元统计分析的 方法和技术广泛 应用于各个领域， 如心理学、经济 学、医学等。
多元统计分析的 基本步骤包括数 据收集、数据探 索、模型选择、 模型拟合和模型 评估等。
多元统计分析的基本思想
综合多个变量进行全面分析，以揭示数据之间的内在联系和规律 强调变量之间的交互作用和协同效应，以实现更准确的预测和推断 通过对数据的降维处理，简化复杂数据集，提取关键信息
• 题目：解释因子分析的基本思想。 答案：因子分析是一种探索性统计分析方法，其基本思想是通过寻找隐藏在多个变量背后的共 同因子来解释变量之间的相互关系。通过因子分析，可以揭示数据的基本结构，简化数据的复杂性，并加深对数据内在规律的认识。 • 答案：因子分析是一种探索性统计分析方法，其基本思想是通过寻找隐藏在多个变量背后的共同因子来解释变量之间的相互关系。通 过因子分析，可以揭示数据的基本结构，简化数据的复杂性，并加深对数据内在规律的认识。
应用多元统计分析课后答案 (2).doc
2.1.试叙述多元联合分布和边际分布之间的关系。
解：多元联合分布讨论多个随机变量联合到一起的概率分布状况，12(,,)p X X X X '=L 的联合分布密度函数是一个p 维的函数，而边际分布讨论是12(,,)p X X X X '=L 的子向量的概率分布，其概率密度函数的维数小于p 。
2.2设二维随机向量12()X X '服从二元正态分布，写出其联合分布。
解：设12()X X '的均值向量为()12μμ'=μ，协方差矩阵为21122212σσσσ⎛⎫ ⎪⎝⎭，则其联合分布密度函数为1/21222112112222122121()exp ()()2f σσσσσσσσ--⎧⎫⎛⎫⎛⎫⎪⎪'=---⎨⎬ ⎪⎪⎝⎭⎝⎭⎪⎪⎩⎭x x μx μ。
2.3已知随机向量12()X X '的联合密度函数为121212222[()()()()2()()](,)()()d c x a b a x c x a x c f x x b a d c --+-----=--其中1ax b ≤≤，2c x d ≤≤。
求（1）随机变量1X 和2X 的边缘密度函数、均值和方差； （2）随机变量1X 和2X 的协方差和相关系数；（3）判断1X 和2X 是否相互独立。
（1）解：随机变量1X 和2X 的边缘密度函数、均值和方差；112121222[()()()()2()()]()()()dx cd c x a b a x c x a x c f x dx b a d c --+-----=--⎰12212222222()()2[()()2()()]()()()()dd c c d c x a x b a x c x a x c dx b a d c b a d c -------=+----⎰ 121222202()()2[()2()]()()()()dd c c d c x a x b a t x a t dt b a d c b a d c ------=+----⎰ 2212122222()()[()2()]1()()()()d cdc d c x a x b a t x a t b a d c b a d c b a------=+=----- 所以 由于1X 服从均匀分布，则均值为2b a+，方差为()212b a -。
(完整版)多元统计分析课后练习答案
第1章 多元正态分布1、在数据处理时，为什么通常要进行标准化处理？数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。
在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
其中最典型的就是0-1标准化和Z 标准化。
2、欧氏距离与马氏距离的优缺点是什么？欧氏距离也称欧几里得度量、欧几里得度量，是一个通常采用的距离定义，它是在m 维空间中两个点之间的真实距离。
在二维和三维空间中的欧氏距离的就是两点之间的距离。
缺点：就大部分统计问题而言，欧氏距离是不能令人满意的。
每个坐标对欧氏距离的贡献是同等的。
当坐标表示测量值时，它们往往带有大小不等的随机波动，在这种情况下，合理的方法是对坐标加权，使变化较大的坐标比变化较小的坐标有较小的权系数，这就产生了各种距离。
当各个分量为不同性质的量时，“距离”的大小与指标的单位有关。
它将样品的不同属性之间的差别等同看待，这一点有时不能满足实际要求。
没有考虑到总体变异对距离远近的影响。
马氏距离表示数据的协方差距离。
为两个服从同一分布并且其协方差矩阵为Σ的随机变量与的差异程度:如果协方差矩阵为单位矩阵,那么马氏距离就简化为欧氏距离,如果协方差矩阵为对角阵,则其也可称为正规化的欧氏距离。
优点：它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关。
由标准化数据和中心化数据计算出的二点之间的马氏距离相同。
马氏距离还可以排除变量之间的相关性的干扰。
缺点：夸大了变化微小的变量的作用。
受协方差矩阵不稳定的影响，马氏距离并不总是能顺利计算出。
3、当变量X1和X2方向上的变差相等，且与互相独立时，采用欧氏距离与统计距离是否一致？统计距离区别于欧式距离，此距离要依赖样本的方差和协方差，能够体现各变量在变差大小上的不同，以及优势存在的相关性，还要求距离与各变量所用的单位无关。
如果各变量之间相互独立,即观测变量的协方差矩阵是对角矩阵, 则马氏距离就退化为用各个观测指标的标准差的倒数作为权数的加权欧氏距离。
《应用多元统计分析》朱建平部分习题解答
5#703Spss实习作业上机操作余聪0701020223数学二班数据变换是正式分析前的重要一步，通过数据变换，一个优秀的统计分析员可以将原始记录整理成所需的任何形式，从而为后面的精确分析打下坚实的基础——这正是他和普通分析员的区别所在。
-------张文彤3.61992年美国总统选举的三位候选人为布什、佩罗特和克林顿。
支持三位候选人的选民中抽取了20人，投票人-布什X1 X2投票人-佩罗特X1 X2投票人-克林顿X1 X21 2 1 1 2 1 1 4 12 13 2 1 2 24 13 3 3 3 1 0 3 2 14 1 3 4 1 3 4 4 15 3 1 5 3 1 5 2 36 3 1 6 2 1 6 4 07 1 1 7 1 1 7 3 28 2 3 8 1 3 8 4 09 2 1 9 4 1 9 2 110 3 1 10 3 3 10 3 111 1 1 11 2 1 11 3 112 4 1 12 1 3 12 2 313 4 0 13 2 1 13 4 014 3 4 14 1 1 14 2 115 3 3 15 2 1 15 4 116 2 3 16 3 1 16 2 217 2 1 17 1 1 17 3 318 3 1 18 3 1 18 3 219 1 3 19 4 3 19 3 120 1 1 20 2 1 20 4 0 假定三组都服从多元正态分布，检验这三组的总体均值是否都显著性差异（ ）。
解：我们知道One-Way ANOVA 过程用于两组及多组间样本均值的比较，即成组设计的方差分析。
具体操作步骤：1.先对数据进行预处理，1代表布什，2代表佩罗特，3代表华盛顿。
2.Analyze---Compare Mean---One-Way ANOVADependent List框：总统分组Options: Homogeneity-of-varianceContinuePost Hoc:S-N-K:ContinueOK3.运行结果1：结果解释：上图给出单因子方差分析的结果，可见F=3.095，P=0.034<0.05,所以证明假设不成立，选民年龄程度存在差异。
应用多元统计分析课后答案-朱建平版
， =
， =
=
， ，
即样品X属于总体 第五章
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。点之间的距离即可代表样品间的 相似度。常用的距离为 （一）闵可夫斯基距离： q取不同值，分为 （1）绝对距离（）， （2）欧氏距离（）， （3）切比雪夫距离（）， （二）马氏距离
则费希尔判别与距离判别等价。当判别变量服从正态分布时，二者与贝 叶斯判别也等价。 ③当
时，费希尔判别用
作为共同协差阵，实际看成等协差阵，此与距离判别、贝叶斯判别不 同。 ④ 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
，W(X)
多元统计分析应用 第四章课后习题
第四章判别分析习题4.8（1）根据数据建立贝叶斯判别函数，并根据此判别函数对原样本进行回判。
（2）现有一新品牌的饮料在该超市试销，其销售价格为3.0，顾客对其口味评分为8，信任度评分平均为5，试预测该饮料的销售情况。
将数据导入SPSS，分析得到以下结果：1.典型判别函数的特征函数的特征值表表1-1 特征值表表1-1所示是典型判别函数的特征值表，只有两个判别函数，所以特征值只有2个。
函数1的特征值为17.791，函数2的特征值为0.720，判别函数的特征值越大，说明函数越具有区别判断力。
函数1方差的累积贡献率高达96.1%，且典型相关系数为0.973，而函数2方差的贡献率仅为3.9%，典型相关系数为0.647。
由此，说明函数1的区别判断力比函数2的强，函数1更具有区别判断力。
2.Wilks检验结果表1-2 Wilks 的Lambda上表中判别函数1和判别函数2的Wilks’Lambda值为0.031，判别函数2的Wilks’Lambda值为0.581。
“1到2”表示两个判别函数的平均数在三个类间的差异情况，P值=0.002<0.05表示差异达到显著水平“2”表示在排除了第一个判别函数后，第二个判别函数在三个组别间的差异情况，P值=0.197>0.05表示判别函数2未达到显著水平。
3.建立贝叶斯判别函数表1-3 贝叶斯判别法函数系数上表为贝叶斯判别函数的系数矩阵，用数学表达式表示各类的贝叶斯判别函数为：第一组：F1=-81.843-11.689X1+12.97X2+16.761X3第二组：F2=-94.536-10.707X1+13.361X2+17.086X3第三组：F3=-17.499-2.194X1+4.960X2+6.447X3将新品牌饮料样品的自变量值分别代入上述三个贝叶斯判别函数，得到三个函数值为：F1=65.271，F2=65.661，F3=47.884比较三个值，可以看出F2=65.661最大，据此得出新品牌饮料样品应该属于第二组，即该饮料的销售情况为平销。
应用回归分析 第四章 部分答案
第4章 违背基本假设的情况4.1答：例4.1：截面资料下研究居民家庭的储蓄行为 i 01i Y =+X +ββε其中：Y i 表示第i 个家庭的储蓄额，X i 表示第i 个家庭的可支配收入。
由于高收入家庭储蓄额的差异较大，低收入家庭的储蓄额则更有规律性，差异较小，所以εi 的方差呈现单调递增型变化。
例4.2：以某一行业的企业为样本建立企业生产函数模型123i i i i i Y =A K L eβββε 被解释变量：产出量Y ，解释变量：资本K 、劳动L 、技术A ，那么每个企业所处的外部环境对产出量的影响被包含在随机误差项中。
由于每个企业所处的外部环境对产出量的影响程度不同，造成了随机误差项的异方差性。
这时，随机误差项ε的方差并不随某一个解释变量观测值的变化而呈规律性变化，呈现复杂型。
4.2答：回归模型一旦出现异方差性，如果仍采用OLS 估计模型参数，会产生下列不良后果：1、参数估计量非有效2、变量的显著性检验失去意义3、回归方程的应用效果极不理想总的来说，当模型出现异方差性时，参数OLS 估计值的变异程度增大，从而造成对Y 的预测误差变大，降低预测精度，预测功能失效。
4.3答：普通最小二乘估计就是寻找参数的估计值使离差平方和达极小。
其中每个平方项的权数相同，是普通最小二乘回归参数估计方法。
在误差项等方差不相关的条件下，普通最小二乘估计是回归参数的最小方差线性无偏估计。
然而在异方差的条件下，平方和中的每一项的地位是不相同的，误差项的方差大的项，在残差平方和中的取值就偏大，作用就大，因而普通最小二乘估计的回归线就被拉向方差大的项，方差大的项的拟合程度就好，而方差小的项的拟合程度就差。
由OLS 求出的仍然是的无偏估计，但不再是最小方差线性无偏估计。
所以就是：对较大的残差平方赋予较小的权数，对较小的残差平方赋予较大的权数。
这样对残差所提供信息的重要程度作一番校正，以提高参数估计的精度。
加权最小二乘法的方法：20111110122222ˆˆ()()()ˆ()ˆ1=1()1Ni i ii Niiwi w i wNiwi w w w w i i ii i Q w y x w x xy y x xy x w k kx x βββββσσ===----=-=-===∑∑∑2i （kx ） 因为比例系数在参数估计中可以消去4.4答：运用加权最小二乘法消除多元线性回归中异方差性的思想与一元线性回归的类似。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
某超市经销十种品牌的饮料，其中有四种畅销，三种滞销，三种平销。
下表是这十种品牌饮料的销售价格（元）和顾客对各种饮料的口味评分、信任度评分的平均数。
⑵现有一新品牌的饮料在该超市试销，其销售价格为，顾客对其口味的评分平均为8，信任评分平均为5，试预测该饮料的销售情况。
解：贝叶斯判别法，由SPSS可得表1和表2
如表1
则各类的贝叶斯判别式函数如下：
第一组： F1=–– + +
第二组： F2=–– + +
第三组： F3=–– + +
将样品的自变量代入上述三个贝叶斯判别函数，得到三个函数值，分别为：F1= ,F2= ,F3=
比较三个值，可以看出F2=最大，据此可以得出该待判样品应该属于第2组。
则改新品牌的饮料在该超市试销的销售情况是贫销。
表2
错误分类的案例
由表2可得，产品4和产品5实验组和预测组数据不同，且预测组数据上带有**，其中**表示错误分类的案例。
产品4实际被分为第一组“畅销”中，预测出来的却被分到第二组“贫销”中；产品5实际是被分入第二组“贫销”中，预测出来的结果却被分到第一组“畅销”中；其他产品实际结果和预测结果保持一致。
银行的贷款部门需要判别每个客户的信用好坏（是否未履行还贷责任），以决定是否给予贷款。
可以根据贷款申请人的年龄（1X ）、受教育程度（2X ）、现在所从事工作的年数（3X ）、未变更住址的年数（4X ）、收入（5X ）、负债收入比例（6X ）、信用卡债务（7X ）、其它债务（8X ）等来判断其信用情况。
下表是从某银行的客户资料中抽取的部分数据，⑴根据样本资料分别用距离判别法、Bayes 判别法和Fisher 判别法建立判别函数和判别规则。
⑵某客户的如上情况资料为（53，1，9，18，50，，，），对其进行信⑴费希尔判别法，由SPSS 可得表3和表4
表4
组质心处的函数
目前信用好坏
函数
1
已履行还债责任
未履行还债责任
在组均值处评估的非标准化典型判别式函数
由表3可知，费希尔判别函数为
Y =–– + + – +
+ + –
将待判的资料数据代入上式中，可得Y=— ,再将该数据和表4中的数据进行比较，该数据比较接近–，属于第一组，其信用好坏是已履行还债业务。
⑵贝叶斯判别法，由SPSS可得表5
表5
分类函数系数
目前信用好坏
由表5贝叶斯判别系数可知，GROUP（目前信用好坏）栏中的每一列表示样本判
入相应列的贝叶斯判别函数系数。
则各类的贝叶斯判别函数如下：
F1=–+++–++–
–
F2=–+++–++–
–
将样品的自变量值代入上述两个贝叶斯判别函数，则
F1=59.3954 F2=
比较这两个值，可以看出F= 最大，据此得出该待判样品应该属于第一组，即其信用好坏是已履行还债业务。
⑶个案观察结果表，由SPSS可得表6
由表6可知，预测组和实际组相同，没有出现误差。
即该客户的信用度是好的，已履行还款业务。
表6
从胃癌患者、萎缩性胃炎患者和非胃炎患者中分别抽取五个病人进行四项生化指标的化验：血清铜蛋白()1X、蓝色反应()2X、尿吲哚乙酸()3X和中性硫化物()4X，数据见
解：在假设各类出现的先验概率相等且误判造成的损失也相等时，距离判别法与bayes
判别法是完全一致的。
用spss得出以下结论：
根据判别分析的结果（见表7）建立Bayes判别函数：
表7
分类函数系数
由表中每一列表示样本判入相应类的Bayes 判别函数系数。
由此可建立判别函数如下： Group1： 4073.03778.02753.01164.0212.791X X X X Y ++++-= Group2： 4012.03317.02595.01130.0721.462X X X X Y ++++-= Group3： 4059.03100.02637.01130.0598.493X X X X Y -+++-=
将各样品的自变量值代入上述三个Bayes 判别函数，得到三个函数值。
比较这三个函数值，哪个函数值比较大就可以判断该样品判入哪一类。
表8
根据此判别函数对样本进行回判，结果如表8。
由表8个案观察结果表可知，病人序号4实际是第一组“胃癌患者”，被判为第3组“非胃炎患者”；病人序号8实际是第二组“萎缩性胃炎患者”，被判为第3组“非胃炎患者”；病人序号11实际是第三组“非胃炎患者”，被判为第二组“萎缩性胃炎患者”。