《应用多元统计分析》课后习题第七章答案
应用多元统计分析课后习题答案详解北大PPT文档共40页
6、最大的骄傲于最大的自卑都表示心灵的最软弱无力。——斯宾诺莎 7、自知之明是最难得的知识。——西班牙 8、勇气通往天堂，怯懦通往地狱。——塞内加 9、有时候读书是一种巧妙地避开思考的方法。——赫尔普斯 10、阅读一切好书如同和过去最杰出的人谈话。——笛卡 北大
1、战鼓一响，法律无声。——英国 2、任何法律的根本；不，不成文法本 身就是 讲道理 ……法 律，也 ----即 明示道 理。— —爱·科 克
3、法律是最保险的头盔。——爱·科 克 4、一个国家如果纲纪不正，其国风一 定颓败 。—— 塞内加 5、法律不能使人人平等，但是在法律 面前人 人是平 等的。 ——波 洛克
《应用多元统计分析》课后习题第七章答案
《应用多元统计分析》第七章课后习题答案
P128_7.7
解：由spss软件得“方差贡献率表”如下：（此处只提取了两个公因子）
由上表可见：提取两个公因子的方差累积贡献率已达75.26%，并且题目中要求分析学生适合学文科还是理科，所以提取两个公因子是比较好的选择。
旋转后的因子载荷矩阵如下：
成份
1 2
x1 -.245 .795
x2 -.152 .698
x3 -.099 .815
x4 .867 -.335
x5 .904 -.209
x6 .953 -.072
从上述因子载荷矩阵可以看出，因子1与X4(语文)，X5(历史)，X6(英语)的相关性强，所以命名为“文科因子”；因子2与X1(数学)，X2(物理)，X3(化学)的相关性强，所以命名为“理科因子”。
P129_7.8
解：由spss软件得“方差贡献率表”如下：（由于前两个因子的累积方差贡献率已达
x8 .776 .477
x9 -.629 -.638
从上述因子载荷矩阵可以看出，因子1与X1(价格)，X2(发动机)，X3(功率)，X8(燃料容量)，X9(燃料效率)的相关性强，所以命名为“汽车价格及性能因子”；因子2与X4(轴距)，X5(宽)，X6(长)，X7(轴距)的相关性强，所以命名为“汽车外观因子”。
从而，将题中的指标体系简化成了两个指标，即：“汽车价格及性能”和“汽车外观”。
应用多元统计第七章实验题答案
第七章因子分析班级：姓名学号：7.7利用因子分析方法分析下列30个学生成绩的因子构成，并分析各个学生较（2则由上表可写出每个原始变量的因子表达式：X1=-0.662F1+0.503F2；X2=-0.53F1+0.478F2；X6=0.816F1+0.498F2;（4）由Rotated Component Matrix表可以给出旋转后的因子载荷矩阵（见下表），第一个公共因子在指标语文、历史、英语上有较大的载荷，说明这三个指标有较强的相关性，可以归为一类，从分科情况来看，这三个指标属于学生较适合学文学科；第二个公共因子在指标为数学、物理、化学上有较大载荷，同样可以归为一类，这三个指标同属于学生较适合学理科。
（5）根据因子得分系数矩阵与原始变量的标准化值可以计算每个观测值的各F1=F2=0.439X1+0.4X2+0.484X3-0.01X4+0.073X5+0.169X6；则将学生成绩按顺序对应分别带入上面两个式子可以判定，当F1>F2时，该学生适合学文科，当F1<F2时，该学生适合学理科。
24、26的学生适合学文科；学生标号为：2、6、7、9、10、11、13、14、17、18、21、25、27、28、29、30的学生适合学理科。
7.8某汽车组织欲根据一系列指标来预测汽车的销售情况，为了避免有些指标之间的相关关系影响预测结果，须首先进行因子分析来简化系统。
下表是抽查欧洲某汽车市场7个品牌不同型号的汽车的各种指标数据，试用因子分析法找出其简X1=0.794F1；X2=0.879F1；X9=-0.893F1;（4）因为只有一个因子，因此不能被旋转。
（5）根据因子得分系数矩阵与原始变量的标准化值可以计算每个观测值的各因子的得分数，则根据下表可得出该题中的因子得分表达式即为所求的指标系统为：27X8-0.132X9。
7.10 根据习题5.11中2003年我国省会城市和计划单列城市的主要经济指标数据，利用因子分析法对其进行排序和分类，并与聚类分析的结果进行比较。
多元统计分析第七章主成分分析习题答案
7.1 设随机变量12X(X ,X )'=的协差阵为21,12⎡⎤∑=⎢⎥⎣⎦试求Ｘ的特征根和特征向量，并写出主成分。
解：先求Ｘ的特征根λ，λ满足方程：21012-λ=-λ，即2(2)10-λ-=，因此两个特征根分别为123, 1.λ=λ=设13λ=对应的单位特征向量为()1121a ,a '，则()1121a ,a '满足：1121a 110a 110-⎛⎫⎡⎤⎛⎫= ⎪ ⎪⎢⎥-⎣⎦⎝⎭⎝⎭，故可以取1121a a ⎛⎛⎫ = ⎪ ⎝⎭ ⎝，其对应主成分为：112F X X 22=+；设21λ=对应的单位特征向量为()1222a ,a '，则()1222a ,a '满足：1222a 110a 110⎛⎫⎡⎤⎛⎫=⎪ ⎪⎢⎥⎣⎦⎝⎭⎝⎭，故可以取1222a a ⎛⎫⎛⎫ ⎪= ⎪ ⎝⎭- ⎝，其对应的主成分为：212F 22=-.7.2设随机变量123X (X ,X ,X )'=的协差阵为120250,002-⎡⎤⎢⎥∑=-⎢⎥⎢⎥⎣⎦试求Ｘ的主成分及主成分对变量Ｘ的贡献率。
解：先求Ｘ的特征根λ，λ满足方程：12025002-λ---λ=-λ，即()2(2)610-λλ-λ+=，因此三个特征根分别为1235.8284,2,0.1716λ=λ=λ=设1 5.8284λ=对应的单位特征向量为()112131a ,a ,a '，则它满足：1121314.828420a 020.82840a 000 3.8284a 0--⎡⎤⎛⎫⎛⎫⎪ ⎪⎢⎥--=⎪ ⎪⎢⎥ ⎪ ⎪⎢⎥-⎣⎦⎝⎭⎝⎭，故可以取 112131a 10.38271a 2.41420.92392.6131a 00⎛⎫⎛⎫⎛⎫⎪ ⎪ ⎪=-=- ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭，其对应主成分为： 112F 0.3827X 0.9239X =-，其贡献率为5.828472.86%5.828420.1716=++；设22λ=对应的单位特征向量为()122232a,a ,a '，则它满足：122232120a 0230a 0000a 0--⎡⎤⎛⎫⎛⎫ ⎪ ⎪⎢⎥-= ⎪ ⎪⎢⎥ ⎪ ⎪⎢⎥⎣⎦⎝⎭⎝⎭，故可以取122232a 0a 0a 1⎛⎫⎛⎫⎪ ⎪= ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭，其对应主成分为： 23F X =，其贡献率为225%5.828420.1716=++；设30.1716λ=对应的单位特征向量为()132333a ,a ,a '，则它满足：1323330.828420a 02 4.82840a 000 1.8284a 0-⎡⎤⎛⎫⎛⎫⎪ ⎪⎢⎥-=⎪ ⎪⎢⎥ ⎪ ⎪⎢⎥⎣⎦⎝⎭⎝⎭，故可以取132333a 10.92391a 0.41420.38271.0824a 00⎛⎫⎛⎫⎛⎫⎪ ⎪ ⎪== ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭，其对应主成分为： 312F 0.9239X 0.3827X =+，其贡献率为0.17162.14%5.828420.1716=++.7.3 设随机变量12X (X ,X )'=的协差阵为14,4100⎡⎤∑=⎢⎥⎣⎦试从∑和相关阵Ｒ出发求出总体主成分，并加以比较。
最新应用多元统计分析课后习题答案高惠璇PPT课件
(2) 考虑随机变量Y= X1-X2 ,显然有
YX 1X2 0 X 1X 1,当 估计
P{Y0}P{X11或 X11} P{X11}P{X11} (X1~N(0,1)) 2(1)0.317 04
若(X1 , X2 ) 是二元正态分布,则由性质4可知,
31
第三章 多元正态总体参数的检验
证明 记rk(A)=r.
若r=n,由AB＝O,知B＝ On×n,于是 X′AX与X′BX
若r=0时,则A＝0,则两个二次型也是独 立的.
以下设0＜r＜n.因A为n阶对称阵,存在正 交阵Γ,使得
32
第三章 多元正态总体参数的检验
其中λi≠0为A的特征值(i=1,…,r).于是
P { X 2 x } P { X 1 x } ( x )
当x≥1时, P{X2x}
P{X2 1}P{1X2 1}P{1X2 x}
P{X11}P{1X11}P{1X1x}
P{X1x}(x) 17
第二章 多元正态分布及参数的估计
当-1≤x≤1时,
P{X2 x}P{X2 1}P{1X2 x} P{X1 1}P{xX1 1} P{X1 1}P{1X1 x} P{X1 x}(x)
它的任意线性组合必为一元正态. 但Y= X1-X2 不是正态分布,故(X1 , X2 ) 不是二元正态分布.
19
第二章 多元正态分布及参数的估计
2-17 设X～Np(μ,Σ),Σ＞0,X的密度函数记为 f(x;μ,Σ).(1)任给a＞0,试证明概率密度等高面
f(x;μ,Σ)= a
是一个椭球面. (2) 当p=2且
比较上下式相应的系数,可得:
1
2 2
2
1 2
应用多元统计分析课后习题答案高惠璇第七章习题解答-20页PPT精选文档
解:
9
第七章 主成分分析
7-5 设3维总体X的协差阵为
试求总体主成分.
4 0 0
0 4 0
0 0 2
解:总体主成分为
Zi Xi(i1,2,3)
主成分向量为
Z ( X 1 ,X 2 ,X 3 ) 或 Z ( X 2 ,X 1 ,X 3 )
三个主成分的方差分别为4,4,2.
(01).
(1)
Z1 1p(X1X2Xp);
(2) 试求第一主成分的贡献率.
7
第七章 主成分分析
解:
1
8
第七章 主成分分析
7-4 设总体X＝(X1,…,Xp)′～Np(μ,Σ) (Σ＞0),等概率密度
椭球为
(X-μ)′Σ-1(X-μ)=C2(C为常数).
试问椭球的主轴方向是什么?
14 13
13 14 2
12
14
13
12 2
,
其中 1 21 31,421 4 21.3
试求X的主成分.
12
第七章 主成分分析
解:
13
第七章 主成分分析
7-8
14
第七章 主成分分析
15
第七章 主成分分析
7-9
16
其中ρ为X1和X2的相关系数(ρ>0). (1) 试从Σ出发求X
1
1
(2) 求X
(3) 试问当ρ取多大时才能使第一主成分的贡献率达95%以上.
解:
5
第七章 主成分分析
6
第七章 主成分分析
7-3 设p维总体X的协差阵为
21
1
(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。
应用多元统计分析课后习题答案高惠璇第七章习题解答
04
习题4解答
题目
• 题目：在多元线性回归中，如果 一个自变量与其他自变量高度相 关，那么这个自变量是否应该被 包括在回归模型中？为什么？
解答
01
解答：在多元线性回归中，如果一个自变量与其他自变量 高度相关，那么这个自变量是否应该被包括在回归模型中 ，需要视具体情况而定。
解答
• 当$x < 0$时，$P(X \leq x) = \frac{1}{2}e^{x}$，所以$p(x) = \frac{1}{2}e^{x}$。
解答
• 接下来，我们计算期望值
• 当$x \geq 0$时，$E(X) = \int{0}^{\infty}xp(x)dx = \int{0}^{\infty}\frac{1}{2}xe^{-xdx} = \frac{1}{2}e^{-x}|_{0}^{\infty} = 0$。
• 因此，$E(X) = 0$。
01
03 02
解答
• 当$x \geq 0$时，$P(X^2 \leq x) = P(X \leq \sqrt{x}) = \frac{1}{2}e^{-\sqrt{x}}$，所以 $p_1(x) = \frac{1}{2}\sqrt{x}e^{\sqrt{x}}$。
答案
证明过程如上所述，结论 正确。
证明过程如上所述，结论 正确。
证明过程如上所述，结论 正确。
答案1
答案2
答案3
03
习题3解答
题目
题目：设随机变量$X$的 分布函数为$F(x) = begin{cases}
0 & x notin mathbf{R}
frac{1}{2}e^{-|x|} & x in mathbf{R}
应用多元统计分析课后答案-朱建平版
，则称
为
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
0 10 210 543 0 876 30 10 9 8 5 2 0 由上表易知
中最小元素是 于是将
， ， 聚为一类，记为 计算距离阵
0 30 63 0 85 2 0
中最小元素是 =2 于是将 ， 聚为一类，记为 计算样本距离阵
0 30 63 0
中最小元素是 于是将 ， 聚为一类，记为 因此，
不同做出具体分折。实际中，聚类分析前不妨试探性地多选择几个距离 公式分别进行聚类，然后对聚类分析的结果进行对比分析，以确定最合 适的距离测度方法。 5.5试述K均值法与系统聚类法的异同。 答：相同：K—均值法和系统聚类法一样，都是以距离的远近亲疏为标 准进行聚类的。
不同：系统聚类对不同的类数产生一系列的聚类结果，而K—均值 法只能产生指定类数的聚类结果。
0
16 0
64 16 0
中最小元素是
于是将
，
聚为一类，记为
因此，
第六章 6.1 试述主成分分析的基本思想。 答：我们处理的问题多是多指标变量问题，由于多个变量之间往往存在 着一定程度的相关性，人们希望能通过线性组合的方式从这些指标中尽 可能快的提取信息。当第一个组合不能提取更多信息时，再考虑第二个 线性组合。继续这个过程，直到提取的信息与原指标差不多时为止。这 就是主成分分析的基本思想。 6.2 主成分分析的作用体现在何处？ 答：一般说来，在主成分分析适用的场合，用较少的主成分就可以得到
应用多元统计分析课后习题答案高惠璇
2 1 2 2 2 (1)第一次配方: 2 x12 2 x1 x2 x2 ( x1 x2 ) 2 x12
2 1 x1 2 1 1 1 1 1 因2 x 2 x1 x2 x ( x1 , x2 ) , 而 BB, 1 1 x2 1 1 1 0 1 0 y1 1 1 x1 x1 x2 2 2 2 2 令y , 则 2 x 2 x x x y y 1 1 2 2 1 2 y x x 1 0 2 1 2
类似地有
1 2 2 ( 2 x1 22 x1 65 x1 14 x1 49 ) 2
f 2 ( x2 )
X 2 ~ N (3,2).
f (x , x )dx
1 2 1
1 2 2
e
1 ( x2 3) 2 4
10
第二章
多元正态分布及参数的估计
1 e 2
1 2 ( 2 x1 22 x1 65) 2
e
1 2 ( x2 2 x2 ( x1 7 ) ( x1 7 ) 2 ) 2
dx2 e
1 ( x1 7 ) 2 2
9
第二章
多元正态分布及参数的估计
1 ( x2 x1 7 ) 2 2
1 e e dx2 2 1 2 1 ( x 8 x 16 ) ( x2 x1 7 ) 2 1 1 1 1 2 e 2 e dx2 2 2 1 ( x1 4 ) 2 1 e 2 X1 ~ N (4,1). 2
u1 x1 4 令 u2 x2 3
《应用多元统计分析》各章作业题及部分参考答案
60.6
16.5
2 76
58.1
12.5
3 92
63.2
14.5
4 81
59.0
14.0
5 81
60.8
15.5
6 84
59.5
14.0
解：作如下假设 H0 : μ = μ0 , H1 : μ ≠ μ0
经计算，求的样本均值向量 x = (82.0, 60.2,14.5) ' ，x − μ0 = (−8, 2.2, −1.5) ' ，样本协差阵
x2
+
1 2
x3
+
1 2
x4 。
（2）第一主成分的贡献率为
λ1
+
λ2
λ1 +
λ3
+ λ4
= 1+ 3ρ 4
≥ 95% ，得 ρ
≥ 0.933 。
第 7 章 因子分析
1、设 x = (x1, x2 , x3 )′ 的相关系数矩阵通过因子分析分解为
⎛ ⎜
1
⎜
R
=
⎜ ⎜
−1 3
⎜ ⎜⎜⎝
2 3
−1 3 1
54.58
11.67
产品净值率 10.7
6.2
21.41
11.67
7.90
2、 设 G1, G2 , G3 三个组，欲判别某样品 x0 属于何组，已知 p1 = 0.05, p2 = 0.65, p3 = 0.3,
应用多元统计分析
pofeel@
3
f1 (x0 ) = 0.10, f2 (x0 ) = 0.63, f3 (x0 ) = 2.4 ，假定误判代价矩阵为：
⎢⎣ 4.5 ⎥⎦
何晓群版—多元统计分析课后练习答案
（3）各判别变量之间具有多元正态分布，即每个变量对于所有其他变量的固定 值有正态分布，在这种条件下可以精确计算显著性检验值和分组归属的概率。
2、试述贝叶斯判别法的思路。 答：贝叶斯判别法的思路是先假定对研究的对象已有一定的认识，常用先验概率 分布来描述这种认识，然后我们取得一个样本，用样本来修正已有的认识（先验 概率分布），得到后验概率分布，各种统计推断都通过后验概率分布来进行。将 贝叶斯判别方法用于判别分析，就得到贝叶斯判别。
零假设的拒绝区域 {（n-p）/[(n-1)*p]}*T 2 > Fp,np ( )
1/10*T 2 >F5,4(5) μ0=（ 6212.01 32.87 2972 9.5 15.78）’ 样本均值（4208.78 35.12 1965.89 12.21 27.79）’
（样本均值-μ0）’=(-2003.23 2.25 -1006.11 2.71
4、试述模糊聚类的思想方法。 模糊聚类分析是根据客观事物间的特征、亲疏程度、相似性，通过建立模糊
相似关系对客观事物进行聚类的分析方法，实质是根据研究对象本身的属性构造 模糊矩阵，在此基础上根据一定的隶属度来确定其分类关系。基本思想是要把需 要识别的事物与模板进行模糊比较，从而得到所属的类别。简单地说，模糊聚类 事先不知道具体的分类类别，而模糊识别是在已知分类的情况下进行的。模糊聚 类分析广泛应用在气象预报、地质、农业、林业等方面。它有两种基本方法:系 统聚类法和逐步聚类法。该方法多用于定性变量的分类。 5、略
2 p
1
2 1
1
Σ 1
2 2
1
2 p
则 f (x1,..., xp )
1
2 1
p
1
1 2
应用多元统计分析课后习题答案高惠璇第七章习题解答共20页
第七章 主成分分析
17
第七章 主成分分析
7-10
18
第七章 主成分分析
77--1112
19
谢谢
解:
9
第七章 主成分分析
7-5 设3维总体X的协差阵为
试求总体主成分.
4 0 0
0 4 0
0 0 2
解:总体主成分为
Zi Xi(i1,2,3)
主成分向量为
Z ( X 1 ,X 2 ,X 3 ) 或 Z ( X 2 ,X 1 ,X 3 )
三个主成分的方差分别为4,4,2.
(01).
(1)
Z1 1p(X1X2Xp);
(2) 试求第一主成分的贡献率.
7
第七章 主成分分析
解:
1
8
第七章 主成分分析
7-4 设总体X＝(X1,…,Xp)′～Np(μ,Σ) (Σ＞0),等概率密度
椭球为
(X-μ)′Σ-1(X-μ)=C2(C为常数).
试问椭球的主轴方向是什么?
14 13
13 14 2
12
14
13
12 2
,
其中 1 21 31,421 4 21.3
试求X的主成分.
12
第七章 主成分分析
解:
13
第七章 主成分分析
7-8
14
第七章 主成分分析
15
第七章 主成分分析
7-9
16
10
第七章 主成分分析
7-6
设3维总体X的协差阵为
2 2
2 2
0
2
0 2 2
- 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)。
《应用多元统计分析》第七章课后习题答案
P128_7.7
解：由spss软件得“方差贡献率表”如下：（此处只提取了两个公因子）
由上表可见：提取两个公因子的方差累积贡献率已达75.26%，并且题目中要求分析学生适合学文科还是理科，所以提取两个公因子是比较好的选择。
旋转后的因子载荷矩阵如下：
成份
1 2
x1 -.245 .795
x2 -.152 .698
x3 -.099 .815
x4 .867 -.335
x5 .904 -.209
x6 .953 -.072
从上述因子载荷矩阵可以看出，因子1与X4(语文)，X5(历史)，X6(英语)的相关性强，所以命名为“文科因子”；因子2与X1(数学)，X2(物理)，X3(化学)的相关性强，所以命名为“理科因子”。
P129_7.8
解：由spss软件得“方差贡献率表”如下：（由于前两个因子的累积方差贡献率已达
x8 .776 .477
x9 -.629 -.638
从上述因子载荷矩阵可以看出，因子1与X1(价格)，X2(发动机)，X3(功率)，X8(燃料容量)，X9(燃料效率)的相关性强，所以命名为“汽车价格及性能因子”；因子2与X4(轴距)，X5(宽)，X6(长)，X7(轴距)的相关性强，所以命名为“汽车外观因子”。
从而，将题中的指标体系简化成了两个指标，即：“汽车价格及性能”和“汽车外观”。