多元正态分布_多元正态分布可加性的证明

多元分析的分析方法

implicit none

包括3类:①多元方分析、多元回归分析和协方分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；②判别函数分析和聚类分析,用以研究对事物的分类；③主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。 是把总变异按照其来源（或实验设计）分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。例如，在分析2×2析因设计资料时，总变异可分为分属两个因素的两个组间变异、两因素间的交互作用及误（即组内变异）等四部分,然后对组间变异和交互作用的显著性进行F检验。

多元正态分布_多元正态分布可加性的证明

多元正态分布_多元正态分布可加性的证明

k = idum/IQ1

常用的多元分析方法？

若随机变量X服从一个数学期望为μ、方为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

包括3类:①多元方分析、多元回归分析和协方分析，称为线性模型方法，用以研究确定的自变量与因变量之间的关系；②判别函数分析和聚类分析,用以研究对事物的分类；③主成分分析、典型相关和因素分析，研究如何用较少的综合因素代替为数较多的原始变量。

多元方分析

是把总变异按照其来源（或实验设计）分为多个部分，从而检验各个因素对因变量的影响以及各因素间交互作用的统计方法。例如，在分析2×2析因设计资料时，总变异可分为分属两个因素的两个组间变异、两因素间的交互作用及误（即组内变异）等四部分,然后对组间变异和交互作用的显著性进行F检验。

多元方分析的优点

是可以在一次研究中同时检验具有多个水平的多个因素各自对因变量的影响以及各因素间的交互作用。其应用的限制条件是，各个因素每一水平的样本必须是的随机样本，其重复观测的数据服从正态分布，且各总体方相等。

多元回归分析

用以评估和分析一个因变量与多个自变量之间线性函数关系的统计方法。一个因变量y与自变量x1、x2、…xm有线性回归关系是指： 其中α、β1…βm是待估参数，ε是表示误的随机变量。通过实验可获得x1、x2…xm的若干组数据以及对应的y值，利用这些数据和最小二乘法就能对方程中的参数作出估计，记为╋、勮…叧，它们称为偏回归系数。

是可以定量地描述某一现象和某些因素间的线性函数关系。将各变量的已知值代入回归方程便可求得因变量的估计值（预测值），从而可以有效地预测某种现象的发生和发展。它既可以用于连续变量，也可用于二分变量（0，1回归）。多元回归的应用有严格的限制。首先要用方分析法检验自变量y与m个自变量之间的线性回归关系有无显著性，其次，如果y与m个自变量总的来说有线性关系，也并不意味着所有自变量都与因变量有线性关系，还需对每个自变量的偏回归系数进行t检验,以剔除在方程中不起作用的自变量。也可以用逐步回归的方法建立回归方程，逐步选取自变量，从而保证引入方程的自变量都是重要的。

把线性回归与方分析结合起来检验多个修正均数间有无别的统计方法。例如，一个实验包含两个多元自变量，一个是离散变量(具有多个水平)，一个是连续变量，实验目的是分析离散变量的各个水平的优劣，此变量是方变量；而连续变量是由于无法加以控制而进入实验的，称为协变量。在运用协方分析时，可先求出该连续变量与因变量的线性回归函数，然后根据这个函数扣除该变量的影响，即求出该连续变量取等值情况时因变量的修正均数，用方分析检验各修正均数间的异显著性，即检验离散变量对因变量的影响。

协方分析兼具方分析和回归分析的优点

可以在考虑连续变量影响的条件下检验离散变量对因变量的影响，有助于排除非实验因素的干扰作用。其限制条件是，理论上要求各组资料（样本）都来自方相同的正态总体,各组的总体直线回归系数相等且都不为0。因此应用协方分析前应先进行方齐性检验和回归系数的设检验，若符合或经变换后符合上述条件，方可作协方分析。

判别函狭义的说，统计分析与决策是有区别的。统计分析是以统计数字为基础，以统计方法为手段，对经济情况进行科学的分析和综合研究，以认识其本质和规律的过程。而决策则是为了达到某一预定目标，运用逻辑方法和统计方法，对两种或两种以上可能采取的方案进行比较、分析、研究，以做出合理的、科学的抉择的行为过程。若把统计分析与决策比作医生看病，统计分析就是对病情的诊断，决策就是开处方，“诊断”和“处方”是有区别的。数分析

判定个体所属类别的统计方法。其基本原理是：根据两个或多个已知类别的样本观测资料确定一个或几个线性判别函数和判别指标，然后用该判别函数依据判别指标来判定另一个个体属于哪一类。 判别分析不仅用于连续变量，而且借助于数量化理论亦可用于定性资料。它有助于客观地确定归类标准。然而，判别分析仅可用于类别已确定的情况。当类别本身未定时，预用聚类分析先分出类别，然后再进行判别分析。

聚类分析

解决分类问题的一种统计方法。若给定n个观测对象，每个观察对象有p个特征（变量），如何将它们聚成若干可定义的类?若对观测对象进行聚类,称为Q型分析;若对变量进行聚类,称为R型分析。聚类的基本原则是,使同类的内部别较小,而类别间的别较大。最常用的聚类方案有两种。一种是系统聚类方法。例如，要将n个对象分为k类,先将n个对象各自分成一类,共n类。然后计算两两之间的某种“距离”，找出距离最近的两个类、合并为一个新类。然后逐步重复这一过程，直到并为k类为止。另一种为逐步聚类或称动态聚类方法。当样本数很大时，先将n个样本大致分为k类，然后按照某种原则逐步修改，直到分类比较合理为止。 聚类分析是依据个体或变量的数量关系来分类，客观性较强，但各种聚类方法都只能在某种条件下达到局部,聚类的最终结果是否成立,尚需专家的鉴定。必要时可以比较几种不同的方法，选择一种比较符合专业要求的分类结果。

主成分分析

把原来多个指标化为少数几个互不相关的综合指标的一种统计方法。例如,用p个指标观测样本,如何从这p个指标的数据出发分析样本或总体的主要性质呢？如果p个指标互不相关，则可把问题化为p个单指标来处理。但大多时候p个指标之间存在着相关。此时可运用主成分分析寻求这些指标的互不相关的线性函数，使原有的多个指标的变化能由这些线性函数的变化来解释。这些线性函数称为原有指标的主成分，或称主分量。 主成分分析有助于分辨出影响因变量的主要因素，也可应用于其他多元分析方法，例如在分辨出主成分之后再对这些主成分进行回归分析、判别分析和典型相关分析。主成分分析还可以作为因素分析的步，向前推进就是因素分析。其缺点是只涉及一组变量之间的相互依赖关系，若要讨论两组变量之间的相互关系则须运用典型相关。

典型相关分析

先将较多变量转化为少数几个典型变量，再通过其间的典型相关系数来综合描述两组多元随机变量之间关系的统计方法。设x是p元随机变量,y是q元随机变量，如何描述它们之间的相关程度?当然可逐一计算x的p个分量和y的q个分量之间的相关系数(p×q个)， 但这样既繁琐又不能反映事物的本质。如果运用典型相关分析，其基本程序是，从两组变量各自的线性函数中各抽取一个组成一对，它们应是相关系数达到值的一对，称为第1对典型变量,类似地还可以求出第2对、第3对、……,这些成对变量之间互不相关,各对典型变量的相关系数称为典型相关系数。所得到的典型相关系数的数目不超过原两组变量中任何一组变量的数目。 典型相关分析有助于综合地描述两组变量之间的典型的相关关系。其条件是,两组变量都是连续变量,其资料都必须服从多元正态分布。 以上几种多元分析方法各有优点和局限性。每一种方法都有它特定的设、条件和数据要求，例如正态性、线性和同方等。因此在应用多元分析方法时，应在研究阶段确定理论框架，以决定收集何种数据、怎样收集和如何分析数据资料。

什么是标准正态分布

idum = max(-idum,1)

问题一：什么叫标准正态分布？ 是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。期望值μ=0，即曲线图象对称轴为Y轴，标准σ=1条件下的正态分布。标准正态分布又称为u分布，是以0为 均数、以1为 标准的正态分布，记为N(0，1)。

idum2 = idum

问题二：非标准正态分布如何化为标准正态分布 如果非标准正态分布X~N(μ,σ^2)，那么关于X的一个一次函数 (X-μ)/σ ，就一定是服从标准正态分布N(0,1)。举个具体的例子，一个量X，是非标准正态分布，期望是10，方是5^2（即X~N(订0,5^2)）；那么对于X的线性函数Y=(X-10)/5，Y就是服从标准正态分布的Y~N(0,1)。

正态分布（Normal distribution）又名高斯分布（Gaussiandistribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、方为σ^2的高斯分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准σ决定了分布的幅度。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ = 0,σ =1的正态分布。

问题三：如何将一般正态分布标准化

问题四：什么是正态分布？ 目录 1正态分布 目录 1正态分布 收起 编辑本段正态分布 normal distribution

一种概率分布。正态分布是具有两个参数μ和σ2的连续型随机变量的分布，参数μ是服从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方，所以正态分布记作N(μ，σ2 )。 服从正态分布的随机变量的概率规律为取与μ邻近的值的概率大 ，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布的密度函数的特点是：关于μ对称，在μ处达到值，在正（负）无穷远处取值为0，在μ±σ处有拐点。它的形状是中间高两边低 ，图像是一条位于x轴上方的钟形曲线。当μ＝0，σ2 ＝1时，称为标准正态分布，记为N（0，1）。μ维随机向量具有类似的概率规律时，称此随机向量遵从正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为正态分布，特别它的线性组合为一元正态分布。

正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。

生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。例如，在生产条件不变的情况下，产品的强力、抗压强度、口径、长度等指标；同一种生物体的身长、体重等指标；同一种种子的重量；测量同一物体的误；弹着点沿某一方向的偏；某个地区的年降水量；以及理想气体分子的速度分量，等等。一般来说，如果一个量是由许多微小的随机因素影响的结果，那么就可以认为这个量具有正态分布（见中心极限定理）。从理论上看，正态分布具有很多良好的性质 ，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如对数正态分布、t分布、F分布等。

正态分布

1.正态分布

若已知的密度函数（频率曲线）为正态函数（曲线）则称已知曲线服从正态分布，记号 ～ 。其中μ、σ2 是两个不确定常数，是正态分布的参数，不同的 、不同的 对应不同的正态分布。

正态曲线呈钟型，两头低，中间高，左右对称，曲线与横轴间的面积总等于1。

2．正态分布的特征

服从正态分布的变量的频数分布由 、 完全决定。

(1) 是正态分布的位置参数，描述正态分布的集中趋势位置。正态分布以 为对称轴，左右完全对称。正态分布的均数、中位数、众数相同，均等于 。

(2) 描述正态分布资料数据分布的离散程度， 越大，数据分布越分散， 越小，数据分布越集中。 也称为是正态分布的形状参数， 越大，曲线越扁平，反之， 越小，曲线越瘦高。

标准正态分布standard normal distribution

1．标准正态分布是一种特殊的正态分布，标准正态分布的μ和σ2为0和1，通常用 （或Z）表示服从标准正态分布的变量，记为 Z～N（0，1）。

3. 标准正态分布表

标准正态分布表中列出了标准正态曲线下从-∞到X(当前值）范围内的面积比例 。

正态曲线下面积分布

1．实际工作中，正态曲线下横轴上一定区间的面积反映该区间的例数占总例数的百分比，或变量值落在该区间的概率（概率分布）。不同 范......>>

问题五：标准正态分布函数公式是什么意思？ 就是a=1，u=0的函数

问题六：什么是标准正态分布上侧面积 标准正态分布上侧面积，就是指临界值两边的面积。

问题七：标准正态分布的平方是什么分布 n=1的卡方分布，记为X^2(1)，卡方分布是大学本科概率论与数理统计的内容，可以参考百度百科的“卡方分布”。

问题八：标准正态分布的标准偏 深蓝 域是距平均值小于一个标准之内的数值范围。在正态分布中，此范围所占比率为全部数值之68%，根据正态分布，两个标准之内的比率合起来为95%；三个标准之内的比率合起来为99%。在实际应用上，常考虑一组数据具有近似于正态分布的概率分布。若其设正确，则约68.3%数值分布在距离平均值有1个标准之内的范围，约95.4%数值分布在距离平均值有2个标准之内的范围，以及约99.7%数值分布在距离平均值有3个标准之内的范围。称为“68-95-99.7法则”或“经验法则”。

统计分析论文

主成分分析就是设法将原来指标重新组合成一组新的互相无关的几个综合指标，来代替原来指标，同时根据实际需要从中可取几个较少的综台指标，尽可能多反映原来指标的信息，在市场研究中常常利用主成分析方法分析顾客的偏好和当前市场的产品与顾客之间的别，从而提供给生产企业新产品开发方向的信息。

统计分析是运用统计 方法 与分析对象有关的知识，从定量与定性的结合上进行的研究活动。下文是我为大家整理的关于统计分析论文的 范文 ，欢迎大家阅读参考!

统计分析论文篇1

浅谈统计分析与决策

[摘要] 统计分析与决策二者有联系又有区别。统计要参与决策，必须搞好统计分析。搞好统计分析，需要解决选题、分析、撰写 报告 三个问题。

[] 统计分析 分析方法 决策

统计工作的全过程分为四个阶段，即统计设计，统计调查，统计整理，统计分析。其中，统计分析是统计工作的一个阶段，是出统计成果的阶段。现在倡导统计要参与决策，这是不是说统计工作还要增加一个决策阶段呢?如果不是，那么，统计分析与决策是什么关系呢?

广义的讲，统计分析与决策是密不可分的。一方面，统计分析贯穿于决策过程之中。一个决策过程大体上可分为下列三个大步骤：，诊断问题所在，确定决策目标;第二，探索和拟定各种可能的备选方案;第三，从各种备选方案中选出最合适的方案。从这三大步骤看，尽管要用到多种方法和手段，但哪一步也离不开统计分析，步就是通过统计分析，诊断问题所在，并在分析的基础上确定决策目标;第二步拟定备选方案，要经过“轮廊设想”和“细部设计”这个阶段对轮廊设想的方案要做初步筛选，对每一方案要充实具体内容，“筛选”和“充实”都要经过统计分析;第三步选择方案，首先要对各个备选方案进行评价、论证，这又需要统计分析。因此可以说，没有统计分析，也就没有科学决策。另一方面，从某种意义上讲，决策是统计分析的结果。一般来说，统计分析报告是提出问题、分析问题、指出解决问题的办法，其实，决策方案也就是解决问题实现决策目标的办法，只不过比“今后意见”“几条 措施 ”之类的办法更全面、更详细、更科学罢了。医生诊断是为了正确处方，治病救人，不能只诊断不处方。统计分析是为了发现问题，解决问题，推动经济的顺利发展;也不能只提出问题，而不寻找解决问题的办法。从这个意义上讲，统计分析也就包括预测和决策。我们不能为统计而统计，也不能为分析而分析。统计应该参与决策，为了决策科学化，必须搞好统计分析。

搞好统计分析，需要解决选题、分析、撰写报告三个问题。

一、统计分析选题

所谓选题，就是在复杂的经济现象中,确定统计分析的内容和范围。进行统计分析,选题很重要。成功的选题是成功的分析的前提。

怎样选好题呢?选好题标准有两条:―是分析对象有意义，二是适合决策层和群众需要。关键是抓住和的方针政策和企业的经济效益。

统计分析课题是很广泛的。工业统计分析课题如：执行情况分析、工业净产值统计分析、工业产品销售统计分析、工业原材料供应和消耗统计分析、工业能源消耗统计分析、工业生产设备统计分析、工业劳动与工资统计分析、成本利润统计分析、综合经济效益统计分析等。商品流通企业统计分析课题如：市场供求状况分析、市场占有率分析、主要商品经济寿命周期分析、市场商品价格分析、执行情况分析、购销合同执行情况分析、商品购进质量分析、商品销售动态分析、商品销售构成分析、商品库存分析、企业经济效益分析等。对于以上内容，可根据不同的时间、地点、条件，按两条选题标准适当选择。

统计分析有专题分析与综合分析之分。在一定的总体范围内，研究总体的各个方面及其相互关系，或研究总体的主要方面的统计分析，属于综合分析;只研究其中某一方面，或某一部分的统计分析，属于专题分析。两者各有不同的特点，都是必要的，但专题分析宜多，综合分析宜少。

二、统计分析方法

统计分析的关键是分析，怎样进行统计分析呢?统计分析有两个特点:一是以统计数字为基础,二是以统计方法为手段。因此,统计分析在选题之后,就要根据分析的需要,搜集整理有关数字资料及具体情况,在充分占有材料的基础上,灵活运用统计方法进行分析。

统计分析方法很多。统计学原理中除了有关统计调查、统计整理的内容外,综合指标、统计指数、时间数列、抽样推断等内容全部是统计分析方法。从方法角度上讲，统计分析就是统计学原理的运用。

统计方法与人们的认识过程是相适应的。人们的认识分感性认识和理性认识两个阶段。感性认识阶段所认识的是事物的现象，可采用统计调查和统计整理。理性认识阶段所认识的是事物的本质和规律，这个阶段要经过形成概念、进行判断和推理等思维活动。与此相适应，要分别采用不同的统计分析方法。

形成概念一般用描述性的综合指标法，即总量指标、相对指标和平均指标，以说明现象的规模大小、水平高低、速度快慢、内部结构以及比例关系等。判断推理就是要判断事物的性质，分析事物变化的原因，找出事物发展的规律。这一般要用分组分析法、动态分析法、因素分析法、相关回归分析法、平衡分析法等。

对统计学原理中的各种统计分析方法要熟练地掌握，灵活地运用。怎样灵活运用呢?这里有个技巧问题。技巧就是定性分析与定量分析巧妙结合。

所谓定性分析是指对事物的性质和影响事物发展变化的因素进行分析。定量分析就是分析事物的规模、水平、速度、结构、比例，以及各个因素对事物总体变化的影响方向和影响程度。定性分析与定量分析巧妙结合有两层含义，一是二者不可偏废，二是二者密不可分，

没有定性分析,定量分析就没有方向。没有定量分析,定性分析就不准确。结合的目的是在质与量的辩证统一中探寻事物的内在联系。

从根本上讲，统计分析就是完成从感性认识到理性认识，从现象到本质的飞跃。完成了这―飞跃，才是高质量的统计分析。有些统计分析质量不高，往往就是没有完成这一飞跃，仍然停留在表面现象上。

三、统计分析报告的撰写

统计分析报告是统计的最终产品。如果说统计数字的准确性是统计的生命，那么，统计分析报告的质量则关系到统计作用的发挥。对高质量的统计分析报告的要求，可以概括为五个字，就是“准、快、新、深、活”。

准:就是实事求是地反映客观实际。做到数字准确，情况准确，论点准确。

快:就是在决策层决策之前，不失时机地及时提供分析报告。

新:就是不断创新。要求不断开拓新领域，钻研新课题，反映新情况和新问题。

深:就是要在充分占有材料的基础上，提高分析的深度，使认识不只停留在反映现象上，而要揭示事物的本质和规律，并且用观点统帅材料，用材料说明观点，做到材料和观点的统一。

统计分析报告是在统计分析的基础上撰写出来的。没有好的分析，不可能写出好的报告。经过分析阶段，弄清了事实，判明了性质，探索出规律，得出了结论，在此基础上就可以撰写统计分析报告。但分析得好，并不等于报告写得好，这里还有个撰写的技巧问题，那就是准确地表述事实，透彻地阐明本质，深刻地揭示规律，恰当地提出建议。

1.准确地表述事实

每一篇统计分析报告，都需要表述所分析的现象，即说明“是什么”。准确地表述事实，才能给读者一个明确的概念。为此，须注意如下几点:(1)数字要真实;(2)运用数字要适当，不要堆砌数字，搞数字文字化;(3)语言要素准确。

2.透彻地阐明本质

现象只说明事物的各个片面，本质才说明事物的整体。撰写统计分析报告，必须深刻地揭示事物的本质，它是统计认识事物的正确程度和深度的反映。如果不能深刻地阐明事物的本质，那只能是现象罗列，没有多大价值。

阐明事物的本质，也就是阐明事物的基本性质。事物的性质是由事物内部矛盾的主要方面决定的。例如，某企业利润增加，是靠涨价，还是靠降低成本?经过分析，认识到利润增加主要是靠降低成本，这是矛盾的主要方面，这就反映出事物的性质。因此，在报告中就应阐明降低成本在提高经济效益中的重要作用。再如某企业，本质问题是钢材浪费，在报告中就应揭示浪费的若干方面和程度。

3.深刻地揭示规律

规律是事物内部固有的、本质的、必然联系。成本高低与产量多少有联系，经过推理，这种联系是事物内部固有的、本质的必然联系，反映了事物发展变化的规律性，而且存在一定的回归关系。而回归方程反映这种关系，所以在统计分析报告中，要利用回归方程揭示这种必然联系及其回归关系。

4.恰当地提出建议

认识世界的目的是为了改造世界。经过统计分析,透过现象认识到事物的本质和规律,还必须提出解决问题的建议,如“今后意见”、“几点建议”、“决策方案”等等。怎样才算恰当地建议呢?恰当的建议要符合三个条件:(1)符合分析目的;(2)合乎客观规律;(3)切实可行。

以上四点,一般可以作为分析报告的结构和顺序,但不能千篇一律。

统计分析报告是统计分析结果的反映。既要注意提高写作水平，更要努力锻炼分析问题和解决问题的能力。

试谈统计分析方法应用

【摘要】统计分析方法应用于各个领域，解决了很多工业、农业、经济、医学等领域的实际问题，本文分析多元统计分析方法的主要应用和构建多元统计方法检验体系的必要性，针对性的提出了需要引起注意的共性问题，具有很强的现实意义。

【】统计分析方法;应用;检验体系;共性问题;现实意义前言

随着信息技术的普及和广泛应用，它推动了、经济和科学技术的发展，多元统计分析方法的难题得到了攻破，各个领域广泛采用，推动了各行各业经济的快速发展。

二、多元统计分析方法的主要应用

统计方法是科学研究的一种重要工具，其应用颇为广泛。在工业，农业，经济，生物和医学等领域的实际问题中，常常需要处理多个变量的观测数据，因此对多个变量进行综合处理的多元统计分析方法显得尤为重要。随着电子计算机技术的普及，以及，经济和科学技术的发展，过去被认为具有数学难度的多元统计分析方法，已越来越广泛地应用于实际。

聚类分析

它是研究分类问题的一种多元统计方法，聚类分析的基本思想是首先将每个样本当作一类，然后根据样本之间的相似程度并类计算新类与 其它 类之间距离，再选择近似者并类每合并一次减少一类，继续这一过程直到所有样本都合并成为一类为止。所以聚类分析依赖于对观测间的接近程度或相似程度的理解，定义不同的距离量度和相似性量度就可以产生不同的聚类结果。企业制定 市场营销 战略时要弄清在同一市场中哪些企业是直接竞争者，哪些是间接竞争者是非常关键的一个环节。要解决这个问题，企业首先可以通过 市场调查 ，获取自己和所有主要竟争者，从而寻找企业在市场中的机会。

判别分析

判别分析是已知研究对象分成若干类型，并取得各种类型的一批已知样品的观测数据、在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分析，企业在市场预测中往往根据以往所调查的种种指标，用判别分析方法判断下季度产品是畅销平销或滞销。一般情况下判别分析经常与聚类分析联合起来使用。

主成分分析

因子分析

因子分析是主成分分析的推广和应用。它是将错综复杂的随机变量综合为数量较少的随机变量去描述，多个变量之间的相关关系以再现原始指标与因子之间的相互关系。也可以认为因子分析是将指标按原始数据的内在结构分类。例如:对Y个调查区的商业网点数、人口数、金融机构服务数、收入情况等N个指标进行因子分析，如果按照一般的分析方法，我们就需要处理N个指标，并给它们以不同的权重。这样不仅工作量变大而且由干指标之间存在比较高的相关性，会给分析结果带来偏另外给具有较高相关性的众多指标，从而计算出各个调查区平均综合实力得分以便决定在某个调查区拟建何种类型的销售点。

三、构建多元统计分析方法检验体系的必要性

(一)构建多元统计分析方法检验体系，提高多元统计分析应用质量

多元统计分析方法已经越来越为人们广泛应用，但应用中盲目套用分析方法的情况很多，只关心模型方法的应用。许多教科书也只侧重介绍多元统计分析方法的思想、原理和分析步骤，对多元统计分析方法应用结果的统计检验叙述不多。这就直接影响了多元统计分析方法的应用效果和可信性。因此，本文拟对多元统计分析方法的统计检验问题进行探讨。构建多元统计分析方法检验体系的目的在于进一步丰富和完善多元统计分析方法的内容体系;实践上，使多元统计分析方法的应用更加合理、规范。推动多元统计分析方法应用质量的提高，推动多元统计分析方法获得更广泛的应用。

(二)多元统计分析统计检验体系的基础理论

多元正态分布总体的样本分布，即维希特分布，霍特林分布，威尔克斯分布,多元正态总体均值向量设检验，包括一个正态总体均值向量设检验，两个正态总体均值向量设检验，多个正态总体均值向量设检验;多元正态总体协方阵设检验，包括一个正态总体协方阵设检验，多个协阵相等设检验。

(三)flag = 0关于统计检验体系

将上述统计检验体系有机结合在一起，就构成了多元统计分析方法检验体系的基本框架。多元统计分析方法检验体系的构建,用多元统计分析方法，充分发挥多元统计分析方法的应用价值，提高应用质量，我们建议，在应用时，应该按照上述框架进行相应的统计检验。当然。上述统计检验体系还是一个初步的框架，随着多元统计分析方法理论的逐步完善，上述检验体系也需要不断完善，也需要更多的同行关注此类问题并不断加以研究。另一方面，在实际应用中，即便是某种方法根据上述内容都进行了统计检验，由于各种方法自身存在的缺陷或局限性，也还会存在许多应用中考虑不周之处。应该引起注意。但是，因子分析结果还是具有较大主观性。特别是对公共主因子在专业方面实际意义的解释上，仍然保留着一种艺术气息，并没有统一做法，因此很多情况下也是不能令人满意的。总之，我们在应用时，对因子分析的适用性、公因子的估计方法、公因子选取的数目。公因子的实际意义的解释等一系列问题都要引起足够注意。检验体系有如下几个分类：

a.主成分分析统计检验体系

b.因子分析统计检验体裂引

c.系统聚类分析统计检验体系

d.判别分析统计检验体裂

e.对应分析统计检验体系

f.典型相关分析统计检验体系

四、多元统计分析方法应用中需要注意的几个共性问题

1.关于原始数据变量的总体分布问题。

对原始变量的总体分布各种方法各有不同的要求。有的方法对原始数据变量总体分布没有特殊的要求，如主成分分析、聚类分析、对应分析。有的方法在不同情况下，对原始变量分布有不同的要求，如因子分析中，公共因子的估计方法不同，对原始变量分布要求不同，采用极大似然估计方法估计主因子时，是定原始变量是服从多元正态分布的，因此，应用时要引起重视，如典型相关分析要求原始变量服从正态分布，但在严格意义上，如果变量的分布形式比如高度偏态不会降低其他变量的相关关系，典型相关分析是可以包含这种非正态变量的。

样本容量问题。

进行多元统计分析时，样本容量n达到多少为宜，目前尚没有统一的结论。有的认为样本容量应是变量个数的10～20倍，有的认为样本容量要在100以上比较合适，有的认为进行巴特莱特检验时的样本容量应该大于150方可，也有的认为不必苛求太多的样本容量，如在进行主成分分析和因子分析时当原始变量之间的相关性很小时，即使再扩大样本容量，也难以得到满意效果。

原始变量之间的相关性以及非线性关系问题。

多元统计分析方法中，有的是的要求原始变量中要具有相关性。有的则不要求原始变量具有相关性。如聚类分析中，进行Q型系统聚类分析时对原始数据变量之间的相关性也是有要求的，如选择欧式距离、明氏距离、兰氏距离时，则要求原始变量之间是不相关的。只有对原始数据的相关性进行了处理后，才可以选择使用上述距离。若原始变量存在相关性，则选择马氏距离比较合适。另外原始变量之间的非线性关系也是需要注意的问题。如主成分分析、因子分析以及典型相关分析当基于相关矩阵来进行计算时，这里的相关矩阵实际上是Pearson的积相关。但是，如果变量之间的关系不是线性的，而是非性相关关系，于是，所进行的分析以及结论也就失去应有的意义了。

数据处理问题。

多元统计分析中涉及多个变量，不同变量往往具有不同的量纲及不同的数量级别。在分析时，具有不同量纲的变量进行线性组合是没有意义的，不同的数量级别的变量之间进行分析时。会导致“以大吃小”，即数量级的变量的影响会被忽略，从而影响了分析结果的合理性。因此。为了消除量纲和数量级别的影响，进行多元统计分析时，必须对原始数据进行处里，最常用的是先作标准化变换处理，然后再作相应的分析。

五、结束语

在统计分析方法的应用中，会涉及到多个变量，因此，必须根据原来有的数量进行处理，然后才能得出相应的分析结论。本文结合多元统计分析方法的理论基础，对相关检验体系和分析体系进行了分析，具有现实的理论指导意义。

【参考文献】

[1]于秀林.多元统计分析[M].,统计出版社，1999：223—224.

[2]高惠璇.应用多元统计分析[M].,大学出版社 ，2005：343—366.

[3]郭志刚.科学分析方法一SPSS软件应用[M].,大学出版社，1999.

[4]傅德印.主成分分析中的统计检验问题 [J].统计 教育 ，2007(9)：4—7.

>>>下一页更多精彩的“统 计分 析论 文”

正态分布函数的性质

正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）在求二项分布的渐近公式中得到。C.F.高斯在研究测量误时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。

正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。

中文名

正态分布

外文名

normal distribution

高斯分布

发现者

棣莫弗（Abraham de Moivre8、X要有变异性）

所属学科

概率论

快速

导航

定理定义性质分布曲线研究过程曲线应用

历史发展

正态分布概念是由德国的数学家和天文学家棣莫弗（Abraham de Moivre）于1733年首次提出的，但由于德国数学家Gauss率先将其应用于天文学研究，故正态分布又叫高斯分布，高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响者，就是这一项。在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。这要到20世纪正态小样本理论充分发展起来以后。拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章（发表于1810年）上加上了一点补充，指出如若误可看成许多量的叠加，根据他的中心极限定理，误理应有高斯分布。这是历史上次提到所谓“元误学说”——误是由大量的、由种种原因产生的元误叠加而成。后来到1837年，海根（G.Hagen）在一篇论文中正式提出了这个学说。

其实，他提出的形式有相当大的局限性：海根把误设想成个数很多的、同分布的“元误” 之和，每只取两值，其概率都是1/2，由此出发，按棣莫弗的中心极限定理，立即就得出误（近似地）服从正态分布。拉普拉斯所指出的这一点有重大的意义，在于他给误的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性，故必须认定这二者之一（算术平均的优良性，误的正态性） 为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。

定理

由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。[1]

若服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。（标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X（当前值）范围内的面积比例。）

定义

一维正态分布

若随机变量

服从一个位置参数为

、尺度参数为

的概率分布，且其概率密度函数为[2]

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作

，读作

服从

，或

服从正态分布。

μ维随机向量具有类似的概率规律时，称此随机向量遵从正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为正态分布，特别它的线性组合为一元正态分布。

本词条的统计分析论文篇2正态分布是一维正态分布，此外正态分布参见“二维正态分布”。

标准正态分布

当时，正态分布就成为标准正态分布

性质

正态分布的一些性质：[2]

（1）如果

且a与b是实数，那么

（参见期望值和方）。

（2）如果

与是统计的正态随机变量，那么：

它们的和也满足正态分布

它们的也满足正态分布

U与V两者是相互的。（要求X与Y的方相等）。

（3）如果

和是常态随机变量，那么：

它们的积XY服从概率密度函数为p的分布

其中

是修正贝塞尔函数（modified Bessel function）

它们的比符合柯西分布，满足

（4）如果

服从自由度为n的卡方分布。

正态分布的条件分布与边缘分布

别名

本文总结多元正态分布的条件分布与边缘分布，证明不难，但都比较繁琐，故不做详活:就是文字生动活泼，形式灵活多样。资料要多样化和生动具体，要有群众语言，要通俗易懂，文字要精精炼。细证明，有兴趣可以参考 Pattern Recognition and Machine Learningy 一书。

对于联合正态分布变量 ，定义精度矩阵（the precision matrix）为协方矩阵的逆，即 ，做分块处理：

那么，条件分布

其中

如何证明？证明的关键在于，对于正态分布的密度函数来说，它的指数项都可以写作

其中 是常数项。

因此，只需将联合分布的密度函数展开，再将其关于 的二次项、一次项整理出来，利用其系数即可得到 和 的表达式。

按与上一节同样的设定， 的边缘分布为

如何证明？只需将原来的密度函数对 积分即可，利用配方，积分并不困难。

或者，取 ，则有 ，展开后即可直接得到上面的结果。

为什么正态分布的样本均值也服从于正态分布

5、各个干扰项之间无自相关

你可以记住这样一个结论，如果a,b相互，并且都服从正态分布，那么对于a,b的任意线性组合c1a+c2b(c1,c2均为常多元回归分析的优点数)也服从正态分布，至于证明涉及高等数学里的知识，无非就是一个二重积分的计算问题，这里不好解释，而正太分布的每样本都，而均值是样本的一个线性组合，自然也就服从正态分布了，望采纳！！

经典线性回归模型的定有哪些

1、模型对double precision :: ran2, RNMK参数为线性

2、重复抽样中X是固定的或非随机的

3、干扰为标准常态随机变量，那么项的均值为零

6、无多重共线性，即解释变量间没有完全线性关系

7、u和X不相关

9、模型设定正确

1、模型对参数为线性

2、重复抽样中X是固定的或非随机的

3、干扰项的均值为零

6、无多重共线性,即解释变量间没有完全线性关系

7、u和X不相关

9、模型设定正确

不满足多元正态分布的多变量资料用非参数检验选择什么方法？

if(idum.le.0)then

貌似非参数检验里有个friedman秩和检验吧，Friedman检验是利用秩实现对多个总体分布是否存在显著异的非参数检验方法，其原设是：多个配对样本来自的多个总体分布无显著异。

X’=sin-1sqrt（X）

它和随机区组的方分析是相对应的，你可以找书看看

数据不是多元正态分布怎么用sem

可以应用变量变换的方法,将不服从正态分布的资料转化为非正态分布或近似正态分布。常用的变量变换方法有对数变换、平方根变换、倒数变换、平方根反正玄变换等，应根据资料性质选择适当的变量变换方法。

1、对数变换 即将原始数据X的对数值作为新的分布数据：

X’=lgX

当原始数据中有小值及零时，亦可取X’=lg（X+1）

还可根据需要选用X’=lg（X+k）或X’=lg（k-X）

对数变换常用于（1）使服从对数正态分布的数据正态化。如环境中某些污染物的分布，人体中某些微量元素的分布等，可用对数正态分布改善其正态性。

（2）使数据达到方齐性，特别是各样本的标准与均数成比例或变异系数CV接近于一个常数时。

2、平方根变换 即将原始数据X的平方根作为新的分布数据。

X’=sqrt（X）

平方根变换常用于：

1）使服从Poission分布的计数资料或轻度偏态资料正态化，可用平方根变换使其正态化。2）当各样本的方与均数呈正相关时，可使资料达到方齐性。

3）倒数变换 即将原始数据X的倒数作为新的分析数据。

X’=1/X

常用于资协方分析料两端波动较大的资料，可使极端值的影响减小。

4、平方根反正旋变换 即将原始2．标准化变换：此变换有特性：若原分布服从正态分布 ，则Z=(x-μ)/σ ～ N(0,1) 就服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。数据X的平方根反正玄值做为新的分析数据。

常用于服从二项分布的率或百分比的资料。一般认为等总体率较小如＜30%时或较大（如＞70%时），偏离正态较为明显，通过样本率的平方根反正玄变换，可使资料接近正态分布，达到方齐性的要求。

您好，请问怎样用Fortran生成服从多元正态分布的随机数啊？希望能帮忙给出详细的程序，谢谢了啊！

double precision :: ran1

module ran_mod

! module contains four functions

! ran1 and ran2 return a uniform random number between 0-1

! normal1 and normal 2 return a normal distribution

contains

function ran1() !returns random number between 0 - 1

integer :: flag

se flag

data flag /0/

if(flag==0) then

call random_seed(); flag = 1

endif

call random_number(ran1) ! built in fortran 90 random number function

return

end function ran1

function ran2(idum)

integer, parameter :: IM1=2147483563, IM2=2147483399

integer, parameter :: IMM1=IM1-1, IA1=40014, IA2=40692

integer, parameter :: IQ1=53668, IQ2=52774, IR1=12211, IR2=37

integer, parameter :: NTAB=32, NDIV=1+IMM1/NTAB

integer, dimension (NTAB) :: iv

integer :: idum, idum2, iy, i, j, k

double precision, parameter :: EPS=1.2D-7, RNMX=1.d0-EPS, AM=1.d0/IM1

se iv, iy, idum2

data idum2/123456789/, iv/NTAB0/, iy/0/

do j = NTAB+8,1,-1

idum = IA1(idum-kIQ1)-kIR1

if(idum.lt.0) idum = idum + IM1

if(j.le.NTAB) iv(j) = idum

end do

iy = iv(1)

end if

idum = IA1(idum-kIQ1)-kIR1

if(idum.lt.0) idum = idum + IM1

k = idum2/IQ2

idum2 = IA2(idum2-kIQ2)-kIR2

if(idum2.lt.0) idum2 = idum2 + IM2

j = 1+iy/NDIV

iy = iv(j)-idum2

iv(j) = idum

if(iy.lt.1) iy = iy + IMM1

ran2 = min(AMiy,RNMX)

return

end function

function normal1(mean,sigma) !returns a normal distribution

integer :: flag

double precision :: normal1, tmp, mean, sigma

double precision :: fac, gse, rsq, r1, r2

se flag, gse

data flag /0/

if (flag.eq.0) then

rsq=2.0d0

do while(rsq.ge.1.0d0.or.rsq.eq.0.0d0) ! new from for do

r1 = 2.0d0 ran1() - 1.0d0

r2 = 2.0d0 ran1() - 1.0d0

rsq = r1 r1 + r2 r2

enddo

fac = sqrt(-2.0d0log(rsq)/rsq)

gse = r1 fac

tmp = r2 fa4、u的方相等c

flag = 1

else

tmp = gse

endif

normal1 = tmp sigma + mean

return

end function normal1

integer :: flag

double precision, parameter :: pi = 3.141592653589793239

double precision :: u1, u2, y1, y2, normal2, mean, sigma

se flag

data flag /0/

u1 = ran1(); u2 = ran1()

if (flag.eq.0) then

y1 = sqrt(-2.0d0log(u1))cos(2.0d0piu2)

normal2 = mean + sigmay1

flag = 1

else

y2 = sqrt(-2.0d0log(u1))sin(2.0d0piu2)

normal2 = mean + sigmay2

endif

return

end function normal2

end module ran_mod