《应用多元统计分析习题解答_判别分析.doc》由会员分享，可在线阅读，更多相关《应用多元统计分析习题解答_判别分析.doc（12页珍藏版）》请在金锄头文库上搜索。
1、第四章 判别分析4.1 简述欧几里得距离与马氏距离的区别和联系。答： 设p维欧几里得空间中的两点X=和Y=。则欧几里得距离为。欧几里得距离的局限有在多元数据分析中，其度量不合理。会受到实际问题中量纲的影响。设X,Y是来自均值向量为，协方差为的总体G中的p维样本。则马氏距离为D(X,Y)=。当即单位阵时，D(X,Y)=即欧几里得距离。因此，在一定程度上，欧几里得距离是马氏距离的特殊情况，马氏距离是欧几里得距离的推广。4.2 试述判别分析的实质。答：判别分析就是希望利用已经测得的变量数据，找出一种判别函数，使得这一函数具有某种最优性质，能把属于不同类别的样本点尽可能地区别开来。设R1，R2，Rk是
2、p维空间R p的k个子集，如果它们互不相交，且它们的和集为，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维空间构造一个“划分”，这个“划分”就构成了一个判别规则。4.3 简述距离判别法的基本思想和方法。答：距离判别问题分为两个总体的距离判别问题和多个总体的判别问题。其基本思想都是分别计算样本与各个总体的距离（马氏距离），将距离近的判别为一类。两个总体的距离判别问题设有协方差矩阵相等的两个总体G1和G2，其均值分别是m1和m 2，对于一个新的样品X，要判断它来自哪个总体。计算新样品X到两个总体的马氏距离D2（X，G1）和D2（X，G2），则 X ，D2（X，G1）D2（
3、X，G2）X ，D2（X，G1） D2（X，G2，具体分析， 记 则判别规则为 X ，W(X)X ，W(X)0多个总体的判别问题。设有个总体，其均值和协方差矩阵分别是和，且。计算样本到每个总体的马氏距离，到哪个总体的距离最小就属于哪个总体。具体分析， 取，。可以取线性判别函数为， 相应的判别规则为 若 4.4 简述贝叶斯判别法的基本思想和方法。基本思想：设k个总体，其各自的分布密度函数，假设k个总体各自出现的概率分别为，。设将本来属于总体的样品错判到总体时造成的损失为，。设个总体相应的维样本空间为 。在规则下，将属于的样品错判为的概率为 则这种判别规则下样品错判后所造成的平均损失为 则用规则来
4、进行判别所造成的总平均损失为 贝叶斯判别法则，就是要选择一种划分，使总平均损失达到极小。基本方法：令，则 若有另一划分，则在两种划分下的总平均损失之差为 因为在上对一切成立，故上式小于或等于零，是贝叶斯判别的解。从而得到的划分为 4.5 简述费希尔判别法的基本思想和方法。答：基本思想：从个总体中抽取具有个指标的样品观测数据，借助方差分析的思想构造一个线性判别函数 系数可使得总体之间区别最大，而使每个总体内部的离差最小。将新样品的个指标值代入线性判别函数式中求出值，然后根据判别一定的规则，就可以判别新的样品属于哪个总体。4.6 试析距离判别法、贝叶斯判别法和费希尔判别法的异同。答： 费希尔判别与
5、距离判别对判别变量的分布类型无要求。二者只是要求有各类母体的两阶矩存在。而贝叶斯判别必须知道判别变量的分布类型。因此前两者相对来说较为简单。 当k=2时，若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。 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。 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)X ，W(X)lnd距离判别的判别规则是 X ，W(X)X ，W(X)0二者的区别在于阈值点。当，时，。二者完全相同。4.7 设有两个二元总体和 ，从中分别抽取样本计算得到 , 假设，试用距离判别法建立判
6、别函数和判别规则。 样品X=（6，0）应属于哪个总体？解：= ，= ， =即样品X属于总体4.8 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。销售情况产品序号销售价格口味评分信任度评分畅销12.25822.56733.03943.286平销52.87663.58774.898滞销81.73492.242102.743 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。 现有一新品牌的饮料在该超市试销，其销售价格为3.0，顾客对其口味的评分平均为8，信任评分平均为5，试预测该饮料的销
7、售情况。解：增加group变量，令畅销、平销、滞销分别为group1、2、3；销售价格为X1，口味评分为X2，信任度评分为X3，用spss 解题的步骤如下：1. 在SPSS窗口中选择AnalyzeClassifyDiscriminate，调出判别分析主界面，将左边的变量列表中的“group”变量选入分组变量中，将X1、X2、X3变量选入自变量中，并选择Enter independents together单选按钮，即使用所有自变量进行判别分析。2. 点击Define Range按钮，定义分组变量的取值范围。本例中分类变量的范围为1到3，所以在最小值和最大值中分别输入1和3。单击Continue
8、按钮，返回主界面。如图4.1 图4.1 判别分析主界面3. 单击Statistics按钮，指定输出的描述统计量和判别函数系数。选中Function Coefficients栏中的Fishers：给出Bayes判别函数的系数。（注意：这个选项不是要给出Fisher判别函数的系数。这个复选框的名字之所以为Fishers，是因为按判别函数值最大的一组进行归类这种思想是由Fisher提出来的。这里极易混淆，请读者注意辨别。）如图4.2。单击Continue按钮，返回主界面。 图4.2 statistics子对话框4. 单击Classify按钮，弹出classification子对话框，选中Displa
9、y选项栏中的Summary table复选框，即要求输出错判矩阵，以便实现题中对原样本进行回判的要求。如图4.3。 图4.3 classification对话框5. 返回判别分析主界面，单击OK按钮，运行判别分析过程。1) 根据判别分析的结果建立Bayes判别函数：Bayes判别函数的系数见表4.1。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： Group2： Group3： 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。 Classification Functi
10、on Coefficientsgroup123x1-11.689-10.707-2.194x212.29713.3614.960x316.76117.0866.447(Constant)-81.843-94.536-17.449Fishers linear discriminant functions 表4.1 Bayes判别函数系数根据此判别函数对样本进行回判，结果如表4.2。从中可以看出在4种畅销饮料中，有3种被正确地判定，有1种被错误地判定为平销饮料，正确率为75%。在3种平销饮料中，有2种被正确判定，有1种被错误地判定为畅销饮料，正确率为66.7%。3种滞销饮料均正确判定。整体的正确率
11、为80.0%。Classification ResultsagroupPredicted Group MembershipTotal123OriginalCount131042120330033%175.025.0.0100.0233.366.7.0100.03.0.0100.0100.0a. 80.0% of original grouped cases correctly classified. 表4.2 错判矩阵2) 该新饮料的，将这3个自变量代入上一小题得到的Bayes判别函数，的值最大，该饮料预计平销。也可通过在原样本中增加这一新样本，重复上述的判别过程，并在classificati
12、on子对话框中同时要求输出casewise results，运行判别过程，得到相同的结果。4.9 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（）、受教育程度（）、现在所从事工作的年数（）、未变更住址的年数（）、收入（）、负债收入比例（）、信用卡债务（）、其它债务（）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，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。某客户的如上情况资料为（53，1，9，18，50，11.20，2.02，3.58），对其进行信用好坏的判别。目前信用
13、好坏客户序号已履行还贷责任123172316.600.341.712341173598.001.812.913422723414.600.94.9443911954813.101.934.36535191345.000.401.30未履行还贷责任6371132415.101.801.827291131427.401.461.6583221167523.307.769.72928223236.400.191.2910261432710.502.47.36解：令已履行还贷责任为group0，未履行还贷责任为group1。令（53，1，9，18，50，11.20，2.02，3.58）客户序号为11，group未知。用spss解题步骤如下：1. 在SPSS窗口中选择AnalyzeClassifyDiscriminate，调出判别分析主界面，将左边的变量列表中的“group”变量选入分组变量中，将变量选入自变量中，并选择Enter independents together单选按钮，即使用所有自变量进行判别分析。2. 点击Defin
