当前位置：文档之家› 实验报告Bayes判别

实验报告Bayes判别

部门： xxx

时间： xxx

整理范文，仅供参考，可下载自行编辑

实验十一Bayes判别

实验目的和要求

掌握Bayes判别分析的理论与方法、模型的建立与误差率估计；掌握利用判别分析的SAS

过程解决有关实际问题.

实验要求:编写程序，结果分析．

实验内容：5.4 5.5 选一题

data examp5_4。

input group $ x1-x7 @@。

cards。

G1 6.6 39 1.0 6.0 6 0.12 20

G1 6.6 39 1.0 6.0 12 0.12 20

G1 6.1 47 1.0 6.0 6 0.08 12

G1 6.1 47 1.0 6.0 12 0.08 12

G1 8.4 32 2.0 7.5 19 0.35 75

G1 7.2 6 1.0 7.0 28 0.30 30

G1 8.4 113 3.5 6.0 18 0.15 75

G1 7.5 52 1.0 6.0 12 0.16 40

G1 7.5 52 3.5 7.5 6 0.16 40

G1 8.3 113 0.0 7.5 35 0.12 180

G1 7.8 172 1.0 3.5 14 0.21 45

G1 7.8 172 1.5 3.0 15 0.21 45

G2 8.4 32 2.0 9.0 10 0.35 75 G2 8.4 32 2.5 4.0 10 0.35 75 G2 6.3 11 4.5 7.5 3 0.20 15 G2 7.0 8 4.5 4.5 9 0.25 30 G2 7.0 8 6.0 7.5 4 0.25 30 G2 7.0 8 1.5 6.0 1 0.25 30 G2 8.3 161 1.5 4.0 4 0.08 70 G2 8.3 161 0.5 2.5 1 0.08 70 G2 7.2 6 3.5 4.0 12 0.30 30 G2 7.2 6 1.0 3.0 3 0.30 30 G2 7.2 6 1.0 6.0 5 0.30 30 G2 5.5 6 2.5 3.0 7 0.18 18 G2 8.4 113 3.5 4.5 6 0.15 75 G2 8.4 113 3.5 4.5 8 0.15 75 G2 7.5 52 1.0 6.0 6 0.16 40 G2 7.5 52 1.0 7.5 8 0.16 40 G2 8.3 97 0.0 6.0 5 0.15 180 G2 8.3 97 2.5 6.0 5 0.15 180 G2 8.3 89 0.0 6.0 10 0.16 180 G2 8.3 56 1.5 6.0 13 0.25 180 G2 7.8 172 1.0 3.5 6 0.21 45

run。

procdiscrimdata=examp5_4wcovoutstat=aa method=normal

pool=no listcrosslist。b5E2RGbCAP

class group。

priorsproportional。/* 总体的先验概率与各总体的训练样本容量

成比例 */

run。

procprintdata=aa。 /*数据集aa中有各总体的均值向量、标准

差、相关系数等 */

run。

计算协方差矩阵

The SAS System 14:24 Friday, November 26, 2018 1p1EanqFDPw

The DISCRIM Procedure

Observations 34 DF

Total 33DXDiTa9E3d

Variables 7 DF Within Classes 32RTCrpUDGiT

Classes 2 DF Between Classes 15PCzVD7HxA

Class Level

Information

Variable PriorjLBHrnAILg

group Name Frequency Weight

Proportion ProbabilityxHAQX74J0X

G1 G1 12 12.0000

0.352941 0.352941LDAYtRyKfE

G2 G2 22 22.0000

0.647059 0.647059Zzz6ZB2Ltk

The SAS System

14:24 Friday, November 26, 2018 2dvzfvkwMI1

The DISCRIM

Procedure

Within-Class Covariance

Matrices

group = G1, DF =

Variable x1 x2 x3

x4 x5 x6 x7rqyn14ZNXI

x1 0.711742 22.339394 0.298106

0.054545 4.193182 0.039439 28.322727EmxvxOtOco

x2 22.339394 3046.606061 1.121212 -

58.590909 68.727273 -0.225758 905.909091SixE2yXPq5 x3 0.298106 1.121212 1.111742

0.204545 -2.943182 0.015076 -6.1136366ewMyirQFL

x4 0.054545 -58.590909 0.204545

2.090909

3.454545 0.008182 20.454545kavU42VRUs

x5 4.193182 68.727273 -2.943182

3.454545 78.568182 0.282273 31

4.318182y6v3ALoS89

x6 0.039439 -0.225758 0.015076

0.008182 0.282273 0.006979 0.413636M2ub6vSTnP

x7 28.322727 905.909091 -6.113636

20.454545 314.318182 0.413636 2135.0000000YujCfmUCw ------------------------------------------------------------------------------------------------------eUts8ZQVRd

group = G2, DF = 21

Variable x1 x2 x3 x4 x5 x6 x7sQsAEJkW5T

x1 0.652987 27.998268 -0.479221

0.036147 0.492641 -0.006671 29.857143GMsIasNXkA

x2 27.998268 3181.705628 -31.943723 -

30.926407 -27.489177 -3.253593 1281.238095TIrRGchYzg

x3 -0.479221 -31.943723 2.515152

0.414502 0.512987 0.020022 -34.7142867EqZcWLZNX

x4 0.036147 -30.926407 0.414502

2.874459 0.729437 0.026732 14.285714lzq7IGf02E

x5 0.492641 -27.489177 0.512987

0.729437 11.004329 0.080563 54.809524zvpgeqJ1hk

x6 -0.006671 -3.253593 0.020022

0.026732 0.080563 0.006906 -1.120476NrpoJac3v1

x7 29.857143 1281.238095 -34.714286

14.285714 54.809524 -1.120476 3153.7857141nowfTG4KI

-----------------------------------------------------------

-------------------------------------------fjnFLDa5Zo

Within Covariance Matrix Information

Natural Log of the

Covariance Determinant of the

group Matrix Rank Covariance Matrix

G1 7 7.00625

G2 7 11.94957

计算广义平方距离函数和后验概率

The SAS System 14:24 Friday, November 26, 2018 3tfnNhnE6e5

The DISCRIM

Procedure

Pairwise Generalized Squared

Distances Between GroupsHbmVN777sL

2 _ _ -1 _ _

D (i|j> = (X - X >' COV (X - X > +

ln |COV | - 2 ln PRIORV7l4jRB8Hs

i j j i j j j

Generalized Squared

Distance to group

From

group G1 G2

G1 9.08916

28.61956

G2 125.36320

12.82020

The SAS System 14:24

Friday, November 26, 2018 483lcPA59W9

The DISCRIM

Procedure

Classification Results for

Calibration Data: WORK.EXAMP5_4mZkklkzaaP

Resubstitution Results using Quadratic Discriminant FunctionAVktR43bpw

Generalized Squared

Distance Function

2 _ -1 _

D (X> = (X-X >' COV (X-X > + ln

|COV | - 2 ln PRIORORjBnOwcEd

j j j j

j j2MiJTy0dTT

Posterior Probability of

Membership in Each group

2 2

Pr(j|X> = exp(-.5 D (X>> / SUM

exp(-.5 D (X>>

j k k

广义平方距离及后验概率计算公式

Posterior Probability of

Membership in group

From Classified

Obs group into group

G1 G2

1 G1 G1 0.9878 0.0122

2 G1 G1 0.9999 0.0001

3 G1 G1 0.9986 0.0014

4 G1 G1 1.0000 0.0000

5 G1 G1 0.999

6 0.0004

6 G1 G1 1.0000 0.0000

7 G1 G1 0.9999 0.0001

8 G1 G1 0.9856 0.0144

9 G1 G1 0.6371 0.3629

10 G1 G1 1.0000 0.0000

11 G1 G1 1.0000 0.0000

12 G1 G1 1.0000 0.0000

13 G2 G2 0.0000 1.0000

14 G2 G2 0.0000 1.0000

15 G2 G2 0.0000 1.0000

16 G2 G2 0.0000 1.0000

17 G2 G2 0.0000 1.0000

18 G2 G2 0.0000 1.0000

19 G2 G2 0.0000 1.0000

20 G2 G2 0.0023 0.9977

21 G2 G2 0.0000 1.0000

22 G2 G2 0.0000 1.0000

23 G2 G2 0.0000 1.0000

24 G2 G2 0.0000 1.0000

25 G2 G2 0.0000 1.0000

26 G2 G2 0.0000 1.0000

27 G2 G2 0.0000 1.0000

28 G2 G2 0.3477 0.6523

29 G2 G2 0.0000 1.0000

30 G2 G2 0.0000 1.0000

31 G2 G2 0.0000 1.0000

32 G2 G2 0.0000 1.0000

由此可见，误判率的回代估计为．

The SAS System 14:24 Friday, November 26, 2018 5gIiSpiue7A

The DISCRIM Procedure

Classification Results for

Calibration Data: WORK.EXAMP5_4uEh0U1Yfmh

Resubstitution Results using Quadratic Discriminant FunctionIAg9qLsgBX

Posterior Probability of Membership in group

From Classified

Obs group into group G1 G2

33 G2 G2 0.0000 1.0000

34 G2 G1 * 0.9886 0.0114

* Misclassified observation

误判率的交叉确认法估计

The SAS System 14:24 Friday, November 26, 2018 6WwghWvVhPE

The DISCRIM

Procedure

Classification Summary for

Calibration Data: WORK.EXAMP5_4asfpsfpi4k

Resubstitution Summary using Quadratic Discriminant FunctionooeyYZTjj1

使用广义平方距离函数的交叉确认法分类结果

Generalized Squared

Distance Function

2 _ -1 _

D (X> = (X-X >' COV (X-X > + ln

|COV | - 2 ln PRIORBkeGuInkxI

j j j j

j jPgdO0sRlMo

Posterior Probability of

Membership in Each group

2 2

Pr(j|X> = exp(-.5 D (X>> / SUM

exp(-.5 D (X>>

j k k

交叉确认法的广义平方距离函数及后验概率计算公式

Number of Observations and Percent Classified into group3cdXwckm15

From

group G1 G2 Total

G1 12 0 12

100.00 0.00 100.00

G2 1 21 22

4.55 9

5.45 100.00

Total 13 21 34

38.24 61.76 100.00

Priors 0.35294

0.64706

Error Count Estimates

for group

G1 G2 Total

Rate 0.0000

0.0455 0.0294

Priors 0.3529

0.6471

The SAS System 14:24 Friday, November 26, 2018 7h8c52WOngM

The DISCRIM Procedure

交叉确认法分类小结

Classification Results for

Calibration Data: WORK.EXAMP5_4v4bdyGious

Cross-validation Results using

Quadratic Discriminant FunctionJ0bm4qMpJ9

Generalized Squared

Distance Function

2 _ -1 _

D (X> = (X-X >' COV (X-X > + ln |COV | - 2 ln PRIORXVauA9grYP

j (X>j (X>j (X>j (X>j jbR9C6TJscw

Posterior Probability of

Membership in Each group

2 2

Pr(j|X> = exp(-.5 D (X>> / SUM

exp(-.5 D (X>>

j k k

Posterior Probability of

Membership in group

From Classified

Obs group into group

G1 G2

1 G1 G1 0.9623 0.0377

2 G1 G1 0.9999 0.0001

3 G1 G1 0.9958 0.0042

4 G1 G1 1.0000 0.0000

5 G1 G2 * 0.0025 0.9975

6 G1 G1 0.9956 0.0044

7 G1 G2 * 0.0003 0.9997

9 G1 G2 * 0.0001 0.9999

10 G1 G2 * 0.0000 1.0000

11 G1 G2 * 0.0000 1.0000

12 G1 G2 * 0.3145 0.6855

13 G2 G2 0.0000 1.0000

14 G2 G2 0.0000 1.0000

15 G2 G2 0.0000 1.0000

16 G2 G2 0.0000 1.0000

17 G2 G2 0.0000 1.0000

18 G2 G2 0.0000 1.0000

19 G2 G2 0.0000 1.0000

20 G2 G2 0.0051 0.9949

21 G2 G2 0.0000 1.0000

22 G2 G2 0.0000 1.0000

23 G2 G2 0.0000 1.0000

24 G2 G2 0.0000 1.0000

25 G2 G2 0.0000 1.0000

26 G2 G2 0.0000 1.0000

27 G2 G2 0.0000 1.0000

28 G2 G1 * 0.5768 0.4232

29 G2 G2 0.0000 1.0000

31 G2 G2 0.0000 1.0000

32 G2 G2 0.0000 1.0000

The SAS System 14:24 Friday, November 26, 2018 8pN9LBDdtrd

The DISCRIM Procedure

Classification Results for

Calibration Data: WORK.EXAMP5_4DJ8T7nHuGT

Cross-validation Results using

Quadratic Discriminant FunctionQF81D7bvUA

Posterior Probability of Membership in group

From Classified

Obs group into group G1 G2

33 G2 G2 0.0000 1.0000

34 G2 G1 * 1.0000 0.0000

* Misclassified observation

The SAS System 14:24 Friday, November 26, 2018 94B7a9QFw9h

The DISCRIM

Procedure

Classification Summary for

Calibration Data: WORK.EXAMP5_4ix6iFA8xoX

Cross-validation Summary using

Quadratic Discriminant Functionwt6qbkCyDE

Generalized Squared

Distance Function

2 _ -1 _

D (X> = (X-X >' COV (X-X > + ln

|COV | - 2 ln PRIORKp5zH46zRk

j (X>j (X>j (X>j (X>j jYl4HdOAA61

Posterior Probability of

Membership in Each group

2 2

Pr(j|X> = exp(-.5 D (X>> / SUM

exp(-.5 D (X>>

j k k

Number of Observations and Percent Classified into groupch4PJx4BlI

From

group G1 G2 Total

G1 5 7 12

41.67 58.33 100.00

G2 2 20 22

9.09 90.91 100.00

Total 7 27 34

20.59 79.41 100.00

Priors 0.35294

0.64706

Error Count Estimates for group

数据分析实验报告

数据分析实验报告文稿归稿存档编号：[KKUY-KKIO69-OTM243-OLUI129-G00I-FDQS58-

第一次试验报告习题1.3 1建立数据集，定义变量并输入数据并保存。 2数据的描述，包括求均值、方差、中位数等统计量。分析—描述统计—频率，选择如下：输出：统计量全国居民农村居民城镇居民 N 有效 22 22 22 缺失均值 1116.82 747.86 2336.41 中值 727.50 530.50 1499.50 方差 1031026.918 399673.838 4536136.444 百分位数 25 304.25 239.75 596.25 50 727.50 530.50 1499.50 75 1893.50 1197.00 4136.75 3画直方图，茎叶图，QQ 图。（全国居民）分析—描述统计—探索，选择如下：输出：全国居民 Stem-and-Leaf Plot Frequency Stem & Leaf 5.00 0 . 56788 数据分析实验报告【最新资料，WORD 文档，可编辑修改】

2.00 1 . 03 1.00 1 . 7 1.00 2 . 3 3.00 2 . 689 1.00 3 . 1 Stem width: 1000 Each leaf: 1 case(s) 分析—描述统计—QQ图，选择如下：输出：习题1.1 4数据正态性的检验：K—S检验，W检验数据：取显着性水平为0.05 分析—描述统计—探索，选择如下：（1）K—S检验

结果：p=0.735 大于0.05 接受原假设，即数据来自正太总体。（2 ）W 检验结果：在Shapiro-Wilk 检验结果972.00 w ，p=0.174大于0.05 接受原假设，即数据来自正太总体。习题1.5 5 多维正态数据的统计量数据：

R语言判别分析实验报告

R语言判别分析实验报告班级：应数1201 学号：姓名：麦琼辉时间：2014年11月28号 1 实验目的及要求 1)了解判别分析的目的和意义； 2)熟悉R语言中有关判别分析的算法基础。 2 实验设备（环境）及要求个人计算机一台，装有R语言以及RStudio并且带有MASS包。 3 实验内容企业财务状况的判别分析 4 实验主要步骤 1)数据管理：实验对21个破产的企业收集它们在前两年的财务数据，对25个财务良好的企业也收集同一时期的数据。数据涉及四个变量：CF_TD（现金/总债务）；NI_TA（净收入/总资产）；CA_CL（流动资产/流动债务）；CA_NS （流动资产/净销售额），一个分组变量：企业现状（1：非破产企业，2：破产企业）。 2)调入数据：对数据复制，然后在RStudio编辑器中执行如下命令。 case5=read.table(‘clipboard’,head=T) head(case5) 3)Fisher判别效果（等方差，线性判别lda）：采用Bayes方式，即先验概率为样本例数，相关的RStudio程序命令如下所示。 library(MASS) ld=lda(G~.,data=case5);ld #线性判别 ZId=predict(ld) addmargins(table(case5$G,ZId$class)) 4)Fisher判别效果（异方差，非线性判别--二次判别qda）：再次采用Bayes 方式，相关的RStudio程序命令如下所示。

library(MASS) qd=qda(G~.,data=case5);qd #二次判别 Zqd=predict(qd) addmargins(table(case5$G ,Zqd$class)) 5 实验结果表1 线性判别lda 效果原分类新分类 1 2 合计 1 24 1 25 2 3 18 21 合计 27 19 46 符合率 91.30% 由表1和表2可知，qda （二次判别---非线性判别）的效果比lda （一次判别）要好。 6 实验小结通过本次实验了解了判别分析的目的和意义，并熟悉R 语言中有关判别分析的算法基础。表2 二次判别qda 效果原分类新分类 1 2 合计 1 24 1 25 2 2 19 21 合计 26 20 46 符合率 93.50%

2017X射线衍射及物相分析实验报告写法

请将以下内容手写或打印在中原工学院实验报告纸上。实验报告内容：文中红体字部分请删除后补上自己写的内容班级学号姓名综合实验X射线衍射仪的使用及物相分析实验时间，地点一、实验目的１．了解x射线衍射仪的构造及使用方法；２．熟悉x射线衍射仪对样品制备的要求；３．学会对x射线衍射仪的衍射结果进行简单物相分析。二、实验原理（X射线衍射及物相分析原理分别见《材料现代分析方法》第一、二、三、五章。）三、实验设备 Ultima IV型变温全自动组合粉末多晶X射线衍射仪。（以下为参考内容） X衍射仪由X射线发生器、测角仪、记录仪等几部分组成。

图1 热电子密封式X射线管的示意图图1是目前常用的热电子密封式X射线管的示意图。阴极由钨丝绕成螺线形，工作时通电至白热状态。由于阴阳极间有几十千伏的电压，故热电子以高速撞击阳极靶面。为防止灯丝氧化并保证电子流稳定，管内抽成1.33×10-9~1.33×10-11的高真空。为使电子束集中，在灯丝外设有聚焦罩。阳极靶由熔点高、导热性好的铜制成，靶面上被一层纯金属。常用的金属材料有Cr，Fe，Co，Ni，Cu，Mo，W等。当高速电子撞击阳极靶面时，便有部分动能转化为X射线，但其中约有99%将转变为热。为了保护阳极靶面，管子工作时需强制冷却。为了使用流水冷却和操作者的安全，应使X射线管的阳极接地，而阴极则由高压电缆加上负高压。x射线管有相当厚的金属管套，使X射线只能从窗口射出。窗口由吸收系数较低的Be片制成。结构分析用X射线管通常有四个对称的窗口，靶面上被电子袭击的范围称为焦点，它是发射X射线的源泉。用螺线形灯丝时，焦点的形状为长方形（面积常为1mm×10mm），此称为实际焦点。窗口位置的设计，使得射出的X射线与靶面成60角（图2），从长方形的短边上的窗口所看到的焦点为1mm2正方形，称点焦点，在长边方向看则得到线焦点。一般的照相多采用点焦点，而线焦点则多用在衍射仪上。图2 在与靶面成60角的方向上接收X射线束的示意图自动化衍射仪采用微计算机进行程序的自动控制。图3为日本生产的Ultima IV型变温全自动组合粉末多晶X射线衍射仪工作原理方框图。入射X射线经狭缝照射到多晶试样上，衍射线的单色化可借助于滤波片或单色器。衍射线被探测器所接收，电脉冲经放大后进人脉冲高度分析器。信号脉冲可送至计数率仪，并在记录仪上画出衍射图。脉冲亦可送至计数器（以往称为定标器），经徽处理机进行寻峰、计算峰积分强度或宽度、扣除背底等处理，并在屏幕上显示或通过打印机将所需的图形或数据输出。控制衍射仪的专用微机可通过带编码器的步进电机控制试样(θ)及探测器(2θ)进行连续扫描、阶梯扫描，连动或分别动作等等。目前，衍射仪都配备计算机数据处理系统，使衍射仪的功能进一步扩展，自动化水平更加提高。衍射仪目前已具有采集衍射资料，处理图形数据，查找管理文件以及自动进行物相定性分析等功能。物相定性分析是X射线衍射分析中最常用的一项测试，衍射仪可自动完成这一过程。首先，仪器按所给定的条件进行衍射数据自动采集，接着进行寻峰处理并自动启动程序。

arcgis栅格数据空间分析实验报告

实验五栅格数据的空间分析一、实验目的理解空间插值的原理，掌握几种常用的空间差值分析方法。二、实验内容根据某月的降水量，分别采用IDW、Spline、Kriging方法进行空间插值，生成中国陆地范围内的降水表面，并比较各种方法所得结果之间的差异，制作降水分布图。三、实验原理与方法实验原理：空间插值是利用已知点的数据来估算其他临近未知点的数据的过程，通常用于将离散点数据转换生成连续的栅格表面。常用的空间插值方法有反距离权重插值法（IDW）、样条插值法（Spline）和克里格插值方法（Kriging）。实验方法：分别采用IDW、Spline、Kriging方法对全国各气象站点1980年某月的降水量进行空间插值生成连续的降水表面数据，分析其差异，并制作降水分布图。四、实验步骤 ⑴打开arcmap，加载降水数据，行政区划数据，城市数据，河流数据，并进行符号化，对行政区划数据中的多边形取消颜色填充 ⑵点击空间分析工具spatial analyst→options，在general标签中将工作空间设置为实验数据所在的文件夹

⑶点击spatial analyst→interpolate to raster→inverse distance weighted，在input points 下拉框中输入rain1980，z字段选择rain，像元大小设置为10000 点击空间分析工具spatial analyst→options，在extent标签中将分析范围设置与行政区划一致，点击spatial analyst→interpolate to raster→inverse distance weighted，在input points下拉框中输入rain1980，z字段选择rain，像元大小设置为10000 点击空间分析工具spatial analyst→options在general标签中选province作为分析掩膜，点击spatial analyst→interpolate to raster→inverse distance weighted，在input points下拉框中输入rain1980，z字段选择rain，像元大小设置为10000

【实验报告】SPSS相关分析实验报告

SPSS相关分析实验报告篇一：spss对数据进行相关性分析实验报告实验一一.实验目的掌握用spss软件对数据进行相关性分析，熟悉其操作过程，并能分析其结果。二.实验原理相关性分析是考察两个变量之间线性关系的一种统计分析方法。更精确地说，当一个变量发生变化时，另一个变量如何变化，此时就需要通过计算相关系数来做深入的定量考察。P值是针对原假设H0：假设两变量无线性相关而言的。一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度则要看相关系数R值，r越大，说明越相关。越小，则相关程度越低。而偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程，其检验过程与相关分析相似。三、实验内容掌握使用spss软件对数据进行相关性分析，从变量之间的相关关系，寻求与人均食品支出密切相关的因素。 (1)检验人均食品支出与粮价和人均收入之间的相关关系。 a.打开spss软件，输入“回归人均食品支出”数据。

b.在spssd的菜单栏中选择点击，弹出一个对话窗口。 C.在对话窗口中点击ok,系统输出结果，如下表。从表中可以看出，人均食品支出与人均收入之间的相关系数为0.921，t检验的显著性概率为0.0000.01，拒绝零假设，表明两个变量之间显著相关。人均食品支出与粮食平均单价之间的相关系数为0.730，t检验的显著性概率为 0.0000.01，拒绝零假设，表明两个变量之间也显著相关。 (2)研究人均食品支出与人均收入之间的偏相关关系。读入数据后： A.点击系统弹出一个对话窗口。 B.点击OK，系统输出结果，如下表。从表中可以看出，人均食品支出与人均收入的偏相关系数为0.8665，显著性概率p=0.0000.01，说明在剔除了粮食单价的影响后，人均食品支出与人均收入依然有显著性关系，并且0.86650.921，说明它们之间的显著性关系稍有减弱。通过相关关系与偏相关关系的比较可以得知：在粮价的影响下，人均收入对人均食品支出的影响更大。三、实验总结 1、熟悉了用spss软件对数据进行相关性分析，熟悉其操作过程。 2、通过spss软件输出的数据结果并能够分析其相互之间的关系，并且解决实际问题。 3、充分理解了相关性分析的应用原理。

R语言判别分析实验报告

R语言判别分析实验报告 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-

case5=read.table(‘clipboard’,head=T) head(case5) 3)Fisher判别效果（等方差，线性判别lda）：采用Bayes方式，即先验概率为样本例数，相关的RStudio程序命令如下所示。 library(MASS) ld=lda(G~.,data=case5);ld #线性判别 ZId=predict(ld) addmargins(table(case5$G,ZId$class)) 4)Fisher判别效果（异方差，非线性判别--二次判别qda）：再次采用Bayes方式，相关的RStudio程序命令如下所示。 library(MASS) qd=qda(G~.,data=case5);qd #二次判别 Zqd=predict(qd) addmargins(table(case5$G,Zqd$class)) 5 实验结果表1 线性判别lda效果原分类新分类

空间目标轨道分布特性分析实验报告

空间目标轨道分布特性分析实验报告一、实验目的 1、了解空间目标轨道分布规律； 2、掌握TLE数据格式分析方法； 3、掌握空间目标高度分布特性分析方法与过程。二、实验环境 Matlab或C语言三、实验原理 1、空间目标及其分布空间目标广义是指离地球表面120公里以外空间的所有目标，包括自然天体和人造天体。本研究报告中的空间目标系指环绕在地球周围数万公里内的人造天体，包括卫星、平台和运载，以及上述目标解体后形成的空间碎片。对这些人造目标进行监视属空间目标监视系统的范畴。根据有关研究，环绕地球的空间目标数目大约为35,000,000，其中大小在1～10cm的约110,000个，大于10cm的在8000个以上。目前美国空间目标监视系统可对30cm以上的空间目标进行例行的日常观测，对10cm以上的目标可能观测到，但不能保证例行的日常跟踪。上述空间目标中，到2008年8月24日，被美国空间目标监视系统编目过的空间目标数目为33311个，其中21597个已经陨落，11714个仍在轨。 } 空间目标都有一定大小、形状，运行在一定轨道上，使得每一空间目标都有其独特的轨道特性、几何特性和物理特性。这些特性奠定了对空间目标进行定轨和识别的基础，尤其是在用航天器一般都有特定的外形、稳定的轨道、姿态、温度等特性，是空间目标识别的主要技术支撑。空间目标监视的核心任务是对空间目标进行探测、跟踪和识别。获取空间目标的几何特征、物理特征和运动参数等重要目标信息，进而确定目标威胁度、警戒空间碰撞、提供安全告警信息，是实施防御性空间对抗和进攻性空间对抗的基础。其中在空间目标的识别过程中，空间目标的轨道特性是主要依据，而其几何特性和物理特性则是对其轨道特性的进一步补

(实习报告)企业实习相关分析报告范文

企业实习相关分析报告范文本次外出实习，部里安排我到xx会计师事务所实习，主要任务是协助各注册会计师到各街道进行查账，主要工作有编制工作底稿，查阅凭证，帐簿，报表发现问题，提出审计意见，进行现金盘点，资产清查，编制审计报告等。本次外出实习，我感觉收获特别大。第一：收集了很多教学素材案例，在审计过程中，一旦我发现有对我以后教学有用的东西，我都会用笔记本记录下来。故此，这次外出企业实习，我做的笔记就有3本。我相信这些素材将会对我以，后教学提供很多帮助。本学期我讲授企业单项实训课程，在授课时就经常顺手拈来我外出审计中碰到的很多案例感觉教学效果很好。第二：了解目前企业会计现状以及他们在做帐过程中存在的各种问题及种种舞弊现象。第三：向注册会计师学习了很多知识，对于我在审计过程中碰到的各种问题，我都会虚心地向xx会计师事务所的老师询问，对于我提出的各种轰炸式提问，他们都很耐心地给予回答。第四：近距离接触，真正了解到对会计人员各方面素质及要求，为我以后在讲授课程时对于授课内容如何有所侧重更有帮助。本次发言，张部长主要让我谈一谈目前企业对会计人员要求，我们在教学中应注重培养学生哪些方面知识.我以为主要有以下几方面：一，会计电算化知识本次外出企业查帐，我发现大部分企业已实现用电脑做帐，而且大部分企业公司都是采用金蝶财务软件做帐，少部分采用用友软件做帐。故此，我们应重点加强这方面知识讲授，让每位同学都能达到熟练运用这2个财务软件.既然是用电脑做帐，对打字速度有一定要求，一般要求学生每分钟要达到40-50个字左右。二，税务知识本次外出企业查帐，我发现很多公司因为规模较小，只设有一名会计人员，会计人员可以说是一名多面手、做帐、报税等均是他的工作。所以，我们以后应加强税务知识讲授，尤其是税务实务操作练习，教会每会学生如何申请报税、计税、缴税、尤其是几个主要税种，如个人所得税、企业所得税、营业税、房产税等更要重点讲授。三，出纳方面知识由于我们的学生学历较低，很多同学毕业后只能担任出纳，故此，对于出纳工作主要职责(如登记现金日记帐、银行存款日记帐、保管库存现金、有价证券、空白发票、支票印章)以及应具备技能(如点钞、计算器、辩别真假钞票)等应让学生熟练掌握。四，财会法规知识

R语言判别分析实验报告

R语言判别分析实验报告 The latest revision on November 22, 2020

R语言判别分析实验报告班级：应数1201 学号：姓名：麦琼辉时间：2014年11月28号 1实验目的及要求 1)了解判别分析的目的和意义； 2)熟悉R语言中有关判别分析的算法基础。 2实验设备（环境）及要求个人计算机一台，装有R语言以及RStudio并且带有MASS包。 3实验内容企业财务状况的判别分析 4实验主要步骤 1)数据管理：实验对21个破产的企业收集它们在前两年的财务数据，对25 个财务良好的企业也收集同一时期的数据。数据涉及四个变量：CF_TD（现金/总债务）；NI_TA（净收入/总资产）；CA_CL（流动资产/流动债务）； CA_NS（流动资产/净销售额），一个分组变量：企业现状（1：非破产企业，2：破产企业）。 2)调入数据：对数据复制，然后在RStudio编辑器中执行如下命令。 case5=read.table(‘clipboard’,head=T) head(case5) 3)Fisher判别效果（等方差，线性判别lda）：采用Bayes方式，即先验概率为样本例数，相关的RStudio程序命令如下所示。 library(MASS) ld=lda(G~.,data=case5);ld#线性判别 ZId=predict(ld) addmargins(table(case5$G,ZId$class)) 4)Fisher判别效果（异方差，非线性判别--二次判别qda）：再次采用

Bayes 方式，相关的RStudio 程序命令如下所示。 library(MASS) qd=qda(G~.,data=case5);qd#二次判别 Zqd=predict(qd) addmargins(table(case5$G,Zqd$class)) 5实验结果表1线性判别lda 效果原分类新分类 12合计 1 24 1 25 2 3 18 21 合计 27 19 46 符合率 91.30% 由表1和表 2可知，qda （二次判别---非线性判别）的效果比lda （一次判别）要好。 6实验小结通过本次实验了解了判别分析的目的和意义，并熟悉R 语言中有关判别分析的算法基础。表2二次判别qda 效果原分类新分类 12合计 1 24 1 25 2 2 19 21 合计 26 20 46 符合率 93.50%

常微分方程的求解与定性分析实验报告

常微分方程的求解与定性分析实验报告 Company Document number：WTUT-WT88Y-W8BBGB-BWYTT-19998

常微分方程的求解与定性分析实验报告一、实验综述 1、实验目的及要求 ●归纳和学习求解常微分方程(组)的基本原理和方法； ●掌握解析、数值解法，并学会用图形观察解的形态和进行解的定性分析； ●熟悉MATLAB软件关于微分方程求解的各种命令； ●通过范例学习建立微分方程方面的数学模型以及求解全过程； ●通过该实验的学习，使学生掌握微分方程(组)求解方法（解析法、欧拉法、梯度法、改进欧拉法等），对常微分方程的数值解法有一个初步了解，同时学会使用MATLAB软件求解微分方程的基本命令，学会建立微分方程方面的数学模型。这对于学生深入理解微分、积分的数学概念，掌握数学的分析思维方法，熟悉处理大量的工程计算问题的方法是十分必要的。 2、实验仪器、设备或软件电脑、二、实验过程（实验步骤、记录、数据、分析）实验内容：根据实验内容和步骤，完成以下实验，要求写出实验报告（实验目的→问题→数学模型→算法与编程→计算结果→分析、检验和结论） 1．求微分方程的解析解，并画出它们的图形。 y '= y + 2 x, y (0) = 1, 0< x <1； m=dsolve('Dy=y+2*x','y(0)=1','x') ezplot(m,[0 1]) m = 3*exp(x) - 2*x – 2

1．求微分方程?? ???====-+]100[0)0(;0)0(01.03t u u u u u 的数值解，要求编写求解程序。 function dy=vdp1000(t,y) dy=zeros(2,1); dy(1)=y(2); dy(2)=-y(1)+*y(1)^3; [T,Y]=ode15s('vdp1000',[0 10],[0 0]); plot(T,Y(:,1),'-') 3．Rossler 微分方程组：当固定参数b =2，c =4时，试讨论随参数a 由小到大变化（如 a ∈(0，)而方程解的变化情况，并且画出空间曲线图形，观察空间曲线是否形成混沌状 function r=rossler(t,x) global a; global b; global c; r=[-x(2)-x(3);x(1)+a*x(2);b+x(3)*(x(1)-c)]; global a; global b; global c; b=2; c=4; t0=[0,200]; for a=0:: [t,x]=ode45('rossler',t0,[0,0,0]); subplot(1,2,1); plot(t,x(:,1),'r',t,x(:,2),'g',t,x(:,3),'b'); title('x(红色),y(绿色),z(蓝色)随t 的变化情况');xlabel('t'); subplot(1,2,2); plot3(x(:,1),x(:,2),x(:,3)) title('相图');xlabel('x');ylabel('y');zlabel('z'); pause end 结果显示： a=0: a=: a=: a=: a=:

数据分析实验报告

数据分析实验报告【最新资料，WORD文档，可编辑修改】第一次试验报告习题1.3 1建立数据集，定义变量并输入数据并保存。 2数据的描述，包括求均值、方差、中位数等统计量。分析—描述统计—频率，选择如下：输出：

方差1031026.918399673.8384536136.444百分位数25304.25239.75596.25 50727.50530.501499.50 751893.501197.004136.75 3画直方图，茎叶图，QQ图。（全国居民）分析—描述统计—探索，选择如下：输出：全国居民Stem-and-Leaf Plot Frequency Stem & Leaf 9.00 0 . 122223344 5.00 0 . 56788 2.00 1 . 03 1.00 1 . 7 1.00 2 . 3 3.00 2 . 689

1.00 3 . 1 Stem width: 1000 Each leaf: 1 case(s) 分析—描述统计—QQ图，选择如下：输出：习题1.1 4数据正态性的检验：K—S检验，W检验数据：取显着性水平为0.05 分析—描述统计—探索，选择如下：（1）K—S检验单样本Kolmogorov-Smirnov 检验身高N60正态参数a,,b均值139.00

标准差7.064 最极端差别绝对值.089 正.045 负-.089 Kolmogorov-Smirnov Z.686 渐近显着性(双侧).735 a. 检验分布为正态分布。 b. 根据数据计算得到。结果：p=0.735 大于0.05 接受原假设，即数据来自正太总体。（2）W检验

判别分析实验报告spss

一、实验目的及要求： 1、目的用SPSS软件实现判别分析及其应用。 2、内容及要求用SPSS对实验数据利用Fisher判别法和贝叶斯判别法，建立判别函数并判定宿州、广安等13个地级市分别属于哪个管理水平类型。二、仪器用具：三、实验方法与步骤: 准备工作：把实验所用数据从Word文档复制到Excel，并进一步导入到SPSS 数据文件中，同时，由于只有当被解释变量是属性变量而解释变量是度量变量时，判别分析才适用，所以将城市管理的7个效率指数变量的变量类型改为“数值（N）”，度量标准改为“度量（S）”，以备接下来的分析。四、实验结果与数据处理：表1 组均值的均等性的检验 Wilks 的 Lambda F df1df2Sig. 综合效率标准指数.582264.000 经济效率标准指数.406264.000 结构效率标准指数.954264.218 社会效率标准指数.796264.001 人员效率标准指数.342264.000 发展效率标准指数.308264.000 环境效率标准指数.913264.054 表1是对各组均值是否相等的检验，由该表可以看出，在的显著性水平上我们不能拒绝结构效率标准指数和环境效率标准指数在三组的均值相等的假设，即认为

除了结构效率标准指数和环境效率标准指数外，其余五个标准指数在三组的均值是有显著差异的。表2 对数行列式 group秩对数行列式 16 26 36 汇聚的组内6 打印的行列式的秩和自然对数是组协方差矩阵的秩和自然对数。表3 检验结果箱的 M F近似。 df142 df2 Sig..000 对相等总体协方差矩阵的零假设进行检验。以上是对各组协方差矩阵是否相等的Box’M检验，表2反映协方差矩阵的秩和行列式的对数值。由行列式的值可以看出，协方差矩阵不是病态矩阵。表3是对各总体协方差阵是否相等的统计检验，由F值及其显著水平，在的显著性水平下拒绝原假设，认为各总体协方差阵不相等。 1）Fisher判别法：图一

常微分方程的求解与定性分析实验报告

常微分方程的求解与定性分析实验报告一、实验综述 1、实验目的及要求 ●归纳和学习求解常微分方程(组)的基本原理和方法； ●掌握解析、数值解法，并学会用图形观察解的形态和进行解的定性分析； ●熟悉MATLAB软件关于微分方程求解的各种命令； ●通过范例学习建立微分方程方面的数学模型以及求解全过程； ●通过该实验的学习，使学生掌握微分方程(组)求解方法（解析法、欧拉法、梯度法、改进欧拉法等），对常微分方程的数值解法有一个初步了解，同时学会使用MATLAB软件求解微分方程的基本命令，学会建立微分方程方面的数学模型。这对于学生深入理解微分、积分的数学概念，掌握数学的分析思维方法，熟悉处理大量的工程计算问题的方法是十分必要的。 2、实验仪器、设备或软件电脑、matlab7.0 二、实验过程（实验步骤、记录、数据、分析）实验内容：根据实验内容和步骤，完成以下实验，要求写出实验报告（实验目的→问题→数学模型→算法与编程→计算结果→分析、检验和结论） 1．求微分方程的解析解，并画出它们的图形。 y '= y + 2 x, y (0) = 1, 0< x <1； m=dsolve('Dy=y+2*x','y(0)=1','x') ezplot(m,[0 1]) m = 3*exp(x) - 2*x – 2

0.1 0.2 0.3 0.4 0.50.6 0.7 0.8 0.9 1 11.522.533.5 4x 3 exp(x) - 2 x - 2 1．求微分方程?? ? ??====-+]100[0)0(;0)0(01.03t u u u u u 的数值解，要求编写求解程序。 function dy=vdp1000(t,y) dy=zeros(2,1); dy(1)=y(2); dy(2)=-y(1)+0.1*y(1)^3; [T,Y]=ode15s('vdp1000',[0 10],[0 0]); plot(T,Y(:,1),'-')

多元统计分析实验报告判别分析

页眉 2015——2016学年第一学期实验报告课程名称：多元统计分析实验项目：判别分析设计性□验证性□实验类别：综合性□√专业班级：

姓名：学号：实验地点：统计与金融创新实验室（新60801) 实验时间：指导教师：曹老师成绩：数学与统计学院实验中心制页脚一、实验目的统计《spss 让学生掌握判别分析的基本步骤和分析方法；学习的内容，掌握一般判别分析与逐分析从入门到精通》P307-P320步判别分析方法。二、实验内容，掌》应用《胃病患者的测量数据》和《表征企业类型的数据.sav、1统计分析从spss握一般判别分析与逐步判别分析方法。数据来源于《章的数据。入门到精通数据文件》第12的数据进行分析，数据见文件《何晓群多元统计2、参考教材例4-2 》中的例4-2new。)分析(数据三、实验方案（程序设计说明）四、程序运行结果1. (1) 分析案例处理摘要未加权案例N 百分比 93.3 14 有效 6.7 缺失或越界组代码1 .0 至少一个缺失判别变量0 .0

排除的缺失或越界组代码还有至少0 一个缺失判别变量6.7 合计1 100.0 15 合计组统计量 1 N（列表状态）类别均值标准差有效的未加权的已加权的5.000 188.60 57.138 5 铜蓝蛋白5.000 16.502 5 150.40 蓝色反应胃癌患者5.000 5.933 5 尿吲哚乙酸13.80 5.000 13.323 5 中性琉化物20.00 4.000 47.500 4 铜蓝蛋白156.25 4.000 118.75 14.104 4 蓝色反应萎缩性胃炎4.000 1.732 4 尿吲哚乙酸7.50 4.000 8.386 4 中性琉化物14.50 5.000 33.801 5 铜蓝蛋白151.00 5.000 13.012 5 蓝色反应121.40 其他胃病5.000 1.871 5 尿吲哚乙酸5.00 5.000 5 中性琉化物8.00 7.314 14.000 14 铜蓝蛋白165.93 46.787 14.000 14 蓝色反应131.00 20.203 合计14.000 14 8.86 5.318 尿吲哚乙酸14.000 10.726 14

GC定性分析实验报告

气相色谱法对蔬菜中农药残留的定性分析专业(班级)：姓名：学号：指导教师：实验日期：2016 年 4 月 20 日

气相色谱法对蔬菜中农药残留的定性分析一、实验目的 1. 了解气相色谱仪的基本结构、工作原理和操作技术。 2. 了解程序升温技术在气相色谱分析中的应用。 3. 了解毛细管气相色谱分析中的应用。 4. 学习利用保留值进行色谱对照的定性方法。二、实验原理气相色谱仪 (Gac Chromatography, GC) 是采用气体 (载气) 作为流动相的一种色谱法。当流动相携带欲分离的混合物流经固定相时，由于混合物中各组分的性质不同，与固定相作用的程度也有所不同，因而组分在两相间具有不同的分配系数，经过相当多次的分配之后，各组分在固定相中的滞留时间有长有短，从而使各组分依次流出色谱柱而得到分离。三、实验仪器与试剂天美G7900气相色谱仪、电子天平(METTLER AE200) 、离心机 (菲恰尔 80-2B)、KS康氏振荡器丙酮 (分析纯)、乙酸乙酯 (分析纯)、超纯水、对硫磷标准品、甲基对硫磷标准品、三唑磷标准品、无水硫酸钠 (分析纯)、50 mL PP 离心管、10 mL PP 离心管

四、实验内容样品处理 1. 将蔬菜切碎 (要充分粉碎)，称取2 g于20 mL离心管中。 2. 加入10 mL丙酮 : 乙酸乙酯 (1 : 1) 混合液，旋紧瓶塞，振荡 2 min后，离心4 min (1500 r/min)。 3. 加入无水硫酸钠1 g，超纯水5 mL，振荡2min后，继续离心4 min (1500 r/min)。 4. 取上清液至10 mL离心管，贴好标签。 5. 上机测定前保存于4 ℃冰箱。色谱条件进样口温度：240 ℃ 检测器温度：250 ℃ 柱温程序：140 ℃(1 min)，然后以10 ℃/min升温至200 ℃(4 min)，再以15℃/min升温至280℃ (2 min) 载气 (N2) 流量：35 mL/min 进样量：1uL 五、注意事项 1. 蔬菜一定要充分切碎，越细越好。 2. 离心前一定要振荡，使其充分混匀。 3. 上清液不用完全取完，不要将下层的水层吸取上来。

空间分析实验报告

空间分析原理及应用上机实验

练习1：利用缺省参数创建一个表面 1．1 启动ArcMap并激活地统计分析模块单击窗口任务栏的Start按扭，光标指向Programs，再指向ArcGIS，然后单击ArcMap。在ArcMap中，单击Tools，在单击Extensions，选中Geostatistical Analyst复选框，单击Close按扭。 1.2 添加Geostatistical Analyst工具条到ArcMap中。单击View菜单，光标指向Toolbars，然后单击Geostatistical Analyst。 1．3 在ArcMap中添加数据层一旦数据加入后，就能利用ArcMap来显示数据，而且如果需要，还可以改变没一层的属性设置（如符号等等） 1.单击Standard工具条上的Add Data按扭。找到安装练习数据的文件夹（缺省安装路径是C:\ArcGIS\ArcTutor\Geostatistics）,按住Ctrl键，然后点击并高亮显示Ca_ozone_pts和ca_outline数据集。 3.单击Add按扭。 4.单击目录表中的ca_outline图层的图例，打开Symbol Selector对话框。 5.单击Fill Color下拉箭头，然后单击No Color。 6.在Symbol Selector对话框中单击OK按钮。点击Standard工具条上的Save按扭。新建一个本地工作目录（如C:\geostatistical）,定位到本地工作目录。

1．4 利用缺省值创建表面单击Geostatistical Analyst，然后单击Geostatistical Wizard。 2.点击Input Data下拉箭头，单击并选中ca_ozone_pts。 3.单击Attribute下拉框箭头，单击并选中属性OZONE。 4.在Methord对话框中单击Kriging. 单击Next按扭。缺省情况下，在Geostatistical Method Selection对话框中，Ordinary Kriging和Prediction Map被选中. 6．在Geostatistical Method Selection对话框中单击next按扭。 7．点击next按扭。

spss实验报告最终版本

实验课程专业统计软件应用上课时间2012 学年 1 学期15 周（2012 年12 月18日—28 日）学生姓名李艳学号2010211587 班级0331002 所在学院经济管上课地点经管3 楼指导教师胡大权理学院

实验内容写作第六章一实验目的 1、理解方差分析的基本概念 2、学会常用的方差分析方法二实验内容实验原理：方差分析的基本原理是认为不同处理组的均值间的差别基本来源有两个：随机误差，如测量误差造成的差异或个体间的差异，称为组内差异根据老师的讲解和课本的习题完成思考与练习的5、6、7、8题。第5题：为了寻求适应某地区的高产油菜品种，今选5个品种进行试验，每一种在4块条件完全相同的试验田上试种，其他施肥等田间管理措施完全一样。表 6.20所示为每一品种下每一块田的亩产量，根据这些数据分析不同品种油菜的平均产量在显著水平0.05下有无显著性差异。第一步分析由于考虑的是控制变量对另一个观测变量的影响，而且是5个品种，所以不宜采用独立样本T检验，应该采用单因素方差分析。第二步数据的组织从实验材料中直接导入数据第三步方差相等的齐性检验由于方差分析的前提是各水平下的总体服从方差相等的正态分布，而且各组的方差具有齐性，其中正态分布的要求并不是非常严格，但是对于方差相等的要求还是比较严格的，因此必须对方差相等的前提进行检验。

第四步多重比较分析通过上面的步骤，只能判断不同的施肥等田间操作效果是否有显著性差异，如果要想进一步了解究竟那个品种与其他的有显著性均值差别等细节问题，就需要单击上图中的两两比较按钮。第五步运行结果及分析多重比较结果表：从该表可以看出分别对几个不同的品种进行的两两比较。最后我们可以得出结论第4品种是最好的。其他的次之。第6题：某公司希望检测四种类型类型轮胎A,B,C,D的寿命，如表 6.21所示。其中每种轮胎应用在随选择的6种汽车上，在显著性水平0.05下判断不同类型轮胎的寿命间是否存在显著性差异。第一步分析由于考虑的是一个控制变量对另一个控制变量的影响，而且是4种轮胎，所以不宜采用独立样本T 检验，应该采用单因素方差分析。第二步数据的组织从实验材料中直接导入数据。第三步方差相等的齐性检验由于方差分析的前提是各水平下的总体服从方差相等的正态分布，而且各组的方差具有齐性，其中正态分布的要求并不是非常严格，但是对于方差相等的要求还是比较严格的，因此必须对方差相等的前提进行检验。选择菜单“分析”—均值比较—单因素ANOVA。

判别分析实验报告

数学实验报告判别分析

一、实验目的要求熟练掌握运用SPSS软件实现判别分析。二、实验内容已知某研究对象分为3类，每个样品考察4项指标，各类观测的样品数分别为7，4，6；另外还有2个待判样品分别为第一个样品： =-=-== 18,214,316,456 x x x x 第二个样品： ==-== 192,217,318,4 3.0 x x x x 运用SPSS软件对实验数据进行分析并判断两个样品的分组。三、实验步骤及结论 1.SPSS数据分析软件中打开实验数据，并将两个待检验样本键入，作为样本18和样本19。 2.实验分析步骤为：分析→分类→判别分析 3.得到实验结果如下：（1）由表1，对相等总体协方差矩阵的零假设进行检验，Sig值为0.022<0.05,则拒绝原假设，则各分类间协方差矩阵相等。由表2可得，函数1所对应的特征值贡献率已达到99.6%，说明样本数据均向此方向投影就可得到效果很高的分类，故只取函数1作为投影函数，舍去函数2不做分析。表3为典型判别式函数的Wilks的Lambda检验，此检验中函数1的Wilks Lambda检验sig值为0.022<0.05，则拒绝原假设，说明函数1判别显著。

表4为求得的各典型函数判别式函数系数，由此表可以求得具体函数，得y=9.240+0.010x1+0.543x2+0.047x3-0.068x4。由表5给出的组质心处的函数值，可以得到函数1的置信坐标为（-1.846，0.616，1.744）。

（2）关于两个待判样本的分组方法：将样本1的因变量数据代入方程 y=9.240+0.010x1+0.543x2+0.047x3-0.068x4 求得y1=-1.498，分别减去上表中-1.846，0.616，1.744，取绝对值得0.348，0.882,0.246，则样本1为第1组；同理可得，y2=1.571,分别减去上表中-1.846，0.616，1.744，取绝对值得 3.417，0.955，0.173，则样本2为第3组。贝叶斯判别部分如下：表6 表7为贝叶斯判别分析得到的分类函数系数表，可以得到3个分组各自的函数: y1=-223.305-0.074x1-19.412x2+4.549x3+1.582x4 y2=-199.884-0.045x1-18.097x2+4.661x3+1.414x4 y3=-190.041-0.040x1-17.457x2+4.720x3+1.377x4 将两组样本数据分别代入3个方程：代入样本1得 y1=410.431,y2=207.594,y3=207.309 代入样本2得 y1=186.519,y2=191.765,y3=192.139

文档之家

实验报告Bayes判别

数据分析实验报告

R语言判别分析实验报告

2017X射线衍射及物相分析实验报告写法

arcgis栅格数据空间分析实验报告

【实验报告】SPSS相关分析实验报告

R语言判别分析实验报告

空间目标轨道分布特性分析实验报告

(实习报告)企业实习相关分析报告范文

R语言判别分析实验报告

常微分方程的求解与定性分析实验报告

数据分析实验报告

判别分析实验报告spss

常微分方程的求解与定性分析实验报告

多元统计分析实验报告判别分析

GC定性分析实验报告

空间分析实验报告

spss实验报告最终版本

判别分析实验报告

相关与回归分析实验报告