多元统计课程设计（用的是聚类分析法）.doc-资料库

tangstead-1392111-4744300845172257759.doc.pdf-第1页.png

第1页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第2页.png

第2页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第3页.png

第3页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第4页.png

第4页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第5页.png

第5页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第6页.png

第6页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第7页.png

第7页 / 共9页

tangstead-1392111-4744300845172257759.doc.pdf-第8页.png

第8页 / 共9页

湘潭大学数学与计算科学学院学生实验报告统计班级 06 统计姓名唐明达学号 2006750432 2008 年 12 月 10 日至 2009 年 1 月 10 日聚类分析方法的应用一些关于聚类分析的知识。聚类分析的功能是建立一种分类的方法，它将一批样本或变量，按照它们的性质上的亲疏，相似程度进行分类。按照聚类的方法可以分为以下几种： 1，系统聚类法 2，调优法（动态聚类） 3，最优分割法 4，模糊聚类法 5，图论聚类法 6，聚类预报法按照分类对象的不同又分为 R 型和 Q 型两大类。 R 型聚类分析的目的有以下几方面： 1 可以了解变量间及变量组合间的亲疏关系 2 对变量进行分类 3 根据分类结果及它们之间的关系，在每一类中选择有代表性的变量作为重要变量，利用少数几个重要变量进一步作分析计算。 Q 型聚类分析的目的主要是对样本进行分类，分类的结果是直观的，且比传统分类方法更细致，全面，合理。成绩：签名：年月日专业实验日期实验项目实验内容与要求指导教师意见备注

数据如下： X1,X2,X3,X4,X5,X6,X7,X8 分别代表运动员跑完 100m,200m,400m,800m,1500m,5000m,10000m 以及马拉松全程所花费的时间。注：X1,X2,X3的单位是秒，X4,X5,X6,X7,X8 的单位是分。国家与地区阿根廷奥地利智利中国哥伦比亚希腊印度以色列爱尔兰韩国卢森堡墨西哥挪威葡萄牙土耳其澳大利亚比利时巴西加拿大捷克丹麦芬兰法国德民主德联邦北爱尔兰匈牙利意大利日本 X1 10.39 10.44 10.34 10.51 10.43 10.22 10.60 10.61 10.71 10.34 10.35 10.42 10.55 10.53 10.71 10.31 10.34 10.22 10.17 10.35 10.56 10.43 10.11 10.12 10.16 10.11 10.26 10.01 10.34 X2 20.81 20.81 20.80 21.04 21.05 20.71 21.42 20.96 21.00 20.89 20.77 21.30 21.16 21.17 21.43 20.06 20.68 20.43 20.22 20.65 20.52 20.69 20.38 20.33 20.37 20.21 20.62 19.72 20.81 X3 46.84 46.82 46.20 47.30 46.10 46.56 45.73 46.30 47.80 46.90 47.40 46.10 46.71 46.70 47.60 44.84 45.04 45.21 45.68 45.64 45.89 45.49 45.28 44.87 44.50 44.93 46.02 45.26 45.86 X4 1.81 1.79 1.79 1.81 1.82 1.78 1.76 1.79 1.77 1.79 1.82 1.80 1.76 1.79 1.79 1.74 1.73 1.73 1.76 1.76 1.78 1.74 1.73 1.73 1.73 1.70 1.77 1.73 1.79 X5 3.70 3.60 3.71 3.73 3.74 3.64 3.73 3.56 3.72 3.77 3.67 3.65 3.62 3.62 3.67 3.57 3.60 3.66 3.63 3.58 3.61 3.61 3.57 3.56 3.53 3.51 3.62 3.60 3.64 X6 14.04 13.26 13.61 13.90 13.49 14.59 13.77 13.32 13.66 13.96 13.64 13.46 13.34 13.13 13.56 13.28 13.22 13.62 13.55 13.42 13.50 13.27 13.34 13.17 13.21 13.01 13.49 13.23 13.41 X7 29.36 27.72 29.30 29.13 27.88 28.45 28.81 27.81 28.93 29.23 29.08 27.95 27.69 27.38 28.58 27.66 27.45 28.62 28.09 28.19 28.11 27.52 27.97 27.42 27.61 27.51 28.44 27.52 27.72 X8 137.72 135.90 134.03 133.53 131.35 134.60 131.98 132.35 137.55 136.25 141.27 129.20 131.48 128.65 131.50 128.30 129.95 133.13 130.15 134.32 130.78 130.87 132.30 129.92 132.23 129.13 132.58 131.08 128.63

肯尼亚荷兰新西兰波兰罗马尼亚西班牙瑞士瑞典美国苏联百慕大缅甸哥斯达黎加多米尼加委的马拉印尼朝鲜马来西亚毛里求斯新几内亚菲律宾新加坡台北泰国库克群岛西萨摩亚 10.46 10.52 10.51 10.16 10.41 10.42 10.25 10.37 9.93 10.07 10.28 10.64 10.94 10.14 10.98 10.59 10.91 10.40 11.19 10.96 10.78 10.38 10.59 10.39 12.18 10.82 20.66 20.95 20.88 20.24 20.98 20.77 20.61 20.46 19.75 20.00 20.58 21.52 21.90 20.65 21.82 21.49 21.94 20.92 22.45 21.78 21.64 21.28 21.29 21.09 23.20 21.86 44.92 45.10 46.10 45.36 45.87 45.98 45.63 45.78 43.86 44.60 45.91 48.30 48.66 46.80 48.40 47.80 47.30 46.30 47.70 47.90 46.24 47.40 46.80 47.91 52.94 49.00 1.73 1.74 1.74 1.76 1.76 1.76 1.77 1.78 1.73 1.75 1.80 1.80 1.87 1.82 1.89 1.84 1.85 1.82 1.88 1.90 1.81 1.88 1.79 1.83 2.02 2.02 3.55 3.62 3.54 3.60 3.64 3.55 3.61 3.55 3.53 3.59 3.75 3.85 3.84 3.82 3.80 3.92 3.77 3.80 3.83 4.01 3.83 3.89 3.77 3.84 4.24 4.24 13.10 13.36 13.21 13.29 13.25 13.31 13.29 13.22 13.20 13.20 14.68 14.45 14.03 14.91 14.16 14.73 14.13 14.64 15.06 14.72 14.74 15.11 14.07 15.23 16.70 16.28 27.38 27.61 27.70 27.89 27.67 27.73 27.94 27.91 27.43 27.53 30.55 30.28 28.81 31.45 30.11 30.79 29.27 31.01 31.77 31.36 30.64 31.32 30.07 32.65 35.38 34.71 129.75 129.02 128.98 131.58 132.50 131.57 130.63 131.20 128.22 130.55 146.62 139.95 136.58 154.12 139.33 148.83 130.87 154.10 152.23 148.22 145.27 157.77 139.27 149.90 164.70 161.83 在刚刚过去的2008年，对我们中国人来说是难忘的一年，因为在八月，北京成功的举办了奥运会。奥运会给我们留下了许许多多的回忆，其中就有在田径赛场上，世界见证了一位新的百米飞人的诞生— —博尔特，让全世界的目光都聚集在田径赛跑这个充满激情的比赛项目。当今世界上各个国家田径赛跑的能力各不相同，因此我所要做的是利用SPSS统计软件对世界上的55个国家与地区的田径赛跑这项目水平的分析，而所参考的指标是八种田径赛跑项目的成绩，即100米， 200米，400米，800米，1500米，5000米，10000米和马拉松项目。

首先采用层次聚类进行分析，其基本思想是，在聚类分析的开始，每个样本自成一类；然后，按照某种方法度量所有的样本之间的亲疏程度，并把其中最亲密的或称最相视的样本首先聚成一类；接下来，度量剩余样本和小类之间的亲疏程度，并将当前最亲密的样本或小类在聚成一类；再接下来，再度量剩余的样本和小类（或小类和小类）间的亲疏程度，并将当前最亲密的样本或小类聚成一类；如此反复，直到所有的样本聚成一类为止。样本数据间的亲疏远程度主要是用样本间的距离、或样本间相关关系来度量的。本文采用组间平均链锁法来计算类间的距离，用欧氏距离平方法计算样本距离。具体输出结果如下： Case Processing Summary(a,b) Valid Cases Missing Total N Percent N Percent N Percent 55 100.0 0 .0 55 100.0 a Squared Euclidean Distance used b Average Linkage (Between Groups) Agglomeration Schedule Stag Stage Cluster First e 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Cluster Combined Coefficients Appears Next Stage Cluster 1 Cluster 2 Cluster 1 Cluster 2 17 17 5 29 21 8 21 21 12 23 5 43 41 28 17 8 30 24 35 32 36 34 37 22 29 33 13 47 44 39 26 27 .091 .234 .236 .267 .267 .280 .372 .440 .529 .558 .605 .658 .724 .800 .810 .816 0 1 0 0 0 0 5 7 0 0 3 0 0 0 2 6 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 2 15 11 9 7 16 8 18 19 20 24 45 34 27 21 24

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 45 19 12 23 17 16 1 5 15 3 19 18 5 3 1 5 17 41 40 3 12 1 45 1 12 11 3 3 43 3 1 40 43 54 40 1 40 1 49 21 14 25 31 38 9 8 46 4 28 20 7 6 10 23 19 52 50 18 17 42 53 2 16 41 5 15 48 12 11 45 51 55 43 3 54 40 .940 .944 .954 1.017 1.046 1.268 1.420 1.499 1.602 1.660 1.720 1.898 1.984 2.499 2.517 2.598 2.663 2.990 3.323 3.595 4.321 4.642 5.327 5.532 6.164 6.269 6.776 8.531 9.017 12.820 14.672 15.768 20.785 28.031 55.575 65.441 213.072 498.278 0 0 9 10 15 0 0 11 0 0 18 0 24 26 23 29 21 13 0 30 19 31 17 38 37 0 36 43 12 44 40 35 45 0 48 47 51 52 0 8 0 0 0 0 0 16 0 0 14 0 0 0 0 20 27 0 0 28 33 0 0 0 22 34 32 25 0 41 42 39 0 0 49 46 50 53 39 27 37 32 33 41 31 29 44 30 33 36 32 36 38 43 37 42 48 43 41 40 48 47 46 47 44 46 49 52 52 51 51 53 53 54 54 0 第一行数据的含义是：在聚类分析中的第一步，17号样和30号样聚成一小类，它们的样本欧式距离是0.091，这个小类将在聚类分析第三十七步用到。同理，第三十七行数据的含义是：在聚

类分析的第三十七步中，12号样与第一步聚成的小样（以该小类中的17号样本为标记）又聚成一小类，它们的样本欧氏距离是 4.321，这个小聚类将在聚类分析中的第四十六步中用到。。。。。。照此分析下去。 Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+ 比利时肯尼亚德民主北爱尔兰荷兰意大利苏联丹麦瑞士瑞典芬兰加拿大日本新西兰墨西哥葡萄牙澳大利亚美国土耳其朝鲜法国波兰德联邦哥伦比亚西班牙挪威以色列罗马尼亚匈牙利 17 30 24 26 31 28 39 21 36 37 22 19 29 32 12 14 16 38 15 46 23 33 25 5 35 13 8 34 27

印度巴西捷克智利中国希腊阿根廷爱尔兰韩国哥斯达黎加奥地利缅甸委的马拉台北卢森堡库克群岛西萨摩亚百慕大菲律宾印度尼西亚巴布亚新几内亚泰国多米尼加共和国马来西亚毛里求斯新加坡 7 18 20 3 4 6 1 9 10 42 2 41 44 52 11 54 55 40 50 45 49 53 43 47 48 51 + 上面为树形图，其中横向距离表示差异的大小，它将实际距离按比例调整到 0~25 的范围内，树状结构则表示分类情况，用逐级连线的方式连接性质相近的个案，直至并为一类。对结果进行分析，将其分成八类。第一类第二类第三类第四类第五类第六类第七类第八类

危地马拉台北卢森堡库克群岛西萨摩亚百慕大菲律宾印尼新几内亚泰国多米尼加马来西亚毛里求斯新加坡比利时肯尼亚德民主北爱尔兰荷兰意大利苏联丹麦瑞士瑞典芬兰加拿大日本新西兰墨西哥澳大利亚美国土耳其朝鲜法国波兰德联邦哥伦比亚西班牙挪威以色列罗马尼亚匈牙利印度巴西捷克智利中国希腊阿根廷爱尔兰韩国哥斯达尼加奥地利缅甸 55 个地区的分类及平均的赛跑时间

资料库

多元统计课程设计（用的是聚类分析法）.doc

相关推荐

课程资源

热门标签

最新资料