方差分析模型中的理论推导
1
固定效应模型：
??
?
????====+=且相互独立),2,1,,2,1( ),0(~),2,1,,2,1( 2
)()()(i i j i i j
i i j
n j k i N n j k i x """"σεεμ不全相同
检验假设
i k H H μμμμ:,:1210==="
模型假设：
(1)观测是独立的；
(2)观测为正态总体的样本；
(3)各组的方差相等(检验方差齐性在means语句加选项hovtest)
Hovtest：homogeneity of variance
test
4
5
i
i a +=μμ???
?????+????????=????????的效应处理个总体第均值总均值个总体第)(i i
6
)()( i j
i i j a x ε
μ++=?
???????+??????
??+???????
?=????????误差随机的效应处理均值总个观测值第个总体第j i
11
E
A T SS SS SS += 平方和分解：
线性模型(1)——方差分析模型
在方差分析中，我们初步介绍了线性模型的思想，实际上，线性模型只是方差分析的模型化，其统计检验仍然是依照方差分解原理进行F检验。 线性模型作为一种非常重要的数学模型，通常可以分为方差分析模型、协方差分析模型、线性回归模型、方差分量模型等，根据表现形式又可以分为一般线性模型、广义线性模型、一般线性混合模型、广义线性混合模型。 下面我们就根据分析目的来介绍线性模型 一、方差分析模型： 使用线性模型进行方差分析的时候涉及一些基本概念： =============================================== (1)因素与水平 因素也称为因子，在实际分析中，因素就是会对结果产生影响的变量，通常因素都是分类变量，如果用自变量和因变量来解释，那么因素就是自变量，结果就是因变量。 一个因素下面往往具有不同的指标，称为水平，表现在分类变量上就是不同类别或取值范围，例如性别因素有男、女两个水平，有时取值范围是人为划分的。 (2)单元 因素各水平之间的组合，表现在列联表中就是某个单元格，有些实验设计如拉丁方设计，单元格为空或无。 (3)元素 指用于测量因变量值的最小单位，其实也就是具体的测量值。根据具体的实验设计，列联表的一个单元格内可以有一个或多个元素，也可能没有元素。 (4)均衡 如果一个实验设计中任一因素的各水平在所有单元格中出现的次数相同，且每个单元格内的元素数也相同，那么该实验就是均衡的。不均衡的实验设计在分析时较为复杂，需要对方差分析模型作特别的设置才行。 (5)协变量 有时，我们在分析某些因素的影响时，需要排除某个因素对因变量的影响，这个被排除的因素被称为协变量， (6)交互作用 如果一个因素的效应大小在另一个因素的不同水平下表现的明显不同，则说明这两个因素之间存在交互作用。交互作用是多因素分析时必须要做的，这样分析的结果才会全面。
【免费下载】双因素方差分析模型
从模型1、模型2 可以看出, 在通常的教学质量评价过程中, 人们只注重对教师教学水平的点评,而对评课人的素质和水平几乎没有讨论。但事实上, 教师教学水平的高低及提高, 与评课人的水平是 密切相关的, 只有评课人与指导者水平高, 对教师教学水平的评价才有较高的可靠性, 教师的教学水平也才会得到提高。方差分析的结论告诉我们:不但教师之间的水平有显著差异, 评课人的水平也是有显著差异的, 因而要想对被评教师做出客观公正的结论, 不能忽视评课者的素质。 请看下例:某高校评估小组(8人)对该校某教研室教师(6人) 上学期教学水平的评分成绩如表2 所示。 表2 对某教研室教师教学水平的评分评课人教师1234567818.959.088.988.958.959.159.108.9528.809.108.758.859.008.728.958.8138.889.108.758.859.008.728.958.8148.838.608.738.408.758.738.859.02 58.958.938.959.058.988.928.958.9869.109.159.158.859.259.209.159.25试对教师之间的教学水平和评估人之间的水平做出你的评价。这是一个无重复试验的双因素方差分析问题, 因素A 是教师,有6个水平A 1,A 2,,A 6;因素B 是评课人,有8个水平B 1,B 2,,B 8。X ij (i=1,2,,6,j= 、管路敷设技术通过管线敷设技术，不仅可以解决吊顶层配置不规范问题，而且可保障各类管路习题到位。在管路敷设过程中，要加强看护关于管路高中资料试卷连接管口处理高中资料试卷弯扁度固定盒位置保护层防腐跨接地线弯曲半径标高等，要求技术交底。管线敷设技术中包含线槽、管、电气课件中调试对全部高中资料试卷电气设备，在安装过程中以及安装结束后进行高中资料试卷调整试验；通电检查所有设备高中资料试卷相互作用与相互关系，根据生产工艺高中资料试卷要求，对电气设备进行空载与带负荷下高中资料试卷调控试验；对设备进行调整使其在正常工况下与过度工作下都可以正常工作；对于继电保护进行整核对定值，审核与校对图纸，编写复杂设备与装置高中资料试卷调试方案，编写重要设备高中资料试卷试验方案以、电气设备调试高中资料试卷技术电力保护装置调试技术，电力保护高中资料试卷配置技术是指机组在进行继电保护高中资料试卷总体配置时，需要在最大限度内来确保机组高中资料试卷安全，并且尽可能地缩小故障高中资料试卷破坏范围，或者对某些异常高中资料试卷工况进行自动处理，尤其要避免错误高中资料试卷保护装置动作，并且拒绝动作，来
样本平均数的方差的推导
样本平均数的方差的推导： 假定从任意分布的总体中抽选出一个相互独立的样本 1,,n x x ，则有 22 (),i i x X E x X σσ== 即每一个样本单位都是与总体同分布的。 在此基础上， 证明样本平均数以总体平均数为期望值。 []121212()() 1 ()1 ()()()1 ()n n n x x x E x E n E x x x n E x E x E x n X X X X n +++==+++=+++=+++= 接着，再以此为基础，推导样本平均数的方差。 在此，需要注意方差的计算公式为： 22(())X E X E X σ=- 以下需要反复使用这一定义：
22 2 122 122 2122222 122222 122(())()1(())1 ()()()1()()()()()1()()()()()1x n n n n i j i j n i j i j E x E x x x x E X n E x x x nX n E x X x X x X n E x X x X x X x X x X n E x X E x X E x X E x X x X n σ≠≠=-++ +=-= +++-??=-+-++-? ???=-+-++-+--???? ??=-+-++-+--????=∑∑∑∑222n n n σσ?= 在证明中，一个关键的步骤是()()0i j i j E x X x X ≠--=∑，其原 因在于这一项事实上是i x 与j x 的协方差。由于任意两个样本都是相互独立的，因此其协方差均为0。 如果采用的是无放回的抽样，则样本间具有相关性，协方差小于0。此时样本均值的方差为221 X x N n n N σσ-= ? - 样本方差的期望： 证明了样本平均数的方差公式后，我们可以来分析一下样本方差的情况。 先构造一个统计量为2 1 () n i i x x S n =-'= ∑，我们来求它的期望。 根据方差的简捷计算公式：()2 2 2X X X n σ = -∑，可得
期望 方差公式的证明全集
期望与方差的相关公式的证明 -、数学期望的来由 早在17世纪，有一个赌徒向法国著名数学家帕斯卡挑战，给他出了一道题目，题目是这样的：甲乙两个人赌博，他们两人获胜的机率相等，比赛规则是先胜三局者为赢家，赢家可以获得100法郎的奖励。当比赛进行到第三局的时候，甲胜了两局，乙胜了一局，这时由于某些原因中止了比赛，那么如何分配这100法郎才比较公平？ 用概率论的知识，不难得知，甲获胜的概率为1/2+(1/2)*(1/2)=3/4，或者分析乙获胜的概率为(1/2)*(1/2)＝1/4。因此由此引出了甲的期望所得值为100*3/4=75法郎，乙的期望所得值为25法郎。 这个故事里出现了“期望”这个词，数学期望由此而来。 定义1 若离散型随机变量ξ可能取值为i a （i =1，2，3 ，…），其分布列为i p （i =1，2，3， …），则当i i i p a ∑ ∞ =1 <∞时， 则称ξ存在数学期望，并且数学期望为E ξ=∑∞ =1 i i i p a ， 如果i i i p a ∑ ∞ =1 =∞，则数学期望不存在。 [] 1 定义2 期望：若离散型随机变量ξ，当ξ=x i 的概率为P （ξ=x i ）=P i （i =1，2，…，n ，…），则称E ξ=∑x i p i 为ξ的数学期望，反映了ξ的平均值. 期望是算术平均值概念的推广，是概率意义下的平均.E ξ由ξ的分布列唯一确定. 二、数学期望的性质 （1）设C 是常数，则E(C )=C 。 （2）若k 是常数，则E (kX )=kE (X )。 （3）)E(X )E(X )X E(X 2121+=+。 三、 方差的定义 前面我们介绍了随机变量的数学期望，它体现了随机变量取值的平均水平，是随机变量一个重要的数字特征。但是在一些场合下，仅仅知道随机变量取值的
最新53双因素方差分析汇总
53双因素方差分析
§5.3 双因素方差分析 I 无交互作用的双因素方差分析 (1) 数学模型 现在考虑影响试验指标的因素有两个：A, B 。因素A 有水平r 个；有水平s 个；因素A, B 的各种组合水平均只作一次试验；两因素之间无交互作用。 数据结构表 假设：(1*) {:1;1}ij Y i r j s ≤≤≤≤独立； (2*) 2~(,)ij ij Y N μσ，即具有相同的方差； (3*) ij ij ij Y e μ=+，其中 2~(0,)ij e N σ，且{}ij e 独立； 数学模型： ij i j ij ij Y e μαβγ=++++ ， 其中：111()r s ij i j rs μμ-===∑∑—总平均值； 11s i ij j s μμ-?==∑; 11r j ij i r μμ-?==∑; i i αμμ?=-—因素A 在水平Ai 下对试验指标的效应值； j j βμμ?=-—因素 B 在水平Bj 下对试验指标的效应值； 10r i i α==∑; 10s j j β==∑; ij ij i i γμμαβ=---—因素A, B 的交互效应值； 因素B s B r A 12r r rs Y Y Y r Y ? 12 ..s Y Y Y ???
{}ij e —随机部分，假定：独立同正态分布； 注： “无交互作用”等价于：0ij γ=，即 ij i i μμαβ=++； (2) 方差分析 (i) 假设检验问题 两种因素分别进行检验： 0112:0r H ααα== == 即因素A 对试验指标影响不显著； 0212:0s H βββ== == 即因素B 对试验指标影响不显著； 注：当01H 和02H 成立时， ,(1;1)ij i r j s μμ=≤≤≤≤. (ii) 构造F-统计量及否定域 设 () 1 11r s ij i j Y rs Y -===∑∑ ； 11s i ij j Y s Y -?==∑； 11r j ij i Y r Y -?==∑； 2211()r s T ij i j S Y Y ===-∑∑； 221()r A i i S s Y Y ?==-∑； 221()s B j j S r Y Y ?==-∑； 2211()r s E ij i j i j S Y Y Y Y ??===--+∑∑； 注：注意， 2 211()r s E ij i j i j S Y Y Y Y ??===--+∑∑ 2 11()r s ij ij i i j j i j e e e e μμμμ????===+----++∑∑
t检验计算公式
t 检验计算公式： 当总体呈正态分布，如果总体标准差未知，而且样本容量n <30，那么这时一切可能的样本平均数与总体平均数的离差统计量呈t 分布。 t 检验是用t 分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。t 检验分为单总体t 检验和双总体t 检验。 1.单总体t 检验 单总体t 检验是检验一个样本平均数与一已知的总体平均数的差异是否显 著。当总体分布是正态分布，如总体标准差σ未知且样本容量n <30，那么样本平均数与总体平均数的离差统计量呈t 分布。检验统计量为： X t μ σ-=。 如果样本是属于大样本（n >30）也可写成： X t μ σ-=。 在这里，t 为样本平均数与总体平均数的离差统计量； X 为样本平均数； μ为总体平均数； X σ为样本标准差； n 为样本容量。 例：某校二年级学生期中英语考试成绩，其平均分数为73分，标准差为17分，期末考试后，随机抽取20人的英语成绩，其平均分数为79.2分。问二年级学生的英语成绩是否有显著性进步？ 检验步骤如下： 第一步 建立原假设0H ∶μ=73 第二步 计算t 值 79.273 1.63X t μ σ--=== 第三步 判断 因为，以0.05为显著性水平，119df n =-=，查t 值表，临界值0.05(19) 2.093t =，而样本离差的t =1.63小与临界值2.093。所以，接受原假设，即进步不显著。
2.双总体t 检验 双总体t 检验是检验两个样本平均数与其各自所代表的总体的差异是否显著。双总体t 检验又分为两种情况，一是相关样本平均数差异的显著性检验，用于检验匹配而成的两组被试获得的数据或同组被试在不同条件下所获得的数据的差异性，这两种情况组成的样本即为相关样本。二是独立样本平均数的显著性检验。各实验处理组之间毫无相关存在，即为独立样本。该检验用于检验两组非相关样本被试所获得的数据的差异性。 现以相关检验为例，说明检验方法。因为独立样本平均数差异的显著性检验完全类似，只不过0r =。 相关样本的t 检验公式为： t = 在这里，1X ，2X 分别为两样本平均数； 12X σ，2 2X σ分别为两样本方差； γ为相关样本的相关系数。 例：在小学三年级学生中随机抽取10名学生，在学期初和学期末分别进行了两次推理能力测验，成绩分别为79.5和72分，标准差分别为9.124,9.940。问两次测验成绩是否有显著地差异？ 检验步骤为： 第一步 建立原假设0H ∶1μ=2μ 第二步 计算t 值 t = =3.459。 第三步 判断 根据自由度19df n =-=，查t 值表0.05(9) 2.262t =，0.01(9) 3.250t =。由于实际计算出来的t =3.495>3.250=0.01(9)t ，则0.01P <，故拒绝原假设。 结论为：两次测验成绩有及其显著地差异。 检验。
二项分布概念及图表和查表方法
二项分布概念及图表 二项分布就是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。 目录 1 定义 ?统计学定义 ?医学定义 2 概念 3 性质 4 图形特点 5 应用条件 6 应用实例 定义 统计学定义 在概率论和统计学中，二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当 时，二项分布就是伯努利分布，二项分布是显著性差异的二项试验的基础。
医学定义 在医学领域中，有一些随机事件是只具有两种互斥结果的离散型随机事件，称为二项分类变量（dichotomous variable），如对病人治疗结果的有效与无效，某种化验结果的阳性与阴性，接触某传染源的感染与未感染等。二项分布（binomial distribution）就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布。 考虑只有两种可能结果的随机试验，当成功的概率（）是恒定的，且各次试验相互独立，这种试验在统计学上称为伯努利试验（Bernoulli trial）。如果进行次伯努利试验，取得成功次数为的概率可用下面的二项分布概率公式来描述：P=C(X,n)*π^X*(1-π)^(n-X) 二项分布公式 二项分布公式 P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k)，其中C(n, k) =n!/(k!(n-k)!)，注意：第二个等号后面的括号里的是上标，表示的是方幂。
单因素方差分析
综合性课程设计 题目: 某校学生成绩单因素 方差分析 学院：理学院 班级：统计13-2班 学生姓名：黄克韬胡远亮贺鹏杰 学生学号： 27 23 24 指导教师：姚君 2016年 12月 1日
课程设计任务书
目录 摘要.................................................... I 1 问题重述 (1) 2 模型假设 (3) 3 模型建立 (4) 3.1 单因素方差分析前提条件 (4) 3.2 单因素方差分析步骤 (5) 3.3 模型推导 (9) 4 模型求解 (12) 4.1 做出直方图 (12) 4.2 做假设检验 (15) 4.3 检验原假设 (17) 4.4 计算平方和 (19) 4.5 比较F值和临界值 (20) 5 模型检验 (20) 6 模型评价 (27) 7 结论与体会 (28) 8 参考文献 (29) 9 源程序 (30)
摘要 方差分析用于多个样本均数差别的显著性检验。它的基本思想是通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。本文研究学生成绩与课设等级之间的关系，其中可明确观测变量为学生成绩，控制变量为课设等级。由于仅研究单个因素（课设等级）对观测变量（学生成绩）的影响，因此称为单因素方差分析。 本文利用了假设检验和方差分析来对学生成绩进行分析，首先对学生汇编成绩的分布进行假设，其次利用皮尔逊2 对所得的分步进行检验，结合spss数据处理软件求出想要得到的结果，最后用单因素的方差分析判断学生汇编课设等级对学生汇编成绩的影响，从而得出汇编成绩与学生人数之间呈正态分布，学生汇编课设等级对学生汇编成绩有着显著影响。 关键词：假设检验；单因素方差分析；Spss、卡方检验
二项分布概念及图表和查表方法
目录 1 定义 ?统计学定义 ?医学定义 2 概念 3 性质 4 图形特点 5 应用条件 6 应用实例 定义 统计学定义 在概率论和统计学中，二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当 时，二项分布就是伯努利分布，二项分布是显著性差异的二项试验的基础。 医学定义 在医学领域中，有一些随机事件是只具有两种互斥结果的离散型随机事件，称为二项分类变量（dichotomous variable），如对病人治疗结果的有效与无效，某种化验结果的阳性与阴性，接触某传染源的感染与未感染等。二项分布（binomial distribution）就是对这类只具有两种互斥结果的离散型随机事件的规律性进行描述的一种概率分布。
考虑只有两种可能结果的随机试验，当成功的概率（）是恒定的，且各次试验相互独立，这种试验在统计学上称为伯努利试验（Bernoulli trial）。如果进行次伯努利试验，取得成功次数为的概率可用下面的二项分布概率公式来描述：P=C(X,n)*π^X*(1-π)^(n-X) 二项分布公式 表示随机试验的结果。 二项分布公式 如果事件发生的概率是P,则不发生的概率q=1-p，N次独立重复试验中发生K次的概率是P(ξ=K)= C(n,k) * p^k * (1-p)^(n-k)，其中C(n, k) =n!/(k!(n-k)!)，注意：第二个等号后面的括号里的是上标，表示的是方幂。 那么就说这个属于二项分布。其中P称为成功概率。记作ξ~B(n,p) 期望：Eξ=np； 方差：Dξ=npq； 其中q=1-p 证明：由二项式分布的定义知，随机变量X是n重伯努利实验中事件A发生的次数，且在每次试验中A发生的概率为p。因此，可以将二项式分布分解成n个相互独立且以p为参数的（0-1）分布随机变量之和。 设随机变量X（k）(k=1,2,3...n)服从（0-1）分布，则X=X(1)+X(2)+X(3)....X(n). 因X(k)相互独立，所以期望：
样本方差的抽样分布
样本方差的抽样分布 样本方差 先求出总体各单位变量值与其算术平均数的离差的平方，然后再对此变量取平均数，就叫做样本方差。 在许多实际情况下，人口的真实差异事先是不知道的，必须以某种方式计算。当处理非常大的人口时，不可能对人口中的每个物体进行计数，因此必须对人口样本进行计算。样本方差也可以应用于从该分布的样本的连续分布的方差的估计。[ 从一个样本取n个值y1，...，y n，其中n 估计值可以简单地称为样本方差。同样的证明也适用于从连续概率分布中抽取的样本。 样本方差分布 作为随机变量的函数，样本方差本身就是一个随机变量，研究其分布是很自然的。在yi是来自正态分布的独立观察的情况下，s2服从卡方分布： 所以可求;和 如果y i独立同分布，但不一定是正态分布，那么 如果大数定律的条件对于平方观测值同样适用，则s2是σ2的一致估计量。 抽样分布 抽样分布也称统计量分布、随机变量函数分布，是指样本估计量的分布。样本估计量是样本的一个函数，在统计学中称作统计量，因此抽样分布也是指统计量的分布。以样本平均数为例，它是总体平均数的一个估计量，如果按照相同的样本容量，相同的抽样方式，反复地抽取样本，每次可以计算一个平均数，所有可能 样本的平均数所形成的分布，就是样本平均数的抽样分布。 抽样分布定理 (1)从总体中随机抽取容量为n的一切可能个样本的平均数之平均数，等于总体的平均数，即(E为平均的符号,为样本的平均数，μ为总体的平均数)。 (2)从正态总体中，随机抽取的容量为n的一切可能样本平均数的分布也呈正态分布。 (3)虽然总体不是正态分布，如果样本容量较大，反映总体μ和σ的样本平均数的抽样分布，也接近于正态分布。 样本方差的抽样分布 样本方差的抽样分布是指在重复选取容量为n的样本时，样本方差的所有可能取值形成的概率分布。 χ2分布具有如下性质和特点： (1)χ2分布的变量值始终为正。 (2)χ2(n)分布的形状取决与其自由度n的大小，通常为不对称的正偏分布，但随着自由度的增大逐渐趋于对称，如图7-2所示。 (3)χ2分布的期望为E(χ2)=n,方差为D(χ2)=2n(n为自由度)。 (4)χ2分布具有可加性。若U和V为两个独立的χ2分布随机变量，U～χ2(n1)，V～χ2(n2)，则随机变量U+V服从自由度为n1+n2的χ2分布。 SPSS中的单因素方差分析 一、基本原理单因素方差分析也即一维方差分析，是检验由单一因素影响的多组样本某因变量的均值是否有显著差异的问题，如各组之间有显著差异，说明这个因素（分类变量）对因变量是有显著影响的，因素的不同水平会影响到因变量的取值。 二、实验工具 SPSS for Windows 三、试验方法例：某灯泡厂用四种不同配料方案制成的灯丝（filament），生产了四批灯泡。在每批灯泡中随机地抽取若干个灯泡测其使用寿命（单位：小时hours），数据列于下表，现在想知道，对于这四种灯丝生产的灯泡，其使用寿命有无显著差异。 灯泡灯丝 1 2 3 4 5 6 7 8 甲 1600 1610 1650 1680 1700 1700 1780 乙1500 1640 1400 1700 1750 丙 1640 1550 1600 1620 1640 1600 1740 1800 丁1510 1520 1530 1570 1640 1680 四、不使用选择项操作步骤（1）在数据窗建立数据文件，定义两个变量并输入数据，这两个变量是： filament 变量，数值型，取值1、2、3、4 分别代表甲、乙、丙、丁，格式为F1.0，标签为“灯丝”。 Hours 变量，数值型，其值为灯泡的使用寿命，单位是小时，格式为F4.0，标签为“灯泡使用寿命”。 （2）按Analyze，然后Compared Means，然后One-Way Anova 的顺序单击，打开“单因素方差分析”主对话框。 （3）从左边源变量框中选取变量hours，然后按向右箭头，所选去的变量hours 即进入Dependent List 框中。 （4）从左边源变量框中选取变量filament，然后按向右箭头，所选取的变量folament 即进入Factor 框中。 （5）在主对话框中，单击“OK”提交进行。 五、输出结果及分析灯泡使用寿命的单因素方差分析结果 ANQVA Sun of Squares df Mean Square F Sig Between Groups 39776.46 3 13258.819 1.638 .209 Within Groups 178088.9 22 8094.951 Total 217865.4 25 该表各部分说明如下： 第一列：方差来源，Between Groups 是组间变差，Within Groups 是组内变差，Total 是总变差。 第二列：离差平方和，组间离差平方和为39776.46，组内离差平方和为178088.9，总离差平方和为217865.4，是组间离差平方和与组内离差平方和相加而得。 第三列：自由度，组间自由度为3，组内自由度为22，总自由度为25，是组间自由度和组内自由度之和。 第四列：均方，即平方和除以自由度，组间均方是 13258.819，组内均方是8094.951. 第五列：F 值，这是F 统计量的值，其计算公式为模型均方除以误差均方，用来检验模型的显著性，如果不显著说明模型对指标的变化没有解释能力，F 值为1.683. 第六列：显著值，是F 统计量的p 值，这里为0.209. 由于显著值0.209 大于0.05，所以在置信水平0.95 下不能否定零假设，也就是说四种灯丝生产的灯泡，其平均使用寿命美誉显著差异。 六、使用选择项操作步骤七、输出结果及分析描述性统计量表方差一致性检验 Sig 大于0.05，说明各组的方差在0.05 的显著水平上没有显著性差异，即方差具有一致性。 样本方差与总体方差的区别 之前一直对于样本方差与总体方差的概念区分不清，对于前者不仅多了样本”两个字，而且公式中除数是N-1 ,而不是N。现在写下这么写东西，以能彻底把他们的区别搞清楚。 总体方差: 也叫做有偏估计，其实就是我们从初高中就学到的那个标准定义的方差，除数是N。女0果实现已知期望值，比如测水的沸点，那么测量 立的（期望值不依测量值而改变，随你怎么折腾，温度计坏了也好，看反了也好，总之，期望值应该是100度），那么E『（X-期望）人2』，就有10个自由度。事实上，它等于（X- 期望）的方差，减去（X-期望）的平方。”所以叫做有偏估计，测量结果偏于那个”已知的期望值“。样本方差: 无偏估计、无偏方差（unbiased varianee ）。对于一组随机变量，从中随机抽取N个样本, 这组样本的方差就是Xi^2平方和除以N-1。这可以推导出来的。如果现在往水里撒把盐, 水的沸点未知了，那我该怎么办？我只能以样本的平均值，来代替原先那个期望100度。同 样的过程，但原先的（X-期望），被（X-均值）所代替。设想一下（Xi-均值）的方差，它 不在等于Xi的方差，而是有一个协方差，因为均值中，有一项Xi/n是和Xi相关的，这就 是那个”偏"的由来 刊屮）二 Ei a.—-￡（A;-W） f=l 9 =rr 一 证明: 10次，测量值和期望值之间是独 DGH 兀） 担工加D （X ；）） g ? u 曰右力m-工P) 占E (m ：-寸) __________ ■!■ A^(E ：=iCV —2A ；T + X-)) 闵肯) ) + ￡：D) n(<7- + //-) E(X 力二丫) nE(X~) MD(X) + E2(X)) M 吟+ “?) 尙e + //-) - 角F + "') t7- 证毕?? D(X)二 --- ◎ E(f)= D(X) + Eh 工) E{S-)= ￡(E ； =1 A ；y )= 二项分布期望和方差推导 若随机变量),(~p n B X ，则np X E =)(，)1()(p np X D -= 二项分布数学期望的证明： 注意到11--=k n k n nC kC （证明：11)]! 1()1[()!1()!1()!()!1()!1()!(!!--=---?--?=-?--?=-??=k n k n nC k n k n n k n k n n k n k n k kC ） 所以n n p p C X E )1(0)(00-?=111)1(1--?+n n p p C Λ+-?+-222) 1(2n n p p C Λ+-?+-k n k k n p p C k )1( 111)1()1(p p C n n n n -?-+--0)1(p p C n n n n -?+ 1101)1(---?=n n p p C n Λ+-?+--2211)1(n n p p C n Λ+-+---k n k k n p p nC ) 1(11 1121)1(p p C n n n n -?+---011 )1(p p C n n n n -?+-- 101)1([---=n n p C np Λ+-+--2111)1(n n p p C Λ+-+----k n k k n p p C )1(1111221)1(p p C n n n -+---])1(0111p p C n n n -+--- np p p np n =+-=-1])1[(，故np p p C i X E n i i n i i n ∑=-=-?=0)1()(； 二项分布方差的证明：)1()(p np X D -= 证明：i n i i p X E x X D ?-= ∑-12)]([)(i n i i i p X E X E x x ∑-?+-=122)]()(2[∑-??+?-?=n i i i i i i p X E p X E x p x 122])()(2[ ∑∑∑-=-?+?-?=n i n i i n i i i i i p X E p X E x p x 11 212 )()(2)()(22X E X E -= 故任何离散随机变量的方差均满足式子：)()()(22X E X E X D -= 当随机变量),(~p n B X 时，=)(X D 20 2)()1(np p p C i i n i n i i n --?-=∑ i n i n i i n p p C i i -=-?-=∑)1()1(0 220)1(p n p p C i i n i n i i n --?+-=∑（注意np p p C i X E n i i n i i n ∑=-=-?=0)1()(） i n i n i i n p p iC i -=-?-=∑)1()1(222p n np -+i n i n i i n p p nC i -=---?-=∑)1()1(21122p n np -+ i n i n i i n p p C i n -=---?-?=∑)1()1(21122p n np -+i n i n i i n p p C n n --=---?-?=∑)1()1(22 2222p n np -+ i n i n i i n p p C n n -=---?-=∑)1()1(22222p n np -+i n i n i i n p p C p n n --=---?-=∑)1()1(22 22222p n np -+ （指数之后凑组合数下标2-n ，利用展开式i i n n i i n n b a C b a ---=--∑=+22022) (） i n i n i i n p p C p n n ---=--?-=∑22 022 )1()1(22p n np -+ 二项分布中方差的计算 假设ξ~B (n ,p ), 即k n k k n q p C k P -==}{ξ 考虑E [ξ(ξ-1)]=Eξ2-Eξ 而 ∑∑ ∑∑=----=-=-=--=-----?-?=--=-=-n k k n k k n n k k n k n k k n k n k k n k k n q p C p n n q p k n k n n n q p k n k n k k q p C k k E 2 222222 )1()]!2(2[)!2()!2()1()! (!! ) 1()1()]1([ξξ 令2-=k i 上式=222220 22 2 )1()1(np p n p n n q p C p n n n i i n i i n -=-=-∑-=--- 即2222np p n E E -=-ξξ, 再将E ξ=np 代入上式,得)1(222222p np p n np np p n E -+=+-=ξ 最后得npq np p np p n E E D =--+=-=22222)()1()(ξξξ 例1的分布图 例2的分布图 4.2 超几何分布 例1的图形： 例2的图形： 定义4.2 设N 个元素分为两类, 有N 1个属于第一类, N 2个属于第二类(N 1+N 2=N ). 从中不重复抽样取n 个, 令ξ表示这n 个中第一类元素的个数, 则ξ的分布称为超几何分布, ),....,1,0()(2 1n m C C C m P n N m n N m N == =-ξ 规定: 如n 该理论包含两个重要内容：均值－方差分析方法和投资组合有效边界模型。在发达的证券市场中，马科维茨投资组合理论早已在实践中被证明是行之有效的，并且被广泛应用于组合选择和资产配置。但是，我国的证券理论界和实务界对于该理论是否适合于我国股票市场一直存有较大争议。从狭义的角度来说，投资组合是规定了投资比例的一揽子有价证券，当然，单只证券也可以当作特殊的投资组合。本文讨论的投资组合限于由股票和无风险资产构成的投资组合。人们进行投资，本质上是在不确定性的收益和风险中进行选择。投资组合理论用均值—方差来刻画这两个关键因素。所谓均值，是指投资组合的期望收益率，它是单只证券的期望收益率的加权平均，权重为相应的投资比例。当然，股票的收益包括分红派息和资本增值两部分。所谓方差，是指投资组合的收益率的方差。我们把收益率的标准差称为波动率，它刻画了投资组合的风险。人们在证券投资决策中应该怎样选择收益和风险的组合呢？这正是投资组合理论研究的中心问题。投资组合理论研究“理性投资者”如何选择优化投资组合。所谓理性投资者，是指这样的投资者：他们在给定期望风险水平下对期望收益进行最大化，或者在给定期望收益水平下对期望风险进行最小化。因此把上述优化投资组合在以波动率为横坐标，收益率为纵坐标的二维平面中描绘出来，形成一条曲线。这条曲线上有一个点，其波动率最低，称之为最小方差点（英文缩写是MVP）。这条曲线在最小方差点以上的部分就是著名的（马考维茨）投资组合有效边界，对应的投资组合称为有效投资组合。投资组合有 效边界一条单调递增的凹曲线。如果投资范围中不包含无风险资产（无风险资产的波动率为零），曲线AMB是一条典型的有效边界。A点对应于投资范围中收益率最高的证券。如果在投资范围中加入无风险资产，那么投资组合有效边界是曲线AMC。C点表示无风险资产，线段CM是曲线AMB的切线，M是切点。M点对应的投资组合被称为“市场组合”。如果市场允许卖空，那么AMB 是二次曲线；如果限制卖空，那么AMB是分段二次曲线。在实际应用中，限制卖空的投资组合有效边界要比允许卖空的情形复杂得多，计算量也要大得多。在波动率－收益率二维平面上，任意一个投资组合要么落在有效边界上，要么处于有效边界之下。因此，有效边界包含了全部（帕雷托）最优投资组合，理性投资者只需在有效边界上选择投资组合。 [编辑本段]现代投资理论的产生与发展 现代投资组合理论主要由投资组合理论、资本资产定价模型、APT模型、有效市场理论以及行为金融理论等部分组成。它们的发展极大地改变了过去主要依赖基本分析的传统投资管理实践，使现代投资管理日益朝着系统化、科学化、组合化的方向发展。1952年3月，美国经济学哈里·马考威茨发表了《证券组合选择》的论文，作为现代证券组合管理理论的开端。马克威茨对风险和收益进行了量化，建立的是均值方差模型，提出了确定最佳资产组合的基本模型。由于这一方法要求计算所有资产的协方差矩阵，严重制约了其在实践中的应用。1963年，威廉·夏普提出了可以对协方差矩阵加以 相关系数r AB 的计算公式的推导 设A i 、B i 分别表示证券A 、证券B 历史上各年获得的收益率；A 、B 分别表示证券A 、证券B 各年获得的收益率的平均数；P i 表示证券A 和证券B 构成的投资组合各年获得的收益率，其他符号的含义同上。 2 A σ=11-n 2 )(∑-A A i 2B σ=11-n )(B B i -∑2 2P σ= 11-n 2 )1 (∑∑ - i i P n P =2 )](1 )[(11i B i A i B i A B A A A n B A A A n +- +-∑∑ =2 )]()[(11 B A A A B A A A n B A i B i A +-+-∑ =2 )]()([1 1 B B A A A A n i B i A -+--∑ = )])((2)()([1 1 2 222B B A A A A B B A A A A n i i B A i B i A --+-+--∑ =A 2A × 22 1 ) (B i A n A A +--∑× 1 )] )([(21 ) (2 ---+ --∑∑n B B A A A A n B B i i B A i =A 1 )])([(22222---? ++∑n B B A A A A A i i B A B B A A σ σ 对照公式（1）得： = 1 )(2 --∑ n A A i × 1 )(2 --∑ n B B i × r AB ∴ r AB = ∑∑∑-? ---2 2 ) ()()] )([(B B A A B B A A i i i i 这就是相关系数r AB 的计算公式。 投资组合风险分散化效应的内在特征 1.两种证券构成的投资组合为最小方差组合（即风险最小）时各证券投资比例的测定 公式（1）左右两端对A A 求一阶导数，并注意到A B =1—A A ： (2 P σ)′=2 A A 2 A σ－2 (1－A A )2 B σ＋2 (1－A A )B A σσ r AB －2A A B A σσ r AB 令 (2 P σ)′= 0 并简化，得到使2 P σ取极小值的A A ： AB B A i i r n B B A A σσ=---∑1 )])([( 4EX np ∴== 100.40.6 2.4DX npq ==??= 222() 2.4418.4EX DX EX =+=+= 12. 解：8n =，0.2p = 根据二项分布的数学期望和方差的公式 1.6EX np == (1) 1.28DX npq np p ==-= 求解得 8n =，0.2p = 13. 解： ~(1,)B p ξ 2(1)9D p p ξ∴=-= 解方程2209 p p -+=，得23p =或13p = ξ∴的概率函数为 {}1(1)(0,1)k k p k p p k ξ-==-= 将13p =或23 p =代入，得ξ的概率函数为 {}121()()33 k k p k ξ-== 或 {}112()()(0,1)33k k p k k ξ-=== 14. 解：设ξ的概率密度为 1,()0, a x b f x b a ?≤≤?=-???其他 =3E ξ，1=3D ξ ∴得方程组2+=32()1 =12 3a b b a ????-???，解得24a b =??=? 1,24()=20x f x ?≤≤?∴???其他 ξ为连续型随机变量 {}=2=0p ξ∴ {}3312111<<3=()==22 p f x dx dx ξ?? 15. 解：设ξ表示直到取到废品为止所要取的产品个数，则ξ的概率函数 {}-1 ==0.050.95(=1,2,)k p k k ξ???? 当{}-1 ==(1)(=1,2,)k p k p p k ξ-???时，由幂级数 -12=1 1= (1)n n nx x ∞-∑ 2-13 =11=(1)n n x n x x ∞+-∑ 可计算 -1=11=(1)=k k E kp p p ξ∞-∑ 2-122=1 1=(1)()= k k p D k p p E p ξξ∞---∑ 本题中=0.05p 1==200.05 E ξ∴， 210.05==19.490.05 D ξ- 16. 解：8 22[()]DX EX E x =- 222[()]428EX DX E x ∴=+=+= 17. 解：由题意X 的分布律为 {}=(0)!k p X k e k λλλ-=> SPSS--One-Way ANOVA过程--单因素方差分析 One-Way ANOVA过程 该命令用于两组及多组独立样本平均数差异显著性的比较，即成组设计的方差分析。还可进行随后的两两成对比较。 1 界面说明 【Dependent List框】 选入需要分析的变量，可选入多个结果变量（因变量）。 【Factor框】 选入需要比较的分组因素，只能选一个。 【Contrast钮】 弹出Contrast对话框，用于对精细趋势检验和精确两两比较的选项进行定义，该对话框比较专业，也较少用，这里做简单介绍。?Polynomial复选框定义是否在方差分析中进行趋势检验。?Degree下拉列表和Polynomial复选框配合使用，可选则从线性趋势一直到最高五次方曲线来进行检验。 ?Coefficients框定义精确两两比较的选项。按分组变量升序给每组一个系数值，注意最终所有系数值相加应为0。如果不为0仍可检验，只不过结果是错的。比如说在下面的例2要对一、三组进行单独比较，则在这里给三组分配系数为1、0、-1，就会在结果中给出相应的检验内容。 【Post Hoc按钮】 弹出Post Hoc Multiple Comparisons对话框，用于选择进行各组间两两比较的方法： ?EquaL Variances Assumed复选框：当各组数据方差齐性时的两两比较方法，共14种。其中最常用的为LSD和S-N-K法。?EquaL Variances Not Assumed复选框:当各组方差不齐性时的两两比较方法，共4种，其中以Dunnetts's C法较常用。?Significance Level框定义两两比较时的显著性水平，默认为0.05。 【Options按钮】 弹出Options对话框，用于定义相关的选项： ?Statistics复选框：选择一些附加的统计分析项目，有统计描述（Descriptive）和方差齐性检验 （Homogeneity-of-variance）。 ?Means plot复选框：用各组均数做图，直观了解它们的差异。 ?Missing Values单选框组：定义分析中对缺失值的处理方法，可以是具体分析时用到的变量有缺失值才去除该记录 （Excludes cases analysis by analysis），或只要相关变spss中的单因素方差分析
样本方差与总体方差的区别
二项分布期望和方差的推导过程
二项分布中方差的计算
均值-方差分析方法和投资组合有效边界模型。
第三章附录：相关系数r 的计算公式的推导
二项分布的数学期望和方差
One-Way-ANOVA过程--单因素方差分析