《MATLAB统计分析与应用》期末报告.doc

XX学院课程考查报告 考查课程：专业技能实训 （2017——2018学年度第一学期） 适用于2014级统计学专业 课程名称：《MATLAB统计分析与应用》 学生学号：2014 学生姓名： 任课教师： 成绩： 完成日期： 2017 年 12 月 24 日 作业选题： 案例17：核密度估计 案例35：从协方差矩阵或相关系数矩阵出发求解主成分 实验相关理论简介 核密度估计 核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。 在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。 主成分分析首先是由K.皮尔森（Karl Pearson）对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 实验过程 【案例17】核密度估计 命令: score=score(score0); [f_ecdf,xc]=ecdf(score); figure; ecdfhist(f_ecdf,xc,7); hold on; xlabel(Score); ylabel(f(x)); [f_ksl,xi1,u1]=ksdensity(score); plot(xi1,f_ksl,k,linewidth,10) ms=mean(score); ss=std(score); f_norm=normpdf(xi1,ms,ss); plot(xi1,f_norm,r--,linewidth,8) legend(frequency histogram,kernel density estimation,normal distribution,Location,NorthWest) [f_ks1,xi1]=ksdensity(score,width,0.1); [f_ks2,xi2]=ksdensity(score,width,1); [f_ks3,xi3]=ksdensity(score,width,5); [f_ks4,xi4]=ksdensity(score,width,9); figure; plot(xi1,f_ks1,c-.,linewidth,8); hold on; xlabel(Score); ylabel(kernel density estimation); [f_ksl,xi1,u1]=ksdensity(score); plot(xi2,f_ks2,r:,linewidth,10); plot(xi3,f_ks3,k,linewidth,10); plot(xi4,f_ks4,b--,linewidth,10); legend(width=0.1,,width=1,width=5,width=9,Location,NorthWest) [f_ks1,xi1]=ksdensity(score,kernel,normal); [f_ks2,xi2]=ksdensity(score,kernel,box); [f_ks3,xi3]=ksdensity(score,kernel,triangle); [f_ks4,xi4]=ksdensity(score,kernel,epanechnikov); figure; plot(xi1,f_ks1,k.,linewidth,8); hold on; xlabel(Score); ylabel(kernel density estimation); [f_ksl,xi1,u1]=ksdensity(score); plot(xi2,f_ks2,r:,linewidth,10); plot(xi3,f_ks3,b--,linewidth,10); plot(xi4,f_ks4,c--,linewidth,10); legend(Gaussian,,Uniform,Triangle,Epanechnikov,Location,NorthWest); figure; [h,stats]=cdfplot(score); set(h,color,r,LineStyle,:,LineWidth,10); ho