多元统计分析方法
研究生数学教案：多元统计分析方法介绍
研究生数学教案：多元统计分析方法介绍
1. 引言
1.1 概述
研究生数学教育一直以来都是培养学生的数学思维、分析能力和解决问题的能力的重要环节之一。
多元统计分析方法作为一种强大的数学工具，被广泛应用于各个领域的研究与实践中，可以帮助研究者在面对复杂数据时提取有用信息、进行统计推断和预测模型建立等方面发挥重要作用。
1.2 文章结构
本文将从以下几个方面介绍多元统计分析方法：
（1）概述多元统计分析方法的基本概念和应用领域；
（2）介绍主成分分析法及其在数据降维和特征提取中的应用；
（3）详细讲解聚类分析方法，并探讨其在数据分类和模式识别中的应用；（4）阐述判别分析方法，并说明其在区分不同样本群体中起到的重要作用；（5）探索因子分析法并讨论其在求解变量之间关系以及数据降维方面所起到的作用。
1.3 目的
本文旨在向研究生们全面介绍多元统计分析方法的概念、原理和应用，帮助读者
了解多元统计分析方法在实际问题中的具体作用，并能够灵活运用这些方法进行数据分析与处理。
通过本文的阅读和学习，读者将能够更深入地理解多元统计分析的思想，为今后的研究工作提供有力支持。
同时，本文还将为教师们提供一份可供参考的研究生数学教案，以促进教学效果的提升。
以上就是本文引言部分的内容。
通过对多元统计分析方法展开讲解，我们将逐步深入了解其各个方面的知识和应用案例。
在剩下的部分中，我们将详细介绍主成分分析法、聚类分析法、判别分析法和因子分析法等内容。
请继续阅读后续章节以获取更多相关知识。
综合评价的多元统计分析方法
综合评价的多元统计分析方法一、本文概述本文旨在深入探讨综合评价的多元统计分析方法，阐述其在各个领域的广泛应用及其实践价值。
随着大数据时代的到来，多元统计分析在综合评价中的地位日益凸显，其不仅能够帮助研究者从多个维度和角度全面、系统地分析数据，还能为决策提供更为科学、合理的依据。
本文将从多元统计分析的基本概念出发，详细介绍其在综合评价中的应用原理、常用方法以及实际案例，以期为读者提供一套完整、实用的多元统计分析方法体系，为相关领域的实践工作提供有益的参考。
二、多元统计分析方法概述在现代数据分析中，多元统计分析方法占据了至关重要的地位。
这些方法允许研究者同时分析多个变量，从而更全面地理解数据背后的复杂关系。
多元统计分析方法不仅扩展了传统单变量统计分析的视野，而且通过揭示变量之间的内在联系，为决策制定和预测提供了更为精确和全面的信息。
多元统计分析方法主要包括多元线性回归、主成分分析、因子分析、聚类分析和判别分析等。
每种方法都有其特定的应用场景和优势。
例如，多元线性回归用于探究多个自变量与因变量之间的线性关系；主成分分析则通过降维技术，提取数据中的主要信息；因子分析则用于揭示变量背后的潜在结构；聚类分析根据数据的相似性将数据分为不同的群体；而判别分析则用于确定样本所属的类型或群体。
这些方法在综合评价中都有着广泛的应用。
通过综合评价，我们可以对一个对象或系统的多个方面进行量化评估，进而得出一个综合的、全面的评价结果。
在这个过程中，多元统计分析方法提供了强大的工具支持，帮助我们更准确地理解和分析评价对象的各个方面，为决策提供科学依据。
随着数据分析技术的不断发展，多元统计分析方法也在不断更新和完善。
这些方法的应用范围也在不断扩大，从社会科学、经济管理到生物医学等领域，都可以看到多元统计分析方法的身影。
未来，随着大数据和技术的进一步发展，多元统计分析方法将在综合评价中发挥更加重要的作用。
三、主成分分析在综合评价中的应用主成分分析（Principal Component Analysis, PCA）是一种广泛应用于多元统计分析的降维技术，其核心思想是通过正交变换将原始变量转换为新的线性无关的综合变量，即主成分。
统计学中的多元统计分析方法
统计学中的多元统计分析方法多元统计分析是统计学的一个重要分支，用于处理多个变量之间的关系和相互作用。
它提供了一种全面理解和解释数据的方式，使我们能够更好地理解现象和预测未来趋势。
在本文中，我们将介绍几种常见的多元统计分析方法，并讨论它们的应用场景和计算步骤。
一、主成分分析（Principal Component Analysis，PCA）主成分分析是一种无监督学习方法，用于降低数据维度并发现主要成分。
其目标是通过线性变换将高维数据转化为低维表示，以便更好地解释数据的方差。
主成分分析通过计算特征值和特征向量来确定主要成分，并将数据投影到这些主成分上。
主成分分析常用于数据降维和可视化。
二、因子分析（Factor Analysis）因子分析是一种用于统计数据降维和变量关系分析的方法。
它通过将一组观测变量解释为一组潜在因子来发现数据背后的结构。
因子分析可以帮助我们理解变量之间的相关性，发现潜在的构成因素，并将多个变量归纳为更少的几个因子。
因子分析在市场研究、心理学和社会科学等领域得到广泛应用。
三、判别分析（Discriminant Analysis）判别分析是一种监督学习方法，用于寻找最佳分类边界，并将数据点分配到不同的类别中。
判别分析通过计算组间方差和组内方差来确定最优的分类边界。
它常用于模式识别、生物医学和金融领域等。
通过判别分析，我们可以了解变量对于区分不同类别的贡献程度，并进行有效的样本分类。
四、聚类分析（Cluster Analysis）聚类分析是一种无监督学习方法，用于将相似的数据点组合成不同的类别或群集。
聚类分析通过度量数据点之间的相似性来揭示数据的内在结构。
常见的聚类方法包括K均值聚类和层次聚类。
聚类分析在市场细分、图像分析和生物学分类等领域具有重要应用。
五、回归分析（Regression Analysis）回归分析是一种用于建立变量之间关系模型的方法。
它通过拟合一个数学模型来预测一个或多个自变量对应因变量的值。
多元统计分析
多元统计分析的定义多元统计分析是运用数理统计的方法来研究多变量（多指标）问题的理论和方法，是一元统计学的推广。
多元统计分析是研究多个随机变量之间相互依赖关系以及内在统计规律的一门统计学科。
多元统计分析的内容和方法1、简化数据结构（降维问题）将具有错综复杂关系的多个变量综合成数量较少且互不相关的变量，使研究问题得到简化但损失的信息又不太多。
（1）主成分分析（2）因子分析（3）对应分析等2、分类与判别（归类问题）对所考察的变量按相似程度进行分类。
（1）聚类分析：根据分析样本的各研究变量，将性质相似的样本归为一类的方法。
（2）判别分析：判别样本应属何种类型的统计方法。
3、变量间的相互联系一是：分析一个或几个变量的变化是否依赖另一些变量的变化。
（回归分析）二是：两组变量间的相互关系（典型相关分析）多元统计分析的理论基础1、矩阵2、多元正态分布欧氏距离和马氏距离1、欧氏距离（直线距离）（1）优点（2）缺陷：权重被忽略和量纲不一致时处理不当2、马氏距离（1）优点：克服量纲、克服指标间相关性影响（2）缺点：确定协方差矩阵困难假设检验的基本原理小概率事件原理小概率思想是指小概率事件（P<0.01或P<0.05等）在一次试验中基本上不会发生。
反证法思想是先提出假设(检验假设H0)，再用适当的统计方法确定假设成立的可能性大小，如可能性小,则认为假设不成立；反之，则认为假设成立。
假设检验的步骤（1）提出一个原假设和备择假设（2）确定检验统计量（3）确定显著性水平α（4）计算检验统计量的值并进行判断均值向量的检验正态总体均值检验的类型1）根据样本对其总体均值大小进行检验（One-Sample T Test ）：如妇女身高的检验。
2）根据来自两个总体的独立样本对其总体均值的检验（Indepent Two-Sample T Test ）：如两个班平均成绩的检验。
3）配对样本的检验（Pair-Sample T Test ）：如减肥效果的检验。
多元统计分析方法的应用
多元统计分析方法的应用多元统计分析是一种数据分析方法，主要用于研究多个变量之间的关系。
它可以帮助研究者从大量数据中提取出有意义的信息，揭示隐藏在数据背后的模式和规律。
多元统计分析方法在各个领域都有广泛的应用，包括社会科学、医学、经济学、生态学等。
在社会科学领域，多元统计分析方法可以被用来研究人们的行为和心理状态。
通过对多个变量的测量和分析，可以揭示人们的态度、价值观、行为习惯等方面的关系。
例如，可以用多元回归分析来研究个体的幸福感与收入、教育程度、家庭关系等因素之间的关系。
这种方法可以帮助社会科学家更好地理解人们的生活状况和幸福感的影响因素。
在医学研究中，多元统计分析方法可以帮助研究者分析病人的病情和治疗效果。
例如，可以利用多变量方差分析方法研究不同药物治疗效果的差异，从而确定最佳的治疗方案。
此外，多元统计分析方法还可以用于探索与疾病发生有关的因素。
通过对多个变量的相关性分析，可以找出与疾病风险相关的因素，为预防和治疗提供依据。
经济学领域也广泛使用多元统计分析方法来研究经济现象。
例如，可以通过聚类分析方法研究不同地区的经济发展水平和发展模式。
通过对多个变量的聚类，可以将相似的地区或国家划分到同一类别中，帮助研究者了解不同地区的经济特点和模式。
此外，多元统计分析方法还可以用于经济预测和模型构建，帮助经济学家预测未来的经济走势和制定相应的政策。
生态学研究也经常使用多元统计分析方法来研究生态系统的结构和功能。
例如，可以通过主成分分析方法研究不同环境因素对物种多样性的影响。
通过对多个变量的分析，可以发现不同环境因素对物种多样性的贡献程度，帮助保护生物多样性和生态系统的可持续发展。
此外，多元统计分析方法还可以用于生态模型的构建和预测，帮助研究者模拟生态系统的变化和探索管理策略。
总的来说，多元统计分析方法在各个领域都有重要的应用价值。
它可以帮助研究者探索大量数据底下的模式和规律，揭示变量之间的关系，从而为决策和管理提供科学依据。
市场研究中的多元统计分析方法
市场研究中的多元统计分析方法市场研究中的多元统计分析方法是一种统计分析工具，广泛应用于市场研究中，用于研究市场上的人口统计学特征、购买行为、品牌偏好等各种因素之间的关系。
这些方法可以帮助市场研究人员深入了解消费者对产品或服务的态度和行为，为企业的市场决策提供有力的支持。
多元统计分析方法主要包括主成分分析（Principal Component Analysis，PCA）、聚类分析（Cluster Analysis）、判别分析（Discriminant Analysis）和因子分析（Factor Analysis）等。
以下将介绍其中的几种常用多元统计分析方法：1. 主成分分析（PCA）：主成分分析是一种降维技术，通过寻找原始数据中的主要信息，将大量变量转化为较少的几个主成分。
通过PCA分析，市场研究人员可以确定消费者行为中的主要因素，从而更好地理解市场细分和产品定位。
例如，PCA 可以将多个购买偏好变量转化为几个主成分，进一步揭示不同消费者群体之间的共同特征。
2. 聚类分析（Cluster Analysis）：聚类分析是将不同样本归类到相似的组中的一种方法。
通过计算各个样本之间的相似性，可以将市场中的消费者划分为不同的群体。
聚类分析可以帮助市场研究人员发现市场中的潜在市场细分，并对不同群体的特征和需求进行深入了解。
3. 判别分析（Discriminant Analysis）：判别分析是一种统计方法，用于确定哪些变量能够最好地区分不同的样本群体。
通过判别分析，市场研究人员可以了解哪些因素对于字经济特征或购买行为等方面有显著影响。
例如，判别分析可以帮助企业判断某一品牌在不同消费者群体中的影响力或市场份额。
4. 因子分析（Factor Analysis）：因子分析是一种可以揭示多个变量之间的隐藏关系的方法。
通过这种分析方法，市场研究人员可以辨别出共同维度，从而理解市场中的不同变量之间的关系。
例如，因子分析可以揭示购买行为中的主要因素，如产品价格、品牌认知、产品质量等。
多元统计分析方法
多元统计分析方法
互联网技术的快速发展为各类数据挖掘活动极大地提升了可能性。
一旦数据被
收集，数据挖掘技术就能揭示其背后潜在的有价值信息。
在许多场景下，多元统计分析方法可以用来改善对数据的理解，发现新的复杂关系，从而获得有价值的结果。
多元统计分析方法包括因子分析，主成分分析和聚类分析。
因子分析旨在确定
各个变量之间的潜在相关性，以确定其中的关键贡献因子。
主成分分析是将大数据集分解为较少的特征，以获得简洁的结果，减少对模型的过拟合。
聚类分析实质上是一种分组数据的技术，可以根据样本的特征来估算它们之间的相似性，并预测未来发展趋势。
多元统计分析方法能有效利用互联网时代的大量技术和社会数据，从而帮助开
发者提高应用程序的效率和性能。
例如，可以通过因子分析框架对一组数据进行分析，以确定其中的主要贡献因子，为后续行为做出更好的决策。
使用多元统计分析方法，开发者可以更好地理解现有数据，并根据不断变化的信息体系作出更有效的响应。
数据挖掘不仅有助于分析用户习惯，还可以为业务发展提供创新策略。
基于以上考虑，可以看出，在互联网时代，多元统计分析方法发挥着重要作用，为解决各类数据挖掘问题提供了基础支持，使得现代应用及服务能够以更高的效率实现更好的用户体验和营销技术。
因此，值得各相关联方价值多元统计分析方法加以重视，以促进更加成功的数据挖掘活动。
多元统计分析方法的基本原理与应用
多元统计分析方法的基本原理与应用在现代社会，数据的产生和积累日益庞大，从而越来越需要一种科学有效的分析方法来提取其中的有用信息。
多元统计分析作为一种重要的数据分析方法，被广泛应用于各个领域，如社会科学、经济学、医学等。
本文将介绍多元统计分析方法的基本原理与应用。
一、多元统计分析方法的基本原理多元统计分析方法是一种通过对多个变量进行综合分析，揭示变量之间关系的统计学方法。
其基本原理可以概括为以下几点：1. 变量间的相关性：多元统计分析通过计算不同变量之间的相关系数，来衡量它们之间的关联程度。
常用的相关系数包括皮尔逊相关系数、斯皮尔曼相关系数等。
2. 因子分析：通过因子分析，可以将多个变量通过主成分分析等方法进行综合，得到较少数量的综合变量，从而减少分析的复杂性，更好地理解变量之间的关系。
3. 多元回归分析：多元回归分析是一种用于解释一个因变量与多个自变量之间关系的方法。
通过建立回归方程并进行显著性检验，可以确定哪些自变量对因变量的解释具有显著影响。
二、多元统计分析方法的应用多元统计分析方法在实际应用中具有广泛的适用性，以下是几个典型的应用领域：1. 社会科学研究：在社会科学研究中，人们通常需要分析多个指标或变量对某一社会现象的影响。
例如，通过多元回归分析可以研究教育程度、收入水平、家庭背景等对人们的幸福感的影响。
2. 经济学研究：在经济学研究中，多元统计分析方法可以应用于宏观经济数据的分析，如GDP、通货膨胀率、失业率等指标之间的关系。
通过分析这些指标的相关性，可以预测经济走势及采取相应的调控措施。
3. 医学研究：多元统计分析方法在医学研究中有着重要的应用价值。
例如，在流行病学研究中，通过分析多个危险因素与疾病发生的关系，可以评估危险因素的重要性，并制定预防措施。
4. 数据挖掘与机器学习：多元统计分析方法广泛应用于数据挖掘和机器学习领域。
通过分析大量的数据集，可以发现数据中隐藏的规律和信息，为决策提供支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多元统计分析方法Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】多元统计分析概述目录一、引言 (3)二、多元统计分析方法的研究对象和主要内容 (3)1.多元统计分析方法的研究对象 (3)2.多元统计分析方法的主要内容 (3)三、各种多元统计分析方法 (3)1.回归分析 (3)2.判别分析 (6)3.聚类分析 (8)4.主成分分析 (10)5.因子分析 (10)6. 对应分析方法 (11)7. 典型相关分析 (11)四、多元统计分析方法的一般步骤 (12)五、多元统计分析方法在各个自然领域中的应用 (12)六、总结 (13)参考文献 (14)谢辞 (15)一、引言统计分布是用来刻画随机变量特征及规律的重要手段，是进行统计分布的基础和提高。
多元统计分析方法则是建立在多元统计分布基础上的一类处理多元统计数据方法的总称，是统计学中的具有丰富理论成果和众多应用方法的重要分支。
在本文中，我们将对多元统计分析方法做一个大体的描述，并通过一部分实例来进一步了解多元统计分析方法的具体实现过程。
二、多元统计分析方法的研究对象和主要内容（一）多元统计分析方法的研究对象由于大量实际问题都涉及到多个变量，这些变量又是随机变量，所以要讨论多个随机变量的统计规律性。
多元统计分析就是讨论多个随机变量理论和统计方法的总称。
其内容包括一元统计学中某些方法的直接推广，也包括多个随即便量特有的一些问题，多元统计分析是一类范围很广的理论和方法。
现实生活中，受多个随机变量共同作用和影响的现象大量存在。
统计分析中，有两种方法可同时对多个随机变量的观测数据进行有效的分析和研究。
一种方法是把多个随机变量分开分析，一次处理一个随机变量，分别进行研究。
但是，这样处理忽略了变量之间可能存在的相关性，因此，一般丢失的信息太多，分析的结果不能客观全面的反映整个问题，而且往往也不容易取得好的研究结论。
另一种方法是同时对多个随机变量进行研究分析，此即多元统计方法。
通过对多个随即便量观测数据的分析，来研究随机变量总的特征、规律以及随机变量之间的相互关系。
所以，多元统计分析是研究多个随机变量之间相互依赖关系及内在统计规律的一门统计学科。
（二）多元统计分析方法的主要内容近年来，随着统计理论研究的不断深入，多元统计分析方法的内容一直在丰富。
其中，主要内容包括多元正态总体参数估计、假设检验和常用的多元统计方法。
多元正态总体参数估计、假设检验是多元统计推断的核心和基础，而常用的多元统计分析方法则是具体应用。
从形式上，常用多元统计分析方法可划分为两类：一类属于单变量常用的统计方法在多元随机变量情况下的推广和应用，如多元回归分析，典型相关分析等；另一类是对多元变量本身进行研究所形成的一些特殊方法。
如主成分分析，因子分析，聚类分析，判别分析，对应分析等。
三、各种多元统计分析方法具体来说，常用的多元统计分析方法主要包括：多元回归分析、聚类分析、判别分析、主成分分析、因子分析、对应分析、典型相关分析等。
下面我们对各种多元统计分析方法就行分别描述，（一）回归分析回归分析是最灵活最常用的统计分析方法之一，它用于分析一个因变量与一个或多个自变量之间的关系。
特别是用于：(1)定量的描述和解释相互关系；(2)估测或预测因变量的值。
回归分析方法是在众多的相关变量中，根据实际问题考察其中一个或多个变量与其余变量的依赖关系。
如果只要考察一个变量与其余多个变量之间的相互依赖关系，我们称为多元回归问题。
若要同时考察多个因变量与多个自变量之间的相互依赖关系，我们称为多因变量的多元回归问题。
多元回归分析是研究因变量Y 与m 个自变量12···m x x ，，，x 的相关关系 ，而且总是假设因变量Y 为随机变量，而12···m x x ，，，x 为一般变量。
下面我们来看一下多元线性回归模型的建立。
假定因变量Y 与12···m x x ，，，x 线性相关。
收集到的n 组数据（12,,,t t t tm y x x x ，）（t=1,2,···n ）满足以下回归模型：{11022···+(1,2,,)()0,(),(,)0()~(0,),t t m tm t t t i j t y x x t n E Var Cov i j N βββεεεσεεεσ=+++====≠或相互独立(t=1,2,n).记C=11111(1)1m n n nm x x X xx ⎛⎫⎪= ⎪ ⎪⎝⎭， 011212,,n m n y y y Y βεβεβεβε⎡⎤⎡⎤⎡⎤===⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦则所建回归模型的矩阵形式为{2()(),0,,n n Y C E D I εεβεσ=+==或{2,~(0,),n n Y C N I βεεσ=+并称它们为经典多元回归模型，其中Y 是可观测的随机向量，ε是不可观测的随机向量，C 是已知矩阵，2βσ，是未知参数，并设n>m ，且rank(C)=m+1。
在经典回归分析中，我们讨论模型中参数01(,,,)m ββββ'=和2σ的估计和检验问题。
近代回归分析中讨论变量筛选、估计的改进，以及对模型中的一些假设进行诊断等问题。
我国国内生产总值与基本建设投资额的大小有密切关系，研究发现两变量之间存在线性关系。
根据甘肃省1990-2003年的国内生产总值与基本建设投资额数据，研究它们的数量规律性，探讨甘肃省基本建设投资额与国内生产总值的数量关系，原始数据见下表。
利用excel 进行分析，具体输出以下数据，平方和自由度方 差F 检验值回归 1残差 12离差13复相关系数 R =.98剩余标准差 SY =回归方差与剩余方差之比 F =各个自变量的 t 检验值17.t 检验的自由度 N-P-1 =12F 检验的自由度第一自由度=1,第二自由度=12各个自变量的偏回归平方和各个自变量的偏相关系数由输出结果，得以下结论：回归方程为 y=+1x其中，负相关系数为2R＝,说明回归方程拟合优度较高。
而回归系数的t=,查t分布表0.025(12) 2.1788t=，小于t值，因此回归系数显着。
查F分布表，0.05(1,12)F=，由下表知，F=>，因此回归方程也显着。
（二）判别分析判别分析是多元统计分析中用于判别样品所属类型的一种统计分析方法，是一种在已知研究对象用某种方法已经分成与若干类的情况下，确定新的样品属于哪一类的多元统计分析方法。
判别方法处理问题时，通常通常要给出用来衡量新样品与各已知组别的接近程度的指数，即判别函数，同时也指定一种判别准则，借以判别新样品的归属。
所谓判别准则是用于衡量新样品与各已知组别接近程度的理论依据和方法准则。
常用的有，距离准则、Fisher 准则、贝叶斯准则等。
距离判别的基本思想是：样品和那个总体距离最近，就判断它属于哪个总体。
距离判别也称直观判别。
已知有两个类1G 和2G ，比如1G 是设备A 生产的产品，2G 是设备B 生产的同类产品。
设备A 的产品质量高（如考察指标为耐磨度X ），其平均耐磨度(1)μ=80，反映设备精度的方差21σ=；设备B 的产品质量稍差，其平均耐磨度2μ=75，反映设备精度的方差22σ=4。
今有一产品0X ，测得耐磨度0x =78，试判断该产品是哪一台设备生产的下面考虑一种相对于分散性的距离。
记0X 与1G 或2G 的相对平均距离为210()d x 或220()d x ，则有：210()d x =(1)22021()(7880)0.25x μσ--==16， 220()d x =(2)22022()(7875)4.00x μσ--==。
因为20()d x =<4=10()d x ，按这种距离准则应判0X 为设备B 生产的。
一般的，我们假设总体1G 的分布为(1)21(,)N μσ，总体2G 的分布为(2)22(,)N μσ，则利用相对距离的定义，可以找出分界点μ*和μ*（不妨设(2)μ<(1)μ,1σ<2σ），令(1)(2)(1)2(2)221221212()()x x x μσμσμμσσσσ+--=⇒=+def =μ*，和x=(1)(2)2121μσμσσσ--def =μ*。
此例中，μ*=79，μ*=。
而按这种距离最近法则的判别法为：(1)2(2)212212(1)2(2)222212()()X ()()X x x G x x x G μμμμσσμμμμσσ****--∈<<<--∈≥≤≥⎧⎪⎨⎪⎩判，当（即）判，当（即x 或x ）为了区分小麦品种的两种不同的分蘖类型，用123,,x x x 三个指标求其判别函数。
经验样品中，第一类取11（主茎型）个样品，第二类（分蘖型）取12个样品，数据如下表所示。
由表计算得(1)X －(2)X =，，)T ,X =(1)(2)2X X += ,, xx L =(1)xx L +(2)xx L =0.56240.18210.83550.282115.516032.30140.835532.3014126.2374⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦, 111.79780.01690.007621210.01690.13810.03520.00760.03520.0170xx S L ----⎡⎤⎢⎥==--⎢⎥⎢⎥--⎣⎦,(1)(2)11()()()2T X X X S X X ω-=--=1230.846221(0.4425,0.0486,0.0468) 3.8286212.1295x x x -⎡⎤⎢⎥---⎢⎥⎢⎥-⎣⎦用()X ω对经验样本的23个样品进行判别有如下结果：第一类的11个样本中有10个判别为第一类，一个判别为第二类；第二类的12个样品全部判别为第二类，符合率为22/23=96%。
例如，第一类第一个样品(1)1X =(0.71,3.80,12.00)T ，则(1)1()X ω=>0,则(1)1X 1G ∈（第一类）。
又如，第一类的第11个样品(1)11X =(1.00,4.50,12.00)T ，(1)11()X ω=<0，故(1)11X 2G ∈（第二类）。
将()X ω投入使用，可判别小麦品种的分蘖类型，如测得某小麦品种11x =,2 3.43x =,316.25x =,则由()X ω=<0判别该品种为分蘖型。
（三） 聚类分析聚类分析是将样品或变量按照它们在性质上的亲疏程度进行分类的多元统计分析方法。
聚类分析时，用来描述样品或变量的亲疏程度通常有来两个途径，一是把每个样品或变量看成是多维空间上的一个点，在多维坐标中，定一点与点，类和类之间的距离，用点与点间距离来描述样品或变量之间的亲疏程度：另一个是计算样品或变量的相似系数，用相似系数来描述样品或变量之间的亲属程度。