多元统计分析
多元统计分析学习心得总结5则范文（二篇）
多元统计分析学习心得总结5则范文多元统计分析是一门数据分析的重要方法，通过对多个变量进行联合分析，可以揭示出变量之间的关系和趋势。
在学习过程中，我深感这门课程的重要性和复杂性。
下面是我对多元统计分析学习的心得总结。
第一则：多元统计分析的基础知识多元统计分析的基础知识包括线性回归分析、相关分析、主成分分析和因子分析等。
这些方法都是在已知的统计学基础上进行推导和发展的，因此理论上是可靠的。
通过学习这些基础知识，我对多元统计分析有了初步的了解，能够理解其背后的原理和应用。
第二则：多元统计分析的应用领域多元统计分析广泛应用于各个领域，如经济学、社会学、心理学等。
在实际应用中，多元统计分析可以帮助我们寻找变量之间的关系，预测未来的趋势和结果。
例如，在经济学中，多元统计分析可以帮助我们分析经济数据，预测未来的经济发展趋势；在社会学中，多元统计分析可以帮助我们分析社会调查数据，了解人们的行为和态度。
第三则：多元统计分析的数据处理多元统计分析需要处理大量的数据，因此数据处理是十分重要的一个环节。
在数据处理过程中，我们需要进行数据清洗、数据转换和数据归一化等操作，以保证数据的质量和准确性。
同时，我们还需要进行变量选择和模型建立，以选择最合适的变量和模型来进行分析。
第四则：多元统计分析的模型解读在多元统计分析中，我们通常使用的是线性模型和非线性模型。
这些模型可以帮助我们理解变量之间的关系和趋势。
在进行模型解读时，我们需要分析模型的系数和显著性检验，以确定变量之间的影响力和有效性。
通过模型解读，我们可以得出结论和推断，并作出相应的决策。
第五则：多元统计分析的局限和不确定性多元统计分析虽然是一种强大的工具，但也存在一些局限性和不确定性。
首先，多元统计分析的结果受到样本选择和样本数量的影响，因此结果可能存在一定的误差。
其次，多元统计分析只能从观测数据中找出变量之间的关系，但不能证明因果关系。
最后，多元统计分析只能提供定量分析的结果，而不能考虑到定性因素的影响。
多元统计分析
多元统计分析
多元统计分析是一种统计方法，用于分析多个自变量同时对一个或多个因变量的影响。
它可以帮助研究者探索多个变量之间的关系、预测因变量的值、进行因素分析等。
多元统计分析常用的方法包括多元方差分析、多元回归分析、聚类分析、主成分分析、判别分析等。
多元方差分析用于比较两个或多个因素（自变量）对因变量的影响，检验它们之间是否有显著差异。
多元回归分析是用来探究多个自变量对因变量的影响，确定它们之间的关系。
聚类分析是将一组观测值根据其相似性进行分类的方法，可以用于发现数据集中的群组或模式。
主成分分析可以用来降低多个变量之间的维度，提取出原始数据中的关键信息。
判别分析是一种分类技术，可以将观测值分到事先定义好
的类别中。
多元统计分析可以应用于各种领域，例如社会科学、医学、市场研究等，帮助研究者更深入地理解数据背后的模式和
关系。
多元统计数据分析报告(3篇)
第1篇一、引言随着大数据时代的到来，数据量急剧增加，传统的统计分析方法已无法满足复杂数据关系的挖掘需求。
多元统计分析作为一种处理多个变量之间关系的方法，在社会科学、自然科学、工程技术等领域得到了广泛应用。
本报告旨在通过对某研究项目的多元统计分析，揭示变量之间的关系，为决策提供科学依据。
二、研究背景与目的本研究以某企业员工绩效评估数据为研究对象，旨在通过多元统计分析方法，探究员工绩效与个人特质、工作环境等因素之间的关系，为企业人力资源管理部门提供决策支持。
三、数据与方法1. 数据来源本研究数据来源于某企业员工绩效评估系统，包括员工的基本信息、个人特质、工作环境、绩效评分等。
2. 研究方法本研究采用以下多元统计分析方法：（1）描述性统计分析：对员工绩效、个人特质、工作环境等变量进行描述性统计分析，了解数据的分布情况。
（2）相关分析：分析变量之间的线性关系，找出相关系数较大的变量对。
（3）因子分析：将多个变量归纳为少数几个因子，揭示变量之间的内在关系。
（4）聚类分析：将员工根据绩效、个人特质、工作环境等因素进行分类，分析不同类别员工的特点。
（5）回归分析：建立员工绩效与个人特质、工作环境等因素之间的回归模型，分析各因素对绩效的影响程度。
四、数据分析结果1. 描述性统计分析通过对员工绩效、个人特质、工作环境等变量的描述性统计分析，得出以下结论：（1）员工绩效评分呈正态分布，平均绩效评分为75分。
（2）个人特质得分集中在中等水平，其中创新能力得分最高，稳定性得分最低。
（3）工作环境得分普遍较高，其中工作压力得分最低。
2. 相关分析通过对员工绩效、个人特质、工作环境等变量进行相关分析，得出以下结论：（1）绩效与创新能力、稳定性、工作环境等因素呈正相关。
（2）创新能力与稳定性呈负相关。
3. 因子分析通过对员工绩效、个人特质、工作环境等变量进行因子分析，得出以下结论：（1）提取了3个因子，分别对应创新能力、稳定性、工作环境。
应用统计学课件：实用多元统计分析
在线性回归分析中，自变量可以是连续的或离散的，因变量通常是连续的。
线性回归分析的假设包括误差项的独立性、同方差性和无偏性等。
线性回归分析的优点是简单易懂，可以用于解释自变量和因变量之间的关系，并且可以通过回归系数来度量自变量对因变量的影响程度。
非线性回归分析
非线性回归分析是指自变量和因变量之间存在非线性关系的回归分析方法。
详细描述
数据的收集与整理
总结词
描述性统计量是用来概括和描述数据分布特性的统计指标。
详细描述
描述性统计量包括均值、中位数、众数、标准差、方差等统计指标，以及偏度和峰度等统计量。这些统计量可以帮助我们了解数据的分布情况，如数据的集中趋势、离散程度和形状等。通过对这些统计量的计算和分析，可以进一步了解数据的特征和规律。
DBSCAN聚类分析
06
多元数据判别分析
基于距离度量的分类方法，通过最大化类间差异、最小化类内差异进行分类。
Fisher判别分析是一种线性判别分析方法，通过投影将高维数据降到低维空间，使得同一类别的数据尽可能接近，不同类别的数据尽可能远离。它基于距离度量，通过最大化类间差异、最小化类内差异进行分类。
数据的可视化方法
03
多元数据探索性分析
数据的相关性分析
总结词：通过计算变量间的相子分析用于探索隐藏在变量之间的潜在结构，即公共因子。
04
多元数据回归分析
线性回归分析
A
B
D
C
线性回归分析是一种常用的回归分析方法，通过建立自变量和因变量之间的线性关系，来预测因变量的取值。
01
02
03
04
05
多元统计分析的定义与特点
社会学
心理学
《多元统计分析》课件
采用L1正则化，通过惩罚项来选择最重要 的自变量，实现特征选择和模型简化。
比较
应用场景
岭回归适用于所有自变量都对因变量有影 响的情况，而套索回归更适用于特征选择 和模型压缩。
适用于数据集较大、自变量之间存在多重 共线性的情况，如生物信息学数据分析、 市场细分等。
主成分回归与偏最小二乘回归
主成分回归
适用于自变量之间存在多重 共线性的情况，同时要求高 预测精度，如金融市场预测 、化学计量学等。
06 多元数据的典型相关分析
典型相关分析的基本思想
01
典型相关分析是一种研究多个 随机变量之间相关性的多元统 计分析方法。
02
它通过寻找一对或多个线性组 合，使得这些线性组合之间的 相关性达到最大或最小，从而 揭示多个变量之间的关系。
原理
基于最小二乘法原理，通过最小化预 测值与实际值之间的平方误差来估计 回归系数。
应用场景
适用于因变量与自变量之间存在线性 关系的情况，如预测房价、股票价格 等。
注意事项
需对自变量进行筛选和多重共线性诊 断，以避免模型的不稳定性和误差。
岭回归与套索回归
岭回归
套索回归
是一种用于解决多重共线性的回归方法， 通过引入一个小的正则化项来稳定系数估 计。
层次聚类
01
步骤
02
1. 将每个数据点视为一个独立的集群。
2. 计算任意两个集群之间的距离或相似度。
03
层次聚类
01 3. 将最相近的两个集群合并为一个新的集群。 02 4. 重复步骤2和3，直到满足终止条件（如达到预
设的集群数量或最大距离阈值）。
03 应用：适用于探索性数据分析，帮助研究者了解 数据的分布和结构。
金融数据分析中的多元统计分析研究
金融数据分析中的多元统计分析研究随着金融市场的日益复杂和金融机构的不断发展壮大，金融数据分析变得越来越重要。
而多元统计分析是其中的重要组成部分，可以帮助金融机构更好地理解市场的动态和机会，进而制定更准确有效的投资策略。
在本文中，将探讨金融数据分析中的多元统计分析研究，包括其基本概念、方法与技术、应用场景，以及未来的发展前景。
一、多元统计分析的基本概念多元统计分析指的是对多个变量之间的关系进行分析和研究的统计学方法。
在金融数据分析中，多元统计分析常常用于分析不同金融指标之间的关系，比如利率、汇率、股价等等，以帮助投资者更好地预测市场走势和机会。
多元统计分析的基本概念包括多元回归分析、主成分分析、因子分析等等。
其中多元回归分析是最为常用的一种方法，它可以对多个自变量和一个因变量之间的关系进行建模，以预测因变量的值。
另外，主成分分析和因子分析则可以用于降维和数据压缩，减少变量之间的相关性，使数据更加易于分析和理解。
二、多元统计分析的方法与技术多元统计分析的方法和技术是十分丰富和多样的。
其中比较常见的方法包括回归分析、方差分析、协方差分析、因子分析、主成分分析等等。
回归分析是一种用来预测因变量的常用方法，通过建立自变量和因变量之间的数学模型，来预测因变量的值。
在金融数据分析中，回归分析可以用来预测股市指数和经济指标之间的关系，分析利率对股价的影响等等。
方差分析和协方差分析都是一种统计学工具，用来分析不同变量之间的关系。
方差分析可以用于比较多个变量之间的差异，而协方差分析则可以用于分析变量之间的相关性。
因子分析和主成分分析也是常用的多元统计分析方法。
因子分析可以用来识别影响金融市场指标的因素，并且将这些因素进行分类。
主成分分析则可以用来进行数据降维和压缩，减少变量之间的相关性，使数据更加易于分析和理解。
三、多元统计分析的应用场景多元统计分析在金融数据分析中有广泛的应用场景。
其中最为常见的应用场景包括金融市场走势预测、投资组合分析、风险管理等等。
多元统计分析
聚类分析根据对象的特征和距离度量将相似的对象归为一类 。常见的聚类方法包括层次聚类、K均值聚类和密度聚类等。 聚类分析有助于发现数据的内在结构，用于分类、模式识别 和决策支持。
判别分析
总结词
判别分析是一种有监督学习方法，通过已知分类的数据建立判别函数，用于预 测新数据的分类。
详细描述
判别分析利用已知分类的数据建立判别函数，用于预测新数据的分类。常见的 判别分析方法包括线性判别分析和二次判别分析等。判别分析广泛应用于分类、 模式识别和决策支持等领域。
市场研究的定义和过程
市场研究定义
市场研究是一种系统的方法，用于收 集和分析关于消费者、市场和竞争对 手的数据，以帮助企业了解市场趋势、 消费者需求和竞争态势，从而做出更 好的商业决策。
市场研究过程
市场研究过程包括确定研究目标、设 计研究方案、收集数据、分析数据和 报告结果等步骤。
多元统计分析在市场研究中的应用实例
多元统计分析
目录
• 引言 • 多元统计分析的基本方法 • 多元统计分析在数据挖掘中的应用 • 多元统计分析在市场研究中的应用 • 多元统计分析的未来发展 • 结论
01 引言
多元统计分析的定义
多元统计分析是研究多个随机变量之 间关系的统计方法。它通过使用各种 技术和模型来分析多个变量之间的关 系，以揭示数据中的模式和结构。
对应分析
总结词
对应分析是一种多元统计方法，用于研 究变量间的关系和分类。
VS
详细描述
对应分析通过降维技术将多个变量的分类 数据转换为低维空间的点，并利用点间的 距离度量变量间的关系。对应分析能够揭 示变量间的潜在联系和分类结构，广泛应 用于市场研究、社会科学和医学等领域。
多元统计分析第二章多元正态分布
多元统计分析第二章多元正态分布多元正态分布（Multivariate Normal Distribution），是指多个随机变量服从正态分布的情况。
在统计学中，多元正态分布是一个重要的概率分布，广泛应用于多个领域，如经济学、金融学、生物学、工程等。
多元正态分布的概率密度函数可以表示为：f(x;μ,Σ) = (2π)^(-k/2) ，Σ，^(-1/2) exp(-(x-μ)'Σ^(-1)(x-μ)/2)其中，x表示一个k维向量（k个随机变量），μ是一个k维向量，表示均值向量，Σ是一个k*k维协方差矩阵，Σ，表示协方差矩阵的行列式，'表示向量的转置，Σ^(-1)表示协方差矩阵的逆矩阵，exp表示指数函数。
多元正态分布具有以下特点：1.对称性：多元正态分布的密度函数是关于均值向量对称的。
2.线性组合：多元正态分布的线性组合仍然服从正态分布。
3.条件分布：给定其他变量的取值，多元正态分布的边缘分布和条件分布仍然服从正态分布。
4.独立性：多元正态分布的随机变量之间相互独立的充要条件是它们的协方差矩阵为对角矩阵。
对于多元正态分布，可以使用协方差矩阵来描述不同随机变量之间的相关程度。
协方差矩阵的对角线元素表示各个随机变量的方差，非对角线元素表示各个随机变量之间的协方差。
多元正态分布的参数估计也是统计学中一个重要的问题。
通常可以使用最大似然估计方法来估计均值向量和协方差矩阵。
在实际应用中，多元正态分布可以用来描述多个相关变量的联合分布。
例如，在金融学中，可以使用多元正态分布来建模多个股票的收益率。
在生物学中，可以使用多元正态分布来建模多个基因的表达水平。
除了多元正态分布，还存在其他的多元分布，如多元t分布、多元卡方分布等。
这些分布可以用来处理更一般的随机变量，具有更广泛的应用领域。
总之，多元正态分布是统计学中一个重要的概率分布，具有许多重要的性质和应用。
通过对多元正态分布的研究，可以更好地理解和分析多个相关变量的联合分布，推断和预测相关变量的取值，并为实际问题提供可靠的解决方案。
- 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>data1=matrix(c(260,200,240,170,270,205,190,200,250,200,225,210,170,270,190,280,310,270,25 0,260,75,72,87,65,110,130,69,46,117,107,130,125,64,76,60,81,119,57,67,135,40,34,45,39,39,34, 27,45,21,28,36,26,31,33,34,20,25,31,31,39,18,17,18,17,24,23,15,15,20,20,11,17,14,13,16,18,15, 8,14,29),20,4)>data2=matrix(c(310,310,190,225,170,210,280,210,280,200,200,280,190,295,270,280,240,280,37 0,280,122,60,40,65,65,82,67,38,65,76,76,94,60,55,125,120,62,69,70,40,30,35,27,34,37,31,37,36,30,40,39,26,33,30,24,32,32,29,30,37,21,18,15,16,16,17,18,17,23,17,20, 11,17,16,21,18,20,20,20,17),20,4)>data3=matrix(c(320,260,360,295,270,380,240,260,260,295,240,310,330,345,250,260,225,345,36 0,250,64,59,88,100,65,114,55,55,110,73,114,103,112,127,62,59,100,120,107,117,39,37,28,36,32 ,36,42,34,29,33,38,32,21,24,22,21,34,36,25,36,17,11,26,12,21,21,10,20,20,21,18,18,11,20,16,19, 30,18,23,16),20,4)1.对单个分量进行检验对第一个分量进行检验，看其是否服从正态分布，利用的是Q-Q图检验法：> x<-rbind(data1,data2,data3)> x<-sort(x[,1])> x[1] 170 170 170 190 190 190 190 200 200 200 200 200 205 210 210 210 225 225[19] 225 240 240 240 240 250 250 250 250 260 260 260 260 260 260 270 270 270[37] 270 270 280 280 280 280 280 280 280 295 295 295 310 310 310 310 320 330[55] 345 345 360 360 370 380> p<-c()> for(i in 1:60){+ pi[i]=(i-0.5)/60}> q<-c()> for(i in 1:60){+ q[i]=qnorm(pi[i])}> plot(q,x)>由Q—Q图近似为一条直线，可认为第一个分量服从正态分布。
对第二个分量进行检验，看其是否服从正态分布，利用的是Q-Q图> x<-rbind(data1,data2,data3)> x[,2][1] 75 72 87 65 110 130 69 46 117 107 130 125 64 76 60 81 119 57 [19] 67 135 122 60 40 65 65 82 67 38 65 76 76 94 60 55 125 120 [37] 62 69 70 40 64 59 88 100 65 114 55 55 110 73 114 103 112 127 [55] 62 59 100 120 107 117> x<-sort(x[,2])> p<-c()> for(i in 1:60){+ pi[i]=(i-0.5)/60}> q<-c()> for(i in 1:60){+ q[i]=qnorm(pi[i])}> plot(q,x)由相应的Q—Q图近似为一条直线，可认为第二个分量服从正态分布。
对第三个分量进行检验，看其是否服从正态分布，利用的是Q-Q图检验法：> x<-rbind(data1,data2,data3)> x[,3][1] 40 34 45 39 39 34 27 45 21 28 36 26 31 33 34 20 25 31 31 39 30 35 27 34 [25] 37 31 37 36 30 40 39 26 33 30 24 32 32 29 30 37 39 37 28 36 32 36 42 34 [49] 29 33 38 32 21 24 22 21 34 36 25 36> x<-sort(x[,3])> p<-c()> for(i in 1:60){+ pi[i]=(i-0.5)/60}> q<-c()> for(i in 1:60){+ q[i]=qnorm(pi[i])}> plot(q,x)由Q—Q图近似为一条直线，可认为第三个分量服从正态分布。
对第四个分量进行检验，看其是否服从正态分布，利用的是Q-Q图检验法：> x<-rbind(data1,data2,data3)> x[,4][1] 18 17 18 17 24 23 15 15 20 20 11 17 14 13 16 18 15 8 14 29 21 18 15 16 [25] 16 17 18 17 23 17 20 11 17 16 21 18 20 20 20 17 17 11 26 12 21 21 10 20 [49] 20 21 18 18 11 20 16 19 30 18 23 16> x<-sort(x[,4])> p<-c()> for(i in 1:60){+ pi[i]=(i-0.5)/60}> q<-c()> for(i in 1:60){+ q[i]=qnorm(pi[i])}> plot(q,x)由Q—Q图近似为一条直线，可认为第四个分量服从正态分布。
2.对三组观测数据分布检验是否来自4元正态分布对第一组观测数据进行检验，看其是否服从正态分布，利用的是Q-Q图检验法：> a<-apply(data1,2,mean)> a[1] 231.0 89.6 32.9 17.1> b<-rep(a,20)> C<-matrix(b,nrow=20,ncol=4,byrow=TRUE)> D2<-(data1-C)%*%solve(cov(data1))%*%t(data1-C)> Dt<-sort(diag(D2))> pt=c()> for(i in 1:20){+ pt[i]=(i-0.5)/20+ cat(pt[i])+ }0.0250.0750.1250.1750.2250.2750.3250.3750.4250.4750.5250.5750.6250.6750.7250.7750.8250. 8750.9250.975>> x2<-c();for(i in 1:20){+ x2[i]=qchisq(pt[i],4)+ cat(x2[i])}0.48441860.89693591.2187621.509261.7862342.05852.331722.6102982.898223.1995723.5189 693.862034.2360624.6511435.1220715.672236.3423297.2140478.49628211.14329>> plot(Dt,x2)>由Q—Q图近似为一条直线，可认为第一组观测数据来自正态分布。
对第二组观测数据进行检验，看其是否服从正态分布，利用的是Q-Q图检验法> a<-apply(data2,2,mean)> a[1] 253.50 72.55 32.45 17.90> b<-rep(a,20)> C<-matrix(b,nrow=20,ncol=4,byrow=TRUE)> D2<-(data2-C)%*%solve(cov(data2))%*%t(data2-C)> Dt<-sort(diag(D2))> pt=c()> for(i in 1:20){+ pt[i]=(i-0.5)/20+ cat(pt[i])+ }0.0250.0750.1250.1750.2250.2750.3250.3750.4250.4750.5250.5750.6250.6750.7250.7750.8250. 8750.9250.975>> x2<-c()> for(i in 1:20){+ x2[i]=qchisq(pt[i],4)}> plot(Dt,x2)由Q—Q图近似为一条直线，可认为第二组观测数据正态分布。
对第三组观测数据进行检验，看其是否来自正态分布，利用的是Q-Q图检验法：> a<-apply(data3,2,mean)> a[1] 292.75 90.20 31.75 18.40> b<-rep(a,20)> C<-matrix(b,nrow=20,ncol=4,byrow=TRUE)> D2<-(data3-C)%*%solve(cov(data3))%*%t(data3-C)> Dt<-sort(diag(D2))> pt=c()> for(i in 1:20){+ pt[i]=(i-0.5)/20 }> x2<-c()> for(i in 1:20){+ x2[i]=qchisq(pt[i],4)}> plot(Dt,x2)由Q—Q图近似为一条直线，可认为第三组观测数据来自正态分布。
对整体的正态性检验，看其是否服从正态分布，利用的是Q-Q图> a<-apply(x,2,mean)> a[1] 259.08333 84.11667 32.36667 17.80000> b<-rep(a,60)> C<-matrix(b,nrow=60,ncol=4,byrow=TRUE)> D2<-(x-C)%*%solve(cov(x))%*%t(x-C)> diag(D2)[1] 1.7966364 1.2690092 4.8018512 3.3878516 4.0898319 6.2747903[7] 3.5431230 5.6506675 5.2794716 3.7780822 9.5805927 5.7189988[13] 3.6670512 1.5316505 1.9902534 4.6359843 4.0901968 6.1380264[19] 1.0589987 10.5907491 2.3184505 2.7465510 5.4751814 0.7268821[25] 3.0075345 1.1163284 1.4299501 3.2123533 3.3321821 2.3552011[31] 2.5336682 4.4500772 2.1189969 2.4318567 3.8904201 1.9141897[37] 1.4652065 1.4961771 6.0664760 3.8976735 4.3498708 3.6117174[43] 7.3070508 4.5172525 1.6899587 7.1252512 6.1343505 2.0092317[49] 1.2547339 1.6116253 2.9342207 1.2466060 8.9382474 4.6904838[55] 4.5466913 5.9331548 9.9494131 5.1555263 5.0818500 3.0535904> Dt<-sort(diag(D2))> Dt[1] 0.7268821 1.0589987 1.1163284 1.2466060 1.2547339 1.2690092[7] 1.4299501 1.4652065 1.4961771 1.5316505 1.6116253 1.6899587[13] 1.7966364 1.9141897 1.9902534 2.0092317 2.1189969 2.3184505[19] 2.3552011 2.4318567 2.5336682 2.7465510 2.9342207 3.0075345[25] 3.0535904 3.2123533 3.3321821 3.3878516 3.5431230 3.6117174[31] 3.6670512 3.7780822 3.8904201 3.8976735 4.0898319 4.0901968[37] 4.3498708 4.4500772 4.5172525 4.5466913 4.6359843 4.6904838[43] 4.8018512 5.0818500 5.1555263 5.2794716 5.4751814 5.6506675[49] 5.7189988 5.9331548 6.0664760 6.1343505 6.1380264 6.2747903[55] 7.1252512 7.3070508 8.9382474 9.5805927 9.9494131 10.5907491> pt=c()> for(i in 1:60){+ pt[i]=(i-0.5)/60+ cat(pt[i])+ }0.0083333330.0250.041666670.058333330.0750.091666670.10833330.1250.14166670.1583333 0.1750.19166670.20833330.2250.24166670.25833330.2750.29166670.30833330.3250.3416667 0.35833330.3750.39166670.40833330.4250.44166670.45833330.4750.49166670.50833330.5250.54166670.55833330.5750.59166670.60833330.6250.64166670.65833330.6750.69166670.708 33330.7250.74166670.75833330.7750.79166670.80833330.8250.84166670.85833330.8750.891 66670.90833330.9250.94166670.95833330.9750.9916667>> pt[1] 0.008333333 0.025000000 0.041666667 0.058333333 0.075000000 0.091666667[7] 0.108333333 0.125000000 0.141666667 0.158333333 0.175000000 0.191666667[13] 0.208333333 0.225000000 0.241666667 0.258333333 0.275000000 0.291666667[19] 0.308333333 0.325000000 0.341666667 0.358333333 0.375000000 0.391666667[25] 0.408333333 0.425000000 0.441666667 0.458333333 0.475000000 0.491666667[31] 0.508333333 0.525000000 0.541666667 0.558333333 0.575000000 0.591666667[37] 0.608333333 0.625000000 0.641666667 0.658333333 0.675000000 0.691666667[43] 0.708333333 0.725000000 0.741666667 0.758333333 0.775000000 0.791666667[49] 0.808333333 0.825000000 0.841666667 0.858333333 0.875000000 0.891666667[55] 0.908333333 0.925000000 0.941666667 0.958333333 0.975000000 0.991666667> x2<-c();for(i in 1:60){+ x2[i]=qchisq(pt[i],4)+ cat(x2[i])}0.27001510.48441860.64157720.77576950.89693591.0096231.1163681.2187621.3178881.4145 251.509261.6025521.6947741.7862341.8771931.9678812.05852.1492342.2402542.331722.423 7852.5165952.6102982.7050382.8009622.898222.9969663.097363.1995723.3037823.4101783. 5189693.6303753.744643.862033.9828394.1073944.2360624.3692534.5074364.6511434.80099 4.9576875.1220715.2951285.4780395.672235.8794556.1018976.3423296.6043466.8927317.21 40477.5776567.9975868.4962829.1131229.92750811.1432913.69543>> plot(Dt,x2)>。