如何確定高維數據是否同分布

❶ 如何分析數據之間的分布類型

分析數據之間的分布類型的方法：

首先根據樣本點特徵判斷是離散型還是連續型。

離散型分布常用的有二項分布，泊松分布，離散均勻分布，幾何分布，超幾何分布等等。可以根據直方圖判斷大概的分布類型，然後估計相應的分布參數，最後用goodness of fit檢驗。

連續型分布常用的有正態分布，t-分布，F-分布，卡方分布，指數分布，Gamma-分布，Beta-分布等等。同樣根據直方圖判斷大概的分布類型，然後估計相應的分布參數。檢驗部分可用KS檢驗（Kolmogorov-Smirnov檢驗）。

(1)如何確定高維數據是否同分布擴展閱讀：

統計學常用方法：

一、描述統計

描述統計是通過圖表或數學方法，對數據資料進行整理、分析，並對數據的分布狀態、數字特徵和隨機變數之間關系進行估計和描述的方法。描述統計分為集中趨勢分析和離中趨勢分析和相關分析三大部分。

集中趨勢分析：集中趨勢分析主要靠平均數、中數、眾數等統計指標來表示數據的集中趨勢。例如被試的平均成績多少？是正偏分布還是負偏分布？

離中趨勢分析：離中趨勢分析主要靠全距、四分差、平均差、方差（協方差：用來度量兩個隨機變數關系的統計量）、標准差等統計指標來研究數據的離中趨勢。

相關分析：相關分析探討數據之間是否具有統計學上的關聯性。

推論統計：

推論統計是統計學乃至於心理統計學中較為年輕的一部分內容。它以統計結果為依據，來證明或推翻某個命題。

正態性檢驗：很多統計方法都要求數值服從或近似服從正態分布，所以之前需要進行正態性檢驗。常用方法：非參數檢驗的K-量檢驗、P-P圖、Q-Q圖、W檢驗、動差法。

二、假設檢驗

1、參數檢驗

參數檢驗是在已知總體分布的條件下（一股要求總體服從正態分布）對一些主要的參數(如均值、百分數、方差、相關系數等）進行的檢驗。

1）U驗 ：使用條件：當樣本含量n較大時，樣本值符合正態分布。

2）T檢驗 使用條件：當樣本含量n較小時，樣本值符合正態分布。

2、非參數檢驗

非參數檢驗則不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一股性假設（如總體分布的位罝是否相同，總體分布是否正態）進行檢驗。

適用情況：順序類型的數據資料，這類數據的分布形態一般是未知的。

A、雖然是連續數據，但總體分布形態未知或者非正態；

B、體分布雖然正態，數據也是連續類型，但樣本容量極小，如10以下；

主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、遊程檢驗、K-量檢驗等。

三、信度分析

介紹：信度（Reliability）即可靠性，它是指採用同樣的方法對同一對象重復測量時所得結果的一致性程度。信度指標多以相關系數表示，大致可分為三類：穩定系數（跨時間的一致性），等值系數（跨形式的一致性）和內在一致性系數（跨項目的一致性）。信度分析的方法主要有以下四種：重測信度法、復本信度法、折半信度法、α信度系數法。

四、相關分析

研究現象之間是否存在某種依存關系，對具體有依存關系的現象探討相關方向及相關程度。

1、單相關： 兩個因素之間的相關關系叫單相關，即研究時只涉及一個自變數和一個因變數；

2、復相關 ：三個或三個以上因素的相關關系叫復相關，即研究時涉及兩個或兩個以上的自變數和因變數相關；

3、偏相關：在某一現象與多種現象相關的場合，當假定其他變數不變時，其中兩個變數之間的相關關系稱為偏相關。

五、方差分析

使用條件：各樣本須是相互獨立的隨機樣本；各樣本來自正態分布總體；各總體方差相等。

六、回歸分析

1、一元線性回歸分析：只有一個自變數X與因變數Y有關，X與Y都必須是連續型變數，因變數y或其殘差必須服從正態分布。

2、多元線性回歸分析

使用條件：分析多個自變數與因變數Y的關系，X與Y都必須是連續型變數，因變數y或其殘差必須服從正態分布 。

❷ 如何確定一組數據是否獨立同分布

數學處理吧。運用已知資料，或者原理，建立數學模型，依據模型處理數據，並用數據結果說明物理狀態。

❸ 知道一組數據，如何用excel來確定他們屬於哪種分布

原本就是一個很復雜的問題，卻沒有指明數據的特點，要知道即便是專業網站求助一個比你的問題簡單得多的問題，有時是要被要求上傳附件的，就我對EXCEL的了解，好像EXCEL解決不了你的問題。

❹ 如何判斷一組數據是什麼分布

1.首先篩選數據可能的概率分布類型.有可能你知道數據的分布類型了,只是不知道其參數；

有可能你根據經驗大致知道可能有幾種分布類型,只是需要確定； 也有可能你完全不知道到底是什麼分布類型.

如果是前兩者,那還容易點吧.如果是第三者,建議通過畫圖來大致篩選分布類型：

很簡單,你可以去查相關的概率論資料,了解主要的分布類型的密度函數（PDF）或累計密度函數（CDF）的形狀,基本上還是有差別的； 然後根據數據畫出密度函數曲線,對比一下,應該就能大致判斷數據會是什麼類型的概率分布.

2.如上,確定了一種或數種可能的概率分布後,接下來,就是要驗證和求出概率分布的參數.這個可以用擬合法

（最小二乘法啊諸如此類）,如果擬合的精度很高的話,那就基本可以確定數據的分布了.

❺ 怎樣確定一組數據服從什麼分布

利用單樣本非參數檢驗就行。
操作：analyze->nonparametric tests->1-sample K-S
裡面可選擇（正態，均勻，泊松，指數）檢驗。

❻ 高維聚類分析的傳統演算法

傳統的聚類演算法可分以下五類 ：① 劃分方法②層次方法③基於密度的方法④基於網格的方法⑤基於模型的方法。它們已經比較成功的解決了低維數據的聚類問題。但是由於實際應用中數據的復雜性，在處理許多問題時，現有的演算法經常失效，特別是對於高維數據和大型數據的情況。因為傳統聚類方法在高維數據集中進行聚類時，主要遇到兩個問題。①高維數據集中存在大量無關的屬性使得在所有維中存在簇的可能性幾乎為零；②高維空間中數據較低維空間中數據分布要稀疏，其中數據間距離幾乎相等是普遍現象，而傳統聚類方法是基於距離進行聚類的，因此在高維空間中無法基於距離來構建簇。
目前一般使用兩種方法解決以上問題：（1）特徵轉換，（2）特徵選擇 /子空間聚類。
特徵轉換是一種傳統的方法，包括主成份分析和奇異值分解等策略。該方法通過線性合並將原數據集的維合並至k個新維，使得諸如k～均值一類的傳統演算法能在這k個新維中進行有效聚類，從而達到減少維的目的。但是該方法的缺點有三點：一是難於確定合適的k值，二是高維空間中存在大量無關維而掩蓋了簇，給聚類造成困難；三是聚類時容易產生無意義的簇。因此該方法只適合對事先已知多數維都相關的高維數據集進行聚類。
特徵選擇和特徵轉換不同，它只在那些相關的子空間上執行挖掘任務，因此它比特徵轉換更有效地減少維。特徵選擇一般使用貪心策略等搜索方法搜索不同的特徵子空間，然後使用一些標准來評價這些子空間，從而找到所需的簇。
子空間聚類演算法拓展了特徵選擇的任務，嘗試在相同數據集的不同子空間上發現聚類。和特徵選擇一樣，子空間聚類需要使用一種搜索策略和評測標准來篩選出需要聚類的簇，不過考慮到不同簇存在於不同的子空間，需要對評測標准做一些限制。選擇的搜索策略對聚類結果有很大的影響。根據搜索的方向的不同，可以將子空間聚類方法分成兩大類：自頂向下的搜索策略和自底向上的搜索策略。子空間聚類是實現高維數據集聚類的有效途徑，它是在高維數據空間中對傳統聚類演算法的一種擴展，其思想是將搜索局部化在相關維中進行。

❼ 怎樣檢驗數據是否符合高維正態分布

給你個電話你問大學老師吧

❽ 怎樣確定一組數據服從什麼分布

在有大量實驗數據時才會符合正態分布。如果你僅僅是湊的話，那麼確定平均值x，在圖像上劃分一些小區間，然後查表確定每一區間所佔的概率，然後乘以總數據數得到落在該區間的樣本數m，然後你隨便在該區間取m個數就可以了，其他區間也同理