数学建模美赛（模型积累）

笔记笔记！！

一、Z分数

（1）定义：z分数（z-score），也叫标准分数（standard score）是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。

        z分数能够真实的反映一个分数距离平均数的相对标准距离。如果我们把每一个分数都转换成z分数，那么每一个z分数会以标准差为单位表示一个具体分数到平均数的距离或离差。将成正态分布的数据中的原始分数转换为z分数，我们就可以通过查阅z分数在正态曲线下面积的表格来得知平均数与z分数之间的面积，进而得知原始分数在数据集合中的百分等级。一个数列的各z分数的平方和等于该数列数据的个数，并且z分数的标准差和方差都为1.平均数为0.

（2）计算式

        Z 分数也叫标准分数（standard score），它是以标准差为尺子去度量某一原始分数偏离平均数的距离，这段距离含有几个标准差，z分数就是几。从而确定这一数据在全体数据中的位置。称这一过程为标准化。转化的公式为：

 （3）理解：Z分数相当于将数据列做了一个标准化，确定这一数据在全体数据中的位置，如果原本数据是正态分布，那么Z分数则是将数据转化为标准正态分布

二、方差百分比

（1）定义：方差百分比是一种常用的统计学方法，用于衡量数据分布的离散程度。它是指数据的方差占数据平均值的百分比。方差百分比的计算公式为：

方差百分比 =（数据的方差/数据的平均值）×100%

（2）拓展：

        在理解方差百分比时，有几个概念是需要了解的。首先是方差。方差是一种衡量数据分布离散程度的方法，它是每个数据值与全体数据平均值之差的平方和除以数据个数的结果。具体地，方差的计算公式为：

方差 = Σ (x - x)2 /n

其中，x代表数据集中的每一个数据值，文代表数据集的平均值，n代表数据的个数。

其次是标准差。标准差是方差的平方根,用于衡量数据分布的离散程度。标准差的计算公式为:

标准差 = √方差

最后是离散系数。离散系数是数据的标准差占数据平均值的百分比。它的计算公式为:

离散系数= (标准差/平均值) × 100%

需要注意的是,离散系数只适用于均值为非零值的数据集。当均值为零时,标准差也为零,这样离散系数的值就没有意义了。

相比之下，方差百分比的计算方法更适用于分析波动性很大的数据。方差百分比的计算方式与离散系数类似，不过离散系数是用标准差来计算的,而方差百分比则是用方差来计算的。由于方差对数据集的异常值更加敏感,因此方差百分比更能体现数据波动的实际情况。

实际应用中,方差百分比可以与其他统计指标一起使用,以更全面地描述数据的特征。例如,在财务分析中,方差百分比可以与均值、中位数等指标一起使用,帮助研究人员更准确地判断市场风险。在过程控制中,方差百分比可以与过程能力指数等指标一起使用，帮助企业更好地控制生产过程的质量。

（3）理解：用于分析

三、因子分析

（1）定义：

        spss因子分析，解释方差百分比

（2）补充：

        在进行因子分析或结构方程建模时,我们通常会关注KMO值和解释总方差的百分比这两个指标。它们可以帮助我们评估观测数据的适宜性，以及衡量我们提取的因子或变量解释观测数据的能力。

主成分分析——KMO检验（介绍及Matlab代码）