数据挖掘2019.9.9

数据的统计描述

计量资料的统计描述及广义知识挖掘
概念：即用少量几个统计指标对画出原始数据的特征称为统计描述。
方法：
①通过频数表描述数据特征（了解数据的分布特征）

分布情况;偏态或正太分布
取值情况：变量值取值范围
集中趋势：变量值集中位置
段组的频数作为概率的估计
rnorm(100,mean=0,sd=1)#服从正态分布的随机数
runif(100,min=0,max=1)#均匀分布随机数
par(mfrow=c(1,2))
hist()#绘制直方图
②用统计指标 定量描述数据的特征

集中趋势指标
平均数 用于描述一组同质计量资料的集中趋势，反应一组观察值的平均水平或者一个分布的平均的指标。
种类
算数平均数/均数
mean()
加权平均数
weight.mean()
几何平均数
中位数
median()
实用情况：
1·数据分布为正太时，选用中位数描述，并有均数约等于中位数
2·数据分布为偏态，选取中位数描述较好
3·数据为等级和相差较大时，选取几何均数描述。
作用：是一组计量数据平均水平的代表值：可作为不同组间的比较值。
离散趋势指标
经常用的统计图
（直方图，柱形图，折线图，散点图）

离散趋势指标
变异性;同质条件下的观察单位，其同一指标的数据间的差异。
描述计量资料数据间离散（编译，参差不齐）程度的指标——变异指标
种类：
1·全局/极差：R=最大值——最小值
四分位间距QR=P75-P25
方差与标准差
变异系数CV=标准差/均数
（又称离散系数，即标准差与均数之比用百分位数表示。应用范围：1·组间单位不同时变异程度的比较，2·比较组单位相同，但均数相差悬殊的组间变异程度，意义：CV越大，表示数据变异越大。）

偏态分布或特定资料如生存时间，病程，潜伏期时间等
1）用中位数和四分位间距描述.
表达形式：M，四分位间距（QR)
2)用百分位数P25，P50，P75 描述分布位置。

计量资料常用的检验方法
t检验
（两样本均数比较，样本均数与总体均数比较（单一样本的t检验））
配对t检验
（同体自身前后，配对资料）
U检验
（两大样本资料）
方差分析
（两组及两组以上）
秩和检验
（偏态分布资料）

正态性和方差齐性检验
正太检验
如（Jarque-beta 检验（jarque.bera.test,tseries包））—基于数据样本
的偏度和峰度，评价给定数据服从未知均数和方差正太分布的假设是否成立
方差齐性检验F检验
原理：较大样本方差与较小样本方差的商是否接近1 若接近1，则可认为
两样本代表的总方差齐，否则，两方差不齐。

t检验
两小样本（n小于30）均数的比较
两小样本均数的t检验要求两样本服从正太分布，方差齐性
（单一样本的t检验，两组样本的t检验，配对样本的t检验）

t分布中t界值和概率的关系