各种图图表的作用和用法.ppt

主标题：黑色微软雅黑28号,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,上海华普汽车,主标题：黑色微软雅黑28号,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,一,.,散点图,检查两个变量之间的关系,检查有无异常值,使用不规则的依赖时间变化的数据创建时间序列图,数据说明,一家健康评估公司的研究小组正在寻找一种预测一个人的身体脂肪百分比的方法。直接进行健康测量很困难也很昂贵。该小组希望在他们的模型中包括一个易于测量的预测变量，并且他们正在考虑使用“体重指数,(BMI)”,。,解释：,BMI,和脂肪数据的散点图显示了两个变量之间的强度很大的正线性关系。体重指数,(BMI),可能是身体脂肪百分比的一个好的预测变量。,使用散点图评估两个变量之间的关系的方向、强度和线性：,同时趋向于上升的数据值指示正相关性。,如果随着一个数据值的降低而另一个数据值升高，则指示负的相关性。,关系强度越大，所生成的数据点聚类就越紧密。,异常值将落于远离主要点组处。,可以直观地确定关系是直线还是曲线。如果关系是曲线，则您可能需要包括高次项以准确地对弯曲程度建模（请参见多项式回归）。,当依赖时间变化的数据不是按时间顺序排列，或数据采集区间不规则时，应使用散点图而不是时间序列图。,典型的矩阵图包含下列元素：,散点图 的矩阵,矩阵的行和列，每一行和每一列都代表一个单独的变量,每个散点图的一个内部 x 和 y 轴尺度,使用矩阵图同时评估多个变量对之间的关系。这一概要可帮助您决定要将哪些变量包括在模型中，以及如何对这些变量建模。查看散点图的阵列，确定哪些变量显示为相互关联。如果一个预测变量与响应变量不相关，您可能希望从模型中排除该预测变量。如果关系是曲线，则您可能需要包括高次项以准确地对弯曲进行建模,矩阵图,解释：,BMI,和脂肪数据的散点图显示了两个变量之间的强度很大的正线性关系。此外，数据点形成了一条紧密的直线，说明简单线性模型与数据拟合良好。“体重指数,(BMI)”,可能是应包括在模型中的一个很好的变量。另一方面，由加速度计测量的活动没有显示出与身体脂肪百分比的相互关联性。您可能决定从模型中排除“活动”。,此直方图显示分布以每袋,9,到,10,片破碎的薯片为中心，并且其形状是对称的。值的范围是每袋有,4,到,14,片破碎的薯片。此外，比较直方图与拟合的正态分布 后说明其拟合良好，这说明这些数据满足需要其的检验的正态性假设。正态性检验将更严格地检验此假设。,点图,典型的点图包含下列元素：,针对变量的观测值将,x,轴分成多个箱体（区间）,表示观测值落入每个箱体的频率的点高度,同一图形上垂直堆叠的多个类别（可选）,点图帮助您直观地表示样本数据的形状和展开，且在比较分布时尤其有用：,观察最高的点群以确定最常观测的值所处的位置。,数据是否从众数 开始对称地递减直至消失，数据是否偏斜？,计算尖峰的数量。多个尖峰可能表示数据来自多个总体。,通过观察最小箱体和最大箱体之间的距离确定数据的变异性。,异常值 落于远离主要点群处。,可以在分析之前或结合分析一起创建点图，以帮助确认假设并指导进一步的分析。,为绘制点图，,Minitab,在,x,轴上将样本值分为许多区间（称作箱体）。落入每个箱体的数据值由点表示。如果可能，,Minitab,对每个观测值都显示一个点。否则，一个点将表示多个观测值，并带有脚注以指示每个点所表示的最大观测值数量。,钙质训练数据的点图显示两组的分布似乎不同：,对照组以平均每日摄入钙质,800,毫克为中心。还存在一个异常值，您应对其进行调查。,训练组以更高的值为中心，且分布也比对照组紧密。,以这种目测水平所见，培训计划似乎提高了参与者的钙质摄入量。您应该进一步分析数据以确定统计显著性。,