數(shù)學(xué)建模課后作業(yè)

1、第七章.多元分析實驗7.2 基本實驗1.線性回歸；解：由題可以得出如下的R程序：> X1<-c(149.3, 161.2, 171.5, 175.5, 180.8, 190.7, 202.1, 212.4, 226.1, 231.9, 239)> X2<-c(4.2, 4.1, 3.1, 3.1, 1.1, 2.2, 2.1, 5.6, 5.0, 5.1, 0.7)> X3<-c(108.1, 114.8, 123.2, 126.9, 132.1, 137.7, 146.0, 154.1, 162.3, 164.3, 167.6)> Y<-c(1

2、5.9, 16.4, 19, 19.1, 18.8, 20.4, 22.7, 26.5,28.1, 27.6, 26.3)> > lm.sol<-lm(Y X1+X2+X3)> summary(lm.sol)運(yùn)行后可以得知；Call:lm(formula = Y X1 + X2 + X3)Residuals: Min 1Q Median 3Q Max -0.52367 -0.38953 0.05424 0.22644 0.78313 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -10

3、.12799 1.21216 -8.355 6.9e-05 *X1 -0.05140 0.07028 -0.731 0.488344 X2 0.58695 0.09462 6.203 0.000444 *X3 0.28685 0.10221 2.807 0.026277 * -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 Residual standard error: 0.4889 on 7 degrees of freedomMultiple R-squared: 0.9919, Adjusted R-squared: 0.9884 F-st

4、atistic: 285.6 on 3 and 7 DF, p-value: 1.112e-07則可以得出Y關(guān)于X1、X2、X3的線性回歸方程；Y=X1+0.58695 X2+0.28685X3由上述的結(jié)果可以得知方程的常量與X2顯著性為*表示十分的顯著，X3顯著性為*表示顯著，而X2為不顯著。（2）由（1）中的數(shù)據(jù)可以得知新的分析函數(shù)anova(lm.sol)R程序如下：X1<-c(149.3, 161.2, 171.5, 175.5, 180.8, 190.7, 202.1, 212.4, 226.1, 231.9, 239)X2<-c(4.2, 4.1, 3.1, 3.1,

5、1.1, 2.2, 2.1, 5.6, 5.0, 5.1, 0.7)X3<-c(108.1, 114.8, 123.2, 126.9, 132.1, 137.7, 146.0, 154.1, 162.3, 164.3, 167.6)Y<-c(15.9, 16.4, 19, 19.1, 18.8, 20.4, 22.7, 26.5,28.1, 27.6, 26.3)lm.sol<-lm(Y X1+X2+X3, data=blood)summary(lm.sol)anova(lm.sol)運(yùn)行后可以得出： Min 1Q Median 3Q Max -0.52367 -0.3895

6、3 0.05424 0.22644 0.78313 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -10.12799 1.21216 -8.355 6.9e-05 *X1 -0.05140 0.07028 -0.731 0.488344 X2 0.58695 0.09462 6.203 0.000444 *X3 0.28685 0.10221 2.807 0.026277 * -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 Residual standard e

7、rror: 0.4889 on 7 degrees of freedomMultiple R-squared: 0.9919, Adjusted R-squared: 0.9884 F-statistic: 285.6 on 3 and 7 DF, p-value: 1.112e-07 > > anova(lm.sol)Analysis of Variance TableResponse: Y Df Sum Sq Mean Sq F value Pr(>F) X1 1 192.361 192.361 804.8833 1.738e-08 *X2 1 10.532 10.532

8、 44.0700 0.0002936 *X3 1 1.882 1.882 7.8765 0.0262771 * Residuals 7 1.673 0.239 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1由此結(jié)果可以看出X1、X2、X3均能通過顯著性檢驗，所以選擇全部變量作回歸方程是十分合理的。然后可以得出對變量作逐步回歸的R程序如下：lm.step<-step(lm.sol)運(yùn)行后：Start: AIC=-12.72Y X1 + X2 + X3 Df Sum of Sq RSS AIC- X1 1 0.1278 1.8008 -13.906

9、5<none> 1.6729 -12.7164- X3 1 1.8824 3.5554 -6.4238- X2 1 9.1967 10.8697 5.8689Step: AIC=-13.91Y X2 + X3 Df Sum of Sq RSS AIC<none> 1.801 -13.907- X2 1 9.651 11.452 4.443- X3 1 191.668 193.469 35.539接著繼續(xù)顯著性R程序分析：summary(lm.step)運(yùn)行可得：Call:lm(formula = Y X2 + X3)Residuals: Min 1Q Median 3Q

10、 Max -0.67365 -0.28064 0.05352 0.19187 0.73905 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -9.742740 1.059489 -9.196 1.58e-05 *X2 0.596052 0.091028 6.548 0.000179 *X3 0.212305 0.007276 29.180 2.06e-09 *-Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 Residual standard error: 0.4

11、744 on 8 degrees of freedomMultiple R-squared: 0.9913, Adjusted R-squared: 0.9891 F-statistic: 454.6 on 2 and 8 DF, p-value: 5.789e-09可以得出更加恰當(dāng)與精確Y與X1、X2、X3的線性關(guān)系如下如下：Y=-9.742740+0.596052X2+0.212305X3（3）由（1）與（2）中的線性方程可分別得出對應(yīng)的Y值為28.94179和29.03138由題目已知條件可以得出如下R程序new<-data.framelm.pred<-predict(lm.

12、sol,new,interval=”prediction”,level=0.95)lm.pred運(yùn)行后可以得出： fit lwr upr1, 28.97227 28.78513 29.37156可以得出預(yù)測區(qū)間為28.78513,29.37156,預(yù)測值大致為29.0置信區(qū)間則為28.94179,29.031382方差分析I（單因素方差分析）；解:作出如下假設(shè)命令；H0：三個廠產(chǎn)品的零件強(qiáng)度無差異,即二者方差相同；H1：三個廠產(chǎn)品的零件強(qiáng)度無有異,即二者方差不相同；由題可以得出關(guān)于三個工廠產(chǎn)品檢測數(shù)據(jù)差異的方差分析R程序如下：products<-c(115,116,98,83,103,1

13、07,118,116,73,89,85,97)A<-factor(rep(1:3,c(4,4,4)products.aov<-aov(productsA)summary(products.aov)運(yùn)行程序可以得出：> products<-c(115,116,98,83,103,107,118,116,73,89,85,97)> A<-factor(rep(1:3,c(4,4,4)> products.aov<-aov(productsA)> summary(products.aov) Df Sum Sq Mean Sq F value Pr

14、(>F) A 2 1304 652.0 4.923 0.0359 *Residuals 9 1192 132.4 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1由于Pr=0.0359<0.05,所以假設(shè)H1成立（2）由題目條件可以得出如下關(guān)于強(qiáng)度均值的R程序分析 ：products<-c(115,116,98,83,103,107,118,116,73,89,85,97)A<-factor(rep(1:3,c(4,4,4)pairwise.t.test(products,A)運(yùn)行后可以得出： Pairwise comparis

15、ons using t tests with pooled SD data: products and A 1 2 2 0.35 - 3 0.13 0.04P value adjustment method: holm由此可以得出三個工廠產(chǎn)品的產(chǎn)品強(qiáng)度均不相同，且存在一定的差異；（3）由題目要求可以得出如下多重分析的R軟件：1.mouse<-data.frame( X=c( 115,116,98,83,103,107,118,116,73,89,85,97), A=factor(rep(1:3, c(4, 4, 4)mouse.lm<-lm(X A, data=mouse)anov

16、a(mouse.lm)attach(mouse)tapply(X, A, mean)pairwise.t.test(X, A)pairwise.t.test(X, A, p.adjust.method = "none")plot(XA, col=5:7, main="Box-and-Whisker Plot of Mouse Data")detach(mouse)savePlot("box_plot2", type="eps")products<-c(115,116,98,83,103,107,118,116

17、,73,89,85,97)運(yùn)行后可得出：> mouse<-data.frame(+ X=c( 115,116,98,83,103,107,118,116,73,89,85,97),+ A=factor(rep(1:3, c(4, 4, 4)+ )> mouse.lm<-lm(X A, data=mouse)> anova(mouse.lm)Analysis of Variance TableResponse: X Df Sum Sq Mean Sq F value Pr(>F) A 2 1304 652.00 4.9228 0.03595 *Residual

18、s 9 1192 132.44 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 > > > attach(mouse)The following object(s) are masked _by_ '.GlobalEnv': A> tapply(X, A, mean) 1 2 3 103 111 86 > > > pairwise.t.test(X, A) Pairwise comparisons using t tests with pooled SD data: X and A 1 2

19、 2 0.35 - 3 0.13 0.04P value adjustment method: holm > > pairwise.t.test(X, A, p.adjust.method = "none") Pairwise comparisons using t tests with pooled SD data: X and A 1 2 2 0.351 - 3 0.066 0.013P value adjustment method: none > > plot(XA, col=5:7, + main="Box-and-Whisker

20、 Plot of Mouse Data")> detach(mouse)> > savePlot("box_plot2", type="eps")由以上結(jié)果可以得知三者之間存在顯著地差異性；2.mouse<-data.frame( X=c(115,116,98,83,103,107,118,116,73,89,85,97), A=factor(rep(1:3, c(4, 4, 4)mouse.lm<-lm(X A, data=mouse)anova(mouse.lm)mouse.aov<-aov(X A, d

21、ata=mouse)anova(mouse.lm)oneway.test(X A, data=mouse)oneway.test(X A, data=mouse, var.equal=T)運(yùn)行程序可以得出：> mouse<-data.frame(+ X=c(115,116,98,83,103,107,118,116,73,89,85,97),+ A=factor(rep(1:3, c(4, 4, 4)+ )> mouse.lm<-lm(X A, data=mouse)> anova(mouse.lm)Analysis of Variance TableRespon

22、se: X Df Sum Sq Mean Sq F value Pr(>F) A 2 1304 652.00 4.9228 0.03595 *Residuals 9 1192 132.44 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 > > mouse.aov<-aov(X A, data=mouse)> anova(mouse.lm)Analysis of Variance TableResponse: X Df Sum Sq Mean Sq F value Pr(>F) A 2 1304 652.00

23、4.9228 0.03595 *Residuals 9 1192 132.44 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1 1 > > oneway.test(X A, data=mouse) One-way analysis of means (not assuming equal variances)data: X and A F = 7.376, num df = 2.000, denom df = 5.553, p-value = 0.02733> oneway.test(X A, data=mouse, var.equ

24、al=T) One-way analysis of meansdata: X and A F = 4.9228, num df = 2, denom df = 9, p-value = 0.03595從上述結(jié)果可以得出p-value = 0.02733 ，p-value = 0.03595二者均小于0.05說明三個工廠的產(chǎn)品之間有顯著性差異；3方差分析II（雙因素方差分析）；解：（1）由實驗數(shù)據(jù)可以得出如下的方差分析R程序：tree<-data.frame( Y=c(4.6, 4.3, 6.1, 6.5, 6.8, 6.4, 6.3, 6.7, 3.4, 3.8, 4.0,3.8,4.7

25、, 4.3, 3.9, 3.5, 6.5, 7.0), A=gl(3,6,18, labels= paste("A", 1:3, sep=""), B=gl(3,2,18, labels= paste("B", 1:3, sep="")tree.aov <- aov(Y A+B+A:B, data=tree)summary(tree.aov)運(yùn)行后可以得出：> tree<-data.frame(+ Y=c(4.6, 4.3, 6.1, 6.5, 6.8, 6.4, 6.3, 6.7, 3.4, 3

26、.8, 4.0,3.8,4.7, 4.3, 3.9, 3.5, 6.5, 7.0),+ A=gl(3,6,18, labels= paste("A", 1:3, sep=""),+ B=gl(3,2,18, labels= paste("B", 1:3, sep="")+ )> tree.aov <- aov(Y A+B+A:B, data=tree)> summary(tree.aov) Df Sum Sq Mean Sq F value Pr(>F) A 2 3.974 1.987 26

27、.69 0.000164 *B 2 4.441 2.221 29.83 0.000107 *A:B 4 21.159 5.290 71.06 8.34e-07 *Residuals 9 0.670 0.074 -Signif. codes: 0 * 0.001 * 0.01 * 0.05 . 0.1由程序運(yùn)行結(jié)果可以得知反應(yīng)溫度與反應(yīng)壓力的影響均是高度顯著地的，而且二者之間也有著高度的交互作用顯著性。（2）由題中已知條件可以得到關(guān)于反應(yīng)溫度與壓力均值表格如下A1（60º）A2（70º）A3（80º）均值B1（2公斤）4.64.36.16.56.86.45.78B2

28、（2.5公斤）6.36.73.43.843.84.67B3（3公斤）4.74.33.93.56.574.98均值5.154.535.75進(jìn)一步可以得到反應(yīng)溫度與壓力綜合的表格產(chǎn)量均值A(chǔ)1（60º）A2（70º）A3（80º）B1（2公斤）4.456.36.6B2（2.5公斤）6.53.63.9B3（3公斤）4.53.76.75從表中數(shù)據(jù)可以看出當(dāng)反應(yīng)壓力B3（3公斤），反應(yīng)溫度為A3（80º）為最優(yōu)的生產(chǎn)方案。（3）從（2）中表格的數(shù)據(jù)分析可以看出產(chǎn)量隨著壓力的增加先降低后增加，隨溫度的增長也是先增后降，但是其規(guī)律存在一定的差異，從表中數(shù)據(jù)可以看出壓力與

29、溫度都很高時產(chǎn)量較大，但是壓力與溫度過高就會對設(shè)備、人員、技術(shù)提出很高的要求，使生產(chǎn)成本過高，而適當(dāng)?shù)膲毫εc溫度條件下也可以得到較高的產(chǎn)量，所以綜合各方面的因素而言適當(dāng)?shù)姆磻?yīng)溫度與反應(yīng)壓力獲得相對較高的產(chǎn)量降低生產(chǎn)的各方面要求以獲取較大的生產(chǎn)利益為最優(yōu)策略。4.判別分析解（1）對Af蠓蟲與Apf蠓蟲做判別分析，一距離判別由題目要求可以得出如下的R程序判別分析discriminiant.distance<-function (TrnX1, TrnX2, TstX = NULL, var.equal = FALSE) if (is.null(TstX) = TRUE) TstX<-rb

30、ind(TrnX1,TrnX2) if (is.vector(TstX) = TRUE) TstX<-t(as.matrix(TstX) else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX) if (is.matrix(TrnX1) != TRUE) TrnX1<-as.matrix(TrnX1) if (is.matrix(TrnX2) != TRUE) TrnX2<-as.matrix(TrnX2) nx<-nrow(TstX) blong<-matrix(rep(0, nx), nrow=1,

31、byrow=TRUE, dimnames=list("blong", 1:nx) mu1<-colMeans(TrnX1); mu2<-colMeans(TrnX2) if (var.equal = TRUE | var.equal = T) S<-var(rbind(TrnX1,TrnX2) w<-mahalanobis(TstX, mu2, S)-mahalanobis(TstX, mu1, S) else S1<-var(TrnX1); S2<-var(TrnX2) w<-mahalanobis(TstX, mu2, S2)-

32、mahalanobis(TstX, mu1, S1) for (i in 1:nx) if (wi>0) blongi<-1 else blongi<-2 blong1. 對于輸入標(biāo)本(1.24, 1.80)classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),nrow=9,byrow=F)classX2<-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30, 1.

33、78,1.96,1.86, 2.00, 2.00,1.96),nrow=6,byrow=F)test<-matrix(c(1.24, 1.80),nrow=1,byrow=T)discriminiant.distance(classX1,classX2, test,var.equal=TRUE)discriminiant.distance(classX1,classX2,test)運(yùn)行后可得：> discriminiant.distance(classX1,classX2, test,var.equal=TRUE) 1blong 1> discriminiant.distan

34、ce(classX1,classX2,test) 1blong 2可以得知當(dāng)方差相同時標(biāo)本(1.24, 1.80)屬于Af蠓蟲；當(dāng)方差不相同時標(biāo)本(1.24, 1.80)屬于Apf蠓蟲；2.對于標(biāo)本（1.28，1.84）classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),nrow=9,byrow=F)classX2<-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30, 1.78,

35、1.96,1.86, 2.00, 2.00,1.96),nrow=6,byrow=F)test<-matrix(c(1.28, 1.84),nrow=1,byrow=T)discriminiant.distance(classX1,classX2, test,var.equal=TRUE)discriminiant.distance(classX1,classX2,test)運(yùn)行后可以得出；> discriminiant.distance(classX1,classX2, test,var.equal=TRUE) 1blong 2> discriminiant.distanc

36、e(classX1,classX2,test) 1blong 2可以得知當(dāng)方差相同時標(biāo)本(1.28 1.84)屬于Apf蠓蟲；當(dāng)方差不相同時標(biāo)本(1.28 1.84)屬于Apf蠓蟲；3對于標(biāo)本（1.40，2.04）；classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),nrow=9,byrow=F)classX2<-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30, 1.78,1.

37、96,1.86, 2.00, 2.00,1.96),nrow=6,byrow=F)test<-matrix(c(1.40, 2.04),nrow=1,byrow=T)運(yùn)行后可以得出：> discriminiant.distance(classX1,classX2, test,var.equal=TRUE) 1blong 2> discriminiant.distance(classX1,classX2,test) 1blong 1可以得知當(dāng)方差相同時標(biāo)本(1.28 1.84)屬于Apf蠓蟲；當(dāng)方差不相同時標(biāo)本(1.28 1.84)屬于Af蠓蟲；二Fisher判別可以得出如下的

38、discriminiant.fisher判別程序：discriminiant.fisher<-function(TrnX1, TrnX2, TstX = NULL) if (is.null(TstX) = TRUE) TstX<-rbind(TrnX1,TrnX2) if (is.vector(TstX) = TRUE) TstX<-t(as.matrix(TstX) else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX) if (is.matrix(TrnX1) != TRUE) TrnX1<-as.mat

39、rix(TrnX1) if (is.matrix(TrnX2) != TRUE) TrnX2<-as.matrix(TrnX2) nx<-nrow(TstX) blong<-matrix(rep(0, nx), nrow=1, byrow=TRUE, dimnames=list("blong", 1:nx) n1<-nrow(TrnX1); n2<-nrow(TrnX2) mu1<-colMeans(TrnX1); mu2<-colMeans(TrnX2) S<-(n1-1)*var(TrnX1)+(n2-1)*var(Trn

40、X2) mu<-n1/(n1+n2)*mu1+n2/(n1+n2)*mu2 w<-(TstX-rep(1,nx) %o% mu) %*% solve(S, mu2-mu1); for (i in 1:nx) if (wi<=0) blongi<-1 else blongi<-2 blong對于標(biāo)本1（1.24,1.80）有如下的判別程序：classX1<-data.frame(x1=c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56),x2=c(1.27,1.74,1.64,1.82,1.90,1.70,1.82,1

41、.82,2.08)classX2<-data.frame(x1=c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30),x2=c(1.78,1.96,1.86, 2.00, 2.00,1.96)test<-matrix(c(1.24, 1.80),nrow=1,byrow=T)discriminiant.fisher(classX1,classX2,test)運(yùn)行后可以得出：> test<-matrix(c(1.24, 1.80),nrow=1,byrow=T)> discriminiant.fisher(classX1,classX2,tes

42、t) 1blong 2可以得知無論方差是否相同，標(biāo)本(1.24 1.80)都屬于Apf蠓蟲；對于標(biāo)本2（1.28,1.84）有如下的判別程序：classX1<-data.frame(x1=c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56),x2=c(1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08)classX2<-data.frame(x1=c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30),x2=c(1.78,1.96,1.86, 2.00, 2.00,1.96)test

43、<-matrix(c(1.28, 1.84),nrow=1,byrow=T)discriminiant.fisher(classX1,classX2,test)運(yùn)行后可以得出：> test<-matrix(c(1.28, 1.84),nrow=1,byrow=T)> discriminiant.fisher(classX1,classX2,test) 1blong 2可以得知無論方差是否相同，標(biāo)本(1.28 1.84)都屬于Apf蠓蟲對于標(biāo)本3（1.40,2.04）有如下的判別程序：classX1<-data.frame(x1=c(1.24,1.36,1.38,1

44、.38,1.38,1.40,1.48,1.54,1.56),x2=c(1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08)classX2<-data.frame(x1=c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30),x2=c(1.78,1.96,1.86, 2.00, 2.00,1.96)test<-matrix(c(1.40, 2.04),nrow=1,byrow=T)discriminiant.fisher(classX1,classX2,test)運(yùn)行程序后可以得出：> test<-matrix(c

45、(1.40, 2.04),nrow=1,byrow=T)> discriminiant.fisher(classX1,classX2,test) 1blong 2可以得知無論方差是否相同，標(biāo)本(1.40 2.04)都屬于Apf蠓蟲；（2）由題中已知條件可以得出如下的lda()和qda()函數(shù)判別程序：對于標(biāo)本1（1.24,1.80）classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),ncol=2)classX2<

46、;-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30,1.78,1.96,1.86, 2.00, 2.00,1.96),ncol=2)test<-c(1.24, 1.80)train<-rbind(classX1,classX2)test<-rbind(test)f<-factor(c(rep(“1”,9),rep(”2”,6)m<-lda(train,f)predict(m,test)$classn<-qda(train,f)predict(n,test)$class運(yùn)行程序后可以得出：> predict(m,t

47、est)$class1 1Levels: 1 2> n<-qda(train,f)> predict(n,test)$class1 1Levels: 1 2兩種函數(shù)均認(rèn)為該標(biāo)本為Af蠓蟲；對標(biāo)本2（1.28,1.84）classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),ncol=2)classX2<-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30,1.78,1

48、.96,1.86, 2.00, 2.00,1.96),ncol=2)test<-c(1.28, 1.84)train<-rbind(classX1,classX2)test<-rbind(test)f<-factor(c(rep(“1”,9),rep(”2”,6)m<-lda(train,f)predict(m,test)$classn<-qda(train,f)predict(n,test)$class運(yùn)行程序后可以得出：> predict(m,test)$class1 2Levels: 1 2> n<-qda(train,f)>

49、predict(n,test)$class1 1Levels: 1 2即lda 函數(shù)分析該標(biāo)本為Apf 蠓蟲 qda函數(shù)分析該標(biāo)本為A f 蠓蟲對于標(biāo)本三（1.40,2.04）classX1<-matrix(c(1.24,1.36,1.38,1.38,1.38,1.40,1.48,1.54,1.56, 1.27,1.74,1.64,1.82,1.90,1.70,1.82,1.82,2.08),ncol=2)classX2<-matrix(c(1.14, 1.18, 1.20, 1.26, 1.28, 1.30,1.78,1.96,1.86, 2.00, 2.00,1.96),nco

50、l=2)test<-c(1.40，2.04)train<-rbind(classX1,classX2)test<-rbind(test)f<-factor(c(rep(“1”,9),rep(”2”,6)m<-lda(train,f)predict(m,test)$classn<-qda(train,f)predict(n,test)$class運(yùn)行程序后可以得出：> predict(m,test)$class1 2Levels: 1 2> n<-qda(train,f)> predict(n,test)$class1 2Levels:

51、 1 2即兩函數(shù)均分析樣本三為Apf蠓蟲；（3）從以上數(shù)據(jù)的輸出結(jié)果來看距離函數(shù)的判斷更加的細(xì)致，分析的方面也比較寬，但是輸出的結(jié)果比較復(fù)雜，考慮到方差的相似與否問問題來看，結(jié)果比較模棱兩可，需要進(jìn)一步的分析處理，F(xiàn)isher函數(shù)的輸出結(jié)果較為確定，分析過程為線性化的處理方式，結(jié)果的可信度較高，判別分析的目標(biāo)是在分析區(qū)間盡量窄，波動盡量小的情況下對問題進(jìn)行合理化的分析，F(xiàn)isher和lda()都是對問題數(shù)據(jù)進(jìn)行線性化的分析，遵循一定的線性規(guī)律，線性度越高，結(jié)果越準(zhǔn)確；qda()是對復(fù)雜問題的多次分析處理方法，屬于二次判別的情況，在本題中，數(shù)據(jù)之間存在一定的線性關(guān)系故采用qda()函數(shù)分析判別更加精確。7.3.加分實驗（早餐方便粥數(shù)據(jù)分析）；解：（1）問題分析： 對于ABC三個廠商的早餐粥的營養(yǎng)問題，高蛋白質(zhì)，高纖維素，低脂肪，低糖依次來判段是否具有營養(yǎng)價值，即對于不同廠商的早餐粥要求在量一定的情況下高蛋白質(zhì)，高纖維素，低脂肪，低糖。 對于每一個廠商而言均多種品牌的早餐粥銷售，我們