книги / Статистика и анализ геологических данных
..pdfт. е. произвольный вектор [А] оказывается равным вектору раз
ности между средними [X — р]. Таким образом, для вычисления критерия мы находим матрицу, обратную ковариационной мат
рице, умножаем ее слева на вектор-строку [X — р]'и затем вы полняем умножение справа на вектор-столбец той же разности. Полученная статистика является многомерным обобщением t-статистики и называется Т2-статистикой Хотеллинга в честь математика, который впервые ее использовал. Критические зна чения Т2 определяются с помощью соотношения
F |
п — m |
Т2, |
(7.14) |
m (п — 1) |
где п — число наблюдений, а ш — число переменных. Эта фор мула позволяет для определения критических значений вместо специальных таблиц Т2-распределения использовать более удоб ные таблицы F -распределения. Более полное изложение вопро сов, связанных с Т2-критерием, дается во многих руководствах, как, например, в монографии Моррисона [22].
Хотя формула Т2-критерия (7.13) имеет очень простой вид, его вычисление для заданных числовых характеристик может оказаться очень трудоемким. Например, предположим, что мы измерили содержание четырех элементов в семи пробах лунного грунта. Мы хотим проверить гипотезу, что эти пробы извлечены из совокупности, имеющей то же среднее значение, как и конти нентальные базальты. Предположим, что мы взяли наши сред ние значения из «Справочника физических констант» [3]. Кри терий Хотеллинга Т2 оказывается вполне пригодным для про верки гипотезы о том, что вектор средних значений лунных проб не отличается от вектора средних значений базальтов, приве денных в справочнике.
Сначала мы вычисляем вектор четырех выборочных средних и матрицу дисперсий и ковариаций порядка 4X4. Далее вычис ляется вектор разностей между выборочными средними и сред
ними значениями совокупности [X — р]. Затем производится обращение матрицы ковариаций и дисперсий, т. е. вычисляется [s2]"1. Наконец, мы выполняем два матричных умножения:
[X — р]' [s2]-1. [X — р], после чего умножение результата на п дает значение Т2. Из этого описания легко видеть, что объем вы числений быстро растет с увеличением числа переменных. Од нако для больших массивов данных мы можем провести вычис ления, используя подпрограммы, приведенные в гл. 4. Данные по семи лунным пробам, так же как и вектор средних, приве дены в табл. 7.5. В этой таблице даны также промежуточные результаты вычислений и окончательное значение Т2. Вычислите
матрицу для второй |
выборки — через [SP2]. Объединенная |
оценка ковариационной |
матрицы имеет следующий вид: |
|
H |
] - 7 7 + W |
(|SP|| + |
|SPjI)- |
|
|
(7',5) |
|
После |
того |
как найдем |
разность |
между |
двумя |
векторами |
||
средних |
[Xi] и |
[Х2], или |
[Xi — Х2], Т2-критерий |
примет следую |
||||
щий вид: |
|
|
|
|
|
|
|
|
|
T 2 = |
^ ^ - [ X |
I - X 2]' [ S * ] " 1 • [Xi |
— |
Х 2]. |
(7.16) |
Для определения критического значения Т2-статистики можно воспользоваться F -распределением, т. е.
П1 + П2— m — 1 гр2
|
(ni + П2— 2) m |
|
(7.17) |
||
|
|
|
|
||
с ш и (ni + n2 — ш — 1) степенями свободы |
[22J. |
|
|
||
|
|
|
Т а б л и ц а |
7.6 |
|
Содержание четырех элементов в семи пробах океанических базальтов, |
% |
||||
|
Si |
А1 |
Fe |
M g |
|
1 |
22,5 |
9,6 |
6 , 6 |
3,4 |
|
2 |
22,1 |
8,4 |
7,8 |
3,6 |
|
3 |
25,9 |
8,7 |
4 , 8 |
4,0 |
|
4 |
23,5 |
8,1 |
5,0 |
5,2 |
|
5 |
21,7 |
10,0 |
8,2 |
4,9 |
|
6 |
21,9 |
8,2 |
9,3 |
4,9 |
|
7 |
23,7 |
7,2 |
9,5 |
3,3 |
|
Средние |
23,04 |
8,60 |
7,31 |
4,19 |
|
Разности между средними таб |
- 3 ,2 9 |
7,37 |
0,00 |
|
|
лиц 7.5 и 7.6 |
- 3 ,3 9 |
|
|||
|
Ковариационная матрица |
|
|
|
|
2,1828820 |
-0,4399923 |
-1,7223760 |
-0,2409477 |
|
|
-0,4399923 |
0,8966687 |
-0,4199982 |
0,1266680 |
|
|
-1,7223760 |
-0,4199982 |
3,6547640 |
—0,2480939 |
|
|
-0,2409477 |
0,1266680 |
-0,2480939 |
0,6380959 |
|
|
Объединенная ковариационная матрица для табл. 7.5 и 7.6
1,6812080 |
-0,3738041 |
-0,8315379 |
-0,0808296 |
-0,3738041 |
0,8823825 |
-0,5515442 |
0,2142866 |
-0,8315379 |
-0,5515442 |
2,2281030 |
-0,3974981 |
-0,0808296 |
0,2142866 |
-0,3974981 |
0,7647624 |
Матрица, обратная объединенной ковариационной матрице
1,1213670 |
0,8356105 |
0,6665248 |
0,2308193 |
0,8356105 |
1,9991410 |
0,7963902 |
-0,0579050 |
0,6665248 |
0,7963902 |
0,9561165 |
0,3442555 |
0,2308193 |
-0,0579050 |
0,3442555 |
1,5271490 |
Т 2 = 135,30
В табл. 7.6 приведены данные семи анализов океанических базальтов Тихого океана на те же четыре элемента, что и в табл. 7.5. Предполагая, что обе выборки извлечены из много мерных совокупностей с нормальным распределением и с оди наковыми ковариационными матрицами, проверим гипотезу о том, что векторы средних значений лунных и тихоокеанских образцов одинаковы. В таблице приведены необходимые вычис ления. Является ли нулевая гипотеза о равенстве многомерных средних приемлемой при 5%-ном уровне значимости (а = 0,05)?
Равенство ковариационных матриц. Основное допущение, на котором основаны два предыдущих критерия, заключается в том, что выборки считаются взятыми из совокупностей, имеющих одну и ту же ковариационную матрицу. Это многомерный ана лог предположения о равенстве дисперсий, лежащем в основе применения t-критерия для проверки гипотезы о равенстве сред них значений. На практике предположение о равенстве может нарушаться, так как выборки, имеющие высокое среднее значе ние, часто имеют также и большую дисперсию. Как указыва лось в гл. 5, такое поведение характерно для многих геологиче ских характеристик, таких, например, как значения содержаний редких элементов. Равенство ковариационных матриц можно проверить с помощью «критерия обобщенных дисперсий», яв ляющегося многомерным эквивалентом F -критерия [22].
Предположим, что мы имеем к групп наблюдений и в каж дой из них m переменных. Для группы с номером i вычислим ковариационную матрицу [s2] и проверим нулевую гипотезу
Н, :[£?]=■ [ £ ? ] - |
. - И |
при альтернативе |
|
Н ,:[ е П ^ № ] .
В тех случаях, когда к и m не превышают 5 и каждая оценка ковариационной матрицы строится на основании не менее 20 наблюдений, %2-аппроксимация является наиболее точной. Ис пользуя этот критерий, проверьте гипотезы о равенстве ковари ационных матриц по двум выборкам, приведенным в табл. 7.5 и 7.6. Для вычисления значения критерия необходимо подсчи тать определители трех матриц четвертого порядка [s2], [s2] и
[s2p]. Это можно сделать с помощью подпрограммы MINV
(программа 4.8) или с помощью какого-либо другого алгоритма. Как только определители будут вычислены, получение значения критерия уже не вызывает затруднений. Для удобства мы пред положим, что объемы выборок достаточно велики для того, чтобы %2-аппроксимация была точной.
С целью иллюстрации процедуры проверки гипотез с исполь зованием многомерных статистик мььрешим следующую задачу. При этом заранее предположим, что число выборок допускает возможность применения некоторой аппроксимации.
В восточном Канзасе на некоторой территории вся питьевая вода добывается из скважин. Одни из них пробурены в аллю виальных отложениях долин рек, в то время как другие про низывают водоносный известняковый горизонт, являющийся ис точником многочисленных ключей в данном районе. Население предпочитает использовать воду из аллювиальных отложений, так как считает, что она вкуснее. Однако водные ресурсы ал лювия ограниченны, и иногда желательно было бы пополнить их за счет известнякового водоносного горизонта.
Для того чтобы доказать, что качество воды из этих двух источников одинаково, были взяты пробы в разных скважинах. Пробы анализировались на содержание тех химических ком понентов, которые определяют качество воды. Некоторые из этих анализов приведены в табл. 7.7. В ней приведены также кова риационные матрицы, их обратные матрицы и определители для двух заданных совокупностей и для объединенной выборки. По этим данным можно проверить гипотезу о равенстве векторов средних значений. Мы предполагаем, что выборки взяты случайно из многомерных совокупностей с нормальным распределением.
Используя статистику М, определенную по формуле (7.19), проверим сначала гипотезу о равенстве ковариационных матриц двух совокупностей:
М = (2 0 + 2 0 - 2 ) In2,0725 • 10s - (1 9 In 1,8838X X 108+ 1 9 In 2,2582 • 10®) = 0,1835.
Чтобы использовать %2-аппроксимацию, вычислим множитель
2.52 + |
3 • 5 - 1 |
/ |
1 |
19 |
40 Г ^ - ) = 0,861. |
б (5 + |
1) ( 2 - 1 ) |
\ |
19 |
Значение %2-статистики равно 0,158, а число степеней сво боды
V = 4 - ( 2 - 1 ) ( 5 ) ( 5 + 1 ) = 1 5 .
Критическое значение х 2 при V = 1 5 * H 5 % - н о м уровне зна чимости равно 25. Вычисленное значение намного ниже этой ве-
|
|
|
|
Т а б л и ц а 7.7 |
Катионный состав |
проб воды, взятых |
из |
скважин в восточном |
|
|
|
Канзасе, % |
|
|
Xt |
х 2 |
Х3 |
Х< |
х 5 |
А. Пробы из скваж ин |
в аллю вии |
|
26,1 |
|
15,9 |
20,0 |
27,i8 |
41,8 |
|
16,5 |
14,1 |
38,3 |
20,7 |
21,9 |
9,6 |
15,6 |
10,0 |
32,3 |
44,5 |
11,5 |
15,2 |
34,8 |
21,4 |
29,4 |
12,0 |
21,3 |
38,9 |
34,6 |
7,3 |
13,1 |
26,1 |
59,0 |
23,9 |
20,6 |
12,7 |
15,9 |
38,8 |
21,3 |
29,3 |
15,8 |
15.9 |
52,7 |
13,0 |
2,2 |
11,6 |
19,8 |
30,8 |
17,9 |
24,4 |
11,2 |
17,2 |
22,3 |
41,0 |
28,0 |
8,2 |
19,5 |
31,6 |
26,6 |
33,6 |
10,8 |
16,8 |
39,2 |
20,9 |
7 / |
10,8 |
8,2 |
29,1 |
27,1 |
33,1 |
15,5 |
15,5 |
35,3 |
29,6 |
62,6 |
10,2 |
6,1 |
32,6 |
35,0 |
60,3 |
9,6 |
18,1 |
30,6 |
19,2 |
11,6 |
12,2 |
15,1 |
32,3 |
42,6 |
7,4 |
8,9 |
18,0 |
40,3 |
42,9 |
25,3 |
123,0 |
6,4 |
37,3 |
35,5 |
18,3 |
12,7 |
16,8 |
27,6 |
50,9 |
7,5 |
В. Пробы из скважин В известняковом водоносном' горизонте |
||||
13,2 |
17,5 |
23.4 |
38,5 |
36,3 |
13.9 |
11,2 |
34,8 |
18,0 |
30,4 |
7,1 |
13,5 |
7,8 |
27,0 |
52,7 |
9,6 |
13,2 |
31,3 |
17,3 |
36,5 |
10,6 |
19,0 |
35,8 |
32,5 |
18,0 |
10,2 |
23,4 |
56,8 |
19,6 |
27,9 |
10,0 |
14,7 |
35,1 |
18,1 |
37,7 |
13,1 |
13,1 |
47,3 |
Ю,1 |
4,6 |
9,9 |
18,4 |
26,6 |
14,1 |
34,9 |
9,8 |
14.8 |
17,2 |
37,4 |
34,4 |
6,0 |
16,6 |
26,1 |
21,1 |
40,8 |
8,2 |
14.6 |
34,9 |
17,7 |
15,8 |
8,3 |
6,6 |
27,1 |
21,6 |
43,5 |
13,4 |
13,9 |
33,3 |
24,9 |
70,4 |
8,0 |
4,6 |
30,0 |
29,4 |
70,5 |
7,4 |
16,1 |
28,2 |
17,2 |
17,5 |
|
|
|
X: |
|
X, |
|
|
V |
|
х< |
|
х5 |
|
|
|
|
|
|
лз |
|
|
||||
|
|
|
9,4 |
|
13,6 |
|
|
28,3 |
|
37,4 |
|
16,6 |
|
|
|
6,8 |
|
15,6 |
|
|
36,6 |
|
37,8 |
|
30,7 |
|
|
|
10,3 |
|
4,7 |
|
|
33,9 |
|
33,2 |
|
27,7 |
В ект о р |
|
10,0 |
|
14,0 |
|
|
24,2 |
|
45,7 |
|
18,5 |
|
с р е д н и х |
з н а ч е н и й |
|
д л я |
группы |
А |
|
|
|||||
В ект о р |
|
12,055 |
16,08 |
|
34,465 |
|
29,91 |
|
24,835 |
|||
ср е д н и х з н а ч е н и й |
|
дл я |
группы |
В |
|
|
||||||
|
|
|
9,76 |
|
13,955 |
30,935 |
|
25,93 |
33,27 |
|||
К о в ар и ац и о н н ая м а т р и ц а А |
|
2,25822 x 1 0 е |
||||||||||
с |
о п р е д е л и т е л е м , р а в н ы м |
|
------------ |
|||||||||
|
5,6394620 |
|
0,7332828 |
|
8,6868000 |
|
-2,9821260 |
-5,5767340 |
||||
|
0,7332828 |
23,1732900 |
|
12,7656400 |
|
-4,5592230 |
-26,9460700 |
|||||
|
8,6868000 |
12,7656400 |
|
103,3983000 |
|
-42,3948000 |
-62,3459900 |
|||||
|
-2,9821260 |
-4,5592230 |
-42,3948000 |
|
106,9526000 |
13,1360100 |
||||||
|
-5,5767340 |
-26,9460700 |
-62,3459900 |
|
13,1360100 286,8151000 |
|||||||
Ковариационная |
м а т р и ц а В |
|
|
|
1,88381 хЮ® |
|
||||||
с |
о п р е д е л и т е л е м , р а в н ы м |
|
|
|
|
"5,1614800 0,5133812 7,3683410 -1,4102910 -3,4401890
0,5133812 21,0247300 10,6948600 -4,0895870 -25,3971700
7,3683410 10,6948600 102,8046000 -38,5268000 -58,1688200
-1,4102910 |
-4,0895870 -38,5268000 |
98,8654500 |
7,2520690 |
|||
3,4401890 |
-25,3971700 -58,1688200 |
|
7,2520690 |
290.8707000 |
||
К о в а р и а ц и о н н а я |
м а т р и ц а |
объединенной |
-2,07252x10® |
|||
В ы борки |
с о п р е д е л и т ел е м , |
р а в н ы м ------ |
||||
" 5,4004710 |
0,6233320 |
8,0275700 |
-2,1962090 |
-4,5084610 |
||
0,6233320 |
22,0990100 |
11,7302500 |
-4,3244050 |
-26,1716200 |
||
8,0275700 |
11,7302500 |
103,1014000 -40,4608000 |
-60,2574000 |
|||
-2,1962090 |
-4,3244050 |
-40,4608000 |
102,9090000 |
10,1940400 |
||
L -4,5084610 |
-26,1716200 |
-60,2574000 |
10,1940400 |
288,8429000 |
||
М ат р и ц а , |
обратная ковариационной матрице |
объединенной. *выборки |
||||
0,2100476 |
0,0029156 -0,0176276 -0,0023202 |
-5,27736е—05“ |
||||
0,0029156 |
0,0518892 |
-0,0036462 |
|
0,0004157 |
0,0039718 |
|
-0,0176276 |
-0,0036462 |
0,0148257 |
|
0,0050709 |
0,0023084 |
|
-0,0023202 |
0,0004157 |
0,0050709 |
|
0,0116147 |
0,0006494 |
|
L —5,27737е-05 |
0,0039718 |
0,0023084 |
|
0,0006494 |
0,0.042798 |
Xi — кремнезем; Х2 — железо; Х3 — магний; Х4 — натрий+кальций; Хб— кальций.
личины, и потому мы можем заключить, что ничто не мешает нам принять гипотезу о равенстве ковариационных матриц изу чаемых совокупностей. Далее, используя Т2-критерий (7.16), мы можем проверить гипотезу о равенстве многомерных средних:
т2= - ж т ж 1 1’5661 = 15’66-
В скобках указан результат, полученный после выполнения соответствующих матричных умножений, указанных в формуле
(7.16). Используя формулу (7.17), мы вычислим соответствую щее значение F -статистики:
20 + |
2 0 - 5 - 1 |
15,66 = 2,80. |
(20 + |
20 - 2) 5 |
Числа степеней свободы таковы: v1= 5,
V 2 = 2 0 + 2 0 - 5 - 1 = 3 4 .
Критическое значение F -критерия при 5 и 34 степенях сво боды и 5% -ном уровне значимости равно 2,49. Так как вычис-' ленная нами статистика превосходит это критическое значение, то мы можем заключить, что наши выборки указывают на су ществование различия между векторами средних двух изучае мых совокупностей. Иными словами, имеется статистически зна чимое различие в составе воды из двух водоносных горизонтов. Этот простой критерий не позволяет выделить те переменные, которые обусловливают различие в химическом составе воды, но он позволяет подтвердить мнение населения о том, что вода из этих двух источников различается по своим свойствам.
Можно также использовать многомерные методы, являю щиеся обобщением процедур дисперсионного анализа, изложен ных в гл. 3. Все они основаны на сравнении двух матриц по рядка m X m , являющихся многомерными эквивалентами внут ригрупповых и межгрупповых сумм квадратов, используемых в обычном дисперсионном анализе. Проверяемая статистика ос нована на наибольшем собственном значении матрицы, исполь зуемой для сравнения. Мы не будем рассматривать этих кри териев здесь, так как их формулировка сложна, а приложение к геологическим задачам весьма ограничено. Из этого, однако, не следует делать вывод, что потенциальные возможности этих методов уже исчерпаны. Заинтересованные читатели могут обра титься к книге Кули и Лонеса [4], в которой имеются вычис лительные программы многомерного дисперсионного анализа и примеры его использования, а также к книгам Моррисона [22], Коха и Линка [14], в которых содержится краткое изложение процедуры исследования геохимических данных с помощью мно гомерного дисперсионного анализа.
Дискриминантные функции
Одним из наиболее широко используемых в науках о Земле многомерных методов является дискриминантный анализ. Мы рассматриваем его здесь по двум причинам: во-первых, он является мощным статистическим методом и, во-вторых, его мо