非参数统计-王星-第二版勘误表20150101版

《非参数统计》第二版勘误表中国人民大学统计学院王星范超褚挺进和12级非参1班诸多同学的友情贡献2015.01.01位置原文修改为P8第13行检验势函数随分布参数的变化曲线检验的两类错误出现的概率随分布参数的变化曲线P14倒数第2行其他虚线从上到下其他虚线从下到上P23定义1.9第二行X（T1+T2+。.。+T(g−1)）X（T1+T2+。.。+T(g−1)+1）P27倒数第3行根据定理1.5定理1.8P9第8行H1:2H1:2P31第11行f(X1,X2,X3)=sgn(2X1-X2+X3)f(X1,X2,X3)=sgn(2X1-(X2+X3))P9第21行=…=1-𝑝𝜃({X1,X2}C)0.05,θ20.95,θ≥2P41倒数第7行左侧检验…p值为P（Zz)左侧检验…p值为P（Zz)P41表2.2下第2行在M0的右边在M0的左边P41倒数第6行右侧检验…p值为P（Zz)右侧检验…p值为P（Zz)P45第2行容易得到…注意到此时二项分布不再是对称分布，所以得到P47例2.6倒数第三行125（1+5）125（1+5+10）P47表2.7标题以及47页第一行Cox-StuartCox-StautP61的R程序部分第3,4行for(iin1:(length(a)-1)){for(jin(i+1):length(a))for(iin1:length(a)){for(jini:length(a))P64第9行11行Booststrap方法Bootstrap方法和P92表3.3下面解：5.676Mxy5.677MxyP92第5行备择检验是H1：MxMyMxMyP9915行查表得W0.025=10W0.025=19P101第4行(m+n)/2=(5+5)/2=5(m+n+1)/2=(5+5+1)/2=5.5P101第5行M=(..-5)2+(..-5)2把里面的5都改成5.5,需要改5个5.最后的结果是61.25,不是62P101第6行M=62,….,由于15.25M=62….M=61.25,….,由于15.25M=61.25P105第13行精确p值为0.78，完全可以拒绝原假设精确p值为0.78，不能拒绝原假设P105最后一行可见p值都小于0.05，无法拒绝原假设可见p值都小于0.05，可以拒绝原假设P106第5行数据a的25%分位数明显大于数据b数据b的25%分位数明显大于数据aP114第三行16,4,01.0F12,4,01.0FP117倒数第7行P130（4.17）式子下数第三行，SE后的第一个等式分子的b^2删去，分母的b去掉P312的while语句while(i=100)(Total=Total+i;i=i+1)while(i=100){Total=Total+i;i=i+1}P132倒数第3行按体型分为四类按疗效分为四类P147第8行第二个等号P147第2行频数过小的格点不能太少频数过小的格点不能太多P149第10行独立或没有齐性删掉“或没有齐性”P154第11行不大于不小于P157第13行p(i|j)p(j|i)P157倒数第3行、第5行j.Pk.PP158第8行P158最后一行jRj.RP159第1行P159图表中的(4)jRj.RP159倒数第6行P160第4行P160第5行P161倒数第12行(0.39,0.412)(0.431,0.481)211..SSTinikjRijR211..SSTkjniRijRijsjjkkjjkkjpppp11..11..21sjsjjkkjjkkjpppp111..11..21.ˆ96.1iRiR.ˆ96.1iRiR的秩平均是riRRR,,,,,,R21的秩和是siRRR,,,,,,R21的权重占.iOriiiROTOOW12.....)5.0()1(12riiiROTOOW12......)5.0()1(12)ln()ln(2ijijijijmnnn))ln()ln((2ijijijijmnnn的权重占jO.P161倒数第8行=0.63±0.050(0.575-0.675)=0.63±0.045=(0.575,0.675)P161倒数第7行=0.49±0.075(0.414-0.564)=0.49±0.075=(0.414,0.564)P161倒数第6行0.079(0.414-0.564)0.079=(0.561,0.719)P161倒数第5行0.183(0.276-0.0641)0.183=(0.276,0.0641)P161倒数第4行0.236(0.318-0.789)0.236=(0.318,0.789)P164-最后(5.13)少了东西在()()110,0.rsAiBjij后面加上()()110,0.rsABijABijijP164倒数第9行Gp..LnGp..LnP164倒数第5行Gp..LnGp..LnP165第11行()()110,0.rsABijABijij()()110,0.rsAiBjijP166倒数第5行由表5.13可得由表5.14可得P167表5.15表内数据计算结果有误正确的计算结果见附1P169标题5.7.3上面第2行Y=[y1=lnp11/lnp22y2=lnp12/lnp22y3=lnp21/lnp22]Y=[y1=ln⁡(p11/p22)y2=ln⁡(p12/p22)y3=ln⁡(p21/p22)]P172表5.18表内数据计算结果有误修改后数据见附2P172程序数据a与例5.8不符合修改后数据见附3P175,R程序第8行N=(colsum/2)[1:order.num]+c(0,((cumsum(colsum))[2:order.num-1]))N=(colsum/2)[1:order.num]+c(0,(cumsum(colsum))[1:order.num-1]))P178习题5.3行标题分别改为“现在有肺炎”“现在没有肺炎”P189倒数第1行∑(Ri.−1k∑Rijkj=1)2ni=1∑(Ri.−R.⁡⁡.n)2ni=1P195程序第5行xx1=xx[xx＜=md]xx1=xx[xx＜=md]#实际编程中为避免删除数据丢失信息将不超过中位数的归为一类P198例6.9BM公式下面第1行双边检验p值为0.24卡方检验p值为0.12P198例6.9BM公式下面第3行双边检验p值为0.066卡方检验p值为0.033P210例7.1代码hist()部分xlab=”bodaysize”freq=”F”xlab=”bodysize”freq=”T”P215例7.2代码与题目不符题目带宽h=1,h=5,h=10代码带宽bw=1,bw=2,bw=8代码bw=1,bw=5,bw=10附录：附1（P167表5.15）：根据公式𝜇𝐴𝐵(ij)=𝑙𝑛𝑝𝑖𝑗−𝜇−𝜇𝐴(i)−𝜇𝐵(j)求得𝜇𝐴𝐵(ij)如下表：表5.15A与B交互作用的期望值BB(1)B(2)B(3)B(4)A(1)4.4552.4662.1422.993A(2)4.4382.4892.1142.956A(3)4.6872.7002.3613.206A(4)5.2213.1992.8683.732A(5)5.8173.7943.4364.345附2（P172表5.18）：表5.18对数线性模型的模型拟合优度检验结果dfLRTG^2p.lrtPearsonQp.pear结论(X,Y,Z)712.174810.0949547812.115690.09681789独立(XY,Z)510.912540.0531419310.903890.05331917独立(X,YZ)56.3600430.27274436.3466980.27393独立(Y,XZ)610.852040.0930582210.926130.09068638独立(XY,XZ)49.5897750.047934899.5380420.04897142不独立(XY,YZ)35.0977730.16477615.0883290.1654423独立(XZ,YZ)45.0372790.28349375.0249540.2847466独立程序：f=function(x){df=x$df#求自由度lrt=x$lrt#似然比检验统计量p.lrt=1-pchisq(x$lrt,x$df)#似然比检验统计量的p值Q=x$pear#pearson检验统计量Qp.pear=1-pchisq(x$pear,x$df)#pearson检验统计量Q的p值if(p.lrt0.05|p.pear0.05){conclusion=不独立}else{conclusion=独立}list(df,lrt,p.lrt,Q,p.pear,conclusion)}A=matrix(c(55,58,66,85,66,50),nrow=2)B=matrix(c(45,41,87,70,41,39),nrow=2)a=array(c(A,B),dim=c(2,3,2))m1=loglin(a,list(1,2,3))#模型（X,Y,Z）##2iterations:deviation1.136868e-13f1=f(m1)m2=loglin(a,list(c(1,2),3))#模型（XY,Z）##2iterations:deviation1.136868e-13f2=f(m2)m3=loglin(a,list(1,2:3))#模型（X,YZ）##2iterations:deviation0f3=f(m3)m4=loglin(a,list(2,c(1,3)))#模型（Y,XZ）##2iterations:deviation0f4=f(m4)m5=loglin(a,list(c(1,2),c(1,3)))#模型（XY,XZ）##2iterations:deviation5.684342e-14f5=f(m5)m6=loglin(a,list(c(1,2),c(2,3)))#模型（XY,YZ）##2iterations:deviation0f6=f(m6)m7=loglin(a,list(c(1,3),c(2,3)))#模型（XZ,YZ）##2iterations:deviation0f7=f(m7)y=rbind(f1,f2,f3,f4,f5,f6,f7)rownames(y)=c((X,Y,Z),(XY,Z),(X,YZ),(Y,XZ),(XY,XZ),(XY,YZ),(XZ,YZ))colnames(y)=c(df,LRTG^2,p.lrt,PearsonQ,p.pear,结论)y附3：a,,1[,1][,2][,3][1,]556666[2,]588550,,2[,1][,2][,3][1,]458741[2,]417039