数据分析课程设计 - NBA球员技术统计分析报告【精选文档】

1、数据分析课程设计 - NBA球员技术统计分析报告【精选文档】成 绩 评 定 表学生姓名严震班级学号1109010114专 业信息与计算科学课程设计题目 NBA球员技术统计分析报告评语组长签字：成绩日期 20 年 月 日 IV课程设计任务书学 院理学院专 业信息与计算科学学生姓名严震班级学号1109010114课程设计题目 NBA球员技术统计分析报告实践教学要求与任务：设计要求（技术参数）:1、熟练掌握SPSS软件的操作方法；2、根据所选题目及调研所得数据，运用数据分析知识，建立适当的数学模型；3、运用SPSS软件,对模型进行求解，对结果进行分析并得出结论; 4、掌握利用数据分析理论知识解决实际问题的一般步骤。设计任务:1、查阅相关资料，找到NBA球员技术的相关指标,获得相关数据;2、利用数据分析的理论，建立线性回归模型，以及对其进行主成分分析；3、利用SPSS软件求解，并给出正确的结论。工作计划与进度安排:第一天第二天 学习使用SPSS软件并选题 第三天第四天 查阅资料 第五天第六天 建立数学模型 第七天-第九天 上机求解并完成论文第十天 答辩指导教师： 201 年 月 日专业负责人：

2、201 年 月 日学院教学副院长：201 年 月 日摘 要数据分析析的主要应用有两方面，一是寻求基本结构，简化观测系统，将具有错综复杂关系的对象（变量或样品)综合为少数几个因子（不可观测的，相互独立的随机变量），以再现因子与原变量之间的内在联系;二是用于分类，对个变量或个样品进行分类。聚类分析一般有两种类型,即按样品聚类或按变量（指标）聚类，其基本思想是通过定义样品或变量间“接近程度的度量，将“相近的样品或变量归为一类。本文利用利用数据分析中的因子分析和聚类分析对多个变量数据进行了分析.就是分析和处理数据的理论与方法，数据分析中提出了广泛的多元数据分析的统计方法,包括线性回归分析、方差分析、因子分析、主成分分析、典型相关分析、判别分析、聚类分析等.关键词:spss软件；聚类分析;因子分析;线性规划目 录 1 数据分析的任务和目的11。1 问题的背景11.2 任务和目的12 数据的搜集与整理22.1 数据的来源22.2 数据的处理23 利用SPSS软件对结果进行分析3总 结13参考文献141 数据分析的任务和目的1.1 问题的背景 一年一度的NBA赛季让全世界的篮球迷为之疯狂，NBA赛事

3、之所以如此受欢迎，最主要的原因在于NBA球员高超的球技.球队中灵魂人物的个人发挥能够直接影响其球队的成败。因而对他们的技术统计与分析是一件十分重要的事情。众所周知,科比-布莱恩特和阿伦-艾弗森是深受大家喜爱的两位球员，两位球员在赛季的发挥也在一定程度上影响着两队的战绩。因此，通过两位球员在以往的赛季中的发挥及表现，可以大概的预测两人的得分及表现，为NBA相关的商业活动和广大球迷提供数据上的参考。1。2 任务和目的 1、频数分析（对两人平均每场上场时间进行频数分析) 2、基本描述统计量（用基本描述统计量的计算结果对两人技术进行分析比较） 3、单样本t检验（检验科比-布莱恩特和阿伦-艾弗森平均每场犯规次数的均值是否为2。7） 4、两独立样本t检验（科比布莱恩特和阿伦-艾弗森平均每场犯规次数比较） 5、 单样本非参数假设检验（检验科比-布莱恩特平均每场进攻次数与首发的关系基本是否为1：1:10：10：10：10：10：10：10:10：2） 6、单样本非参数假设检验(检验科比布莱恩特和阿伦-艾弗森平均每场盖帽次数总体的分布是否为正态分布） 7、 单样本非参数假设检验(检验科比-布莱恩特在某段

4、时间内平均每场得分是否持续正常） 8、单因素方差分析（用单因素方差分析，分别分析科比布莱恩特和阿伦-艾弗森平均每场防守次数对平均每场得分有无显著影响） 9、相关分析（研究平均每场三分球命中率与平均每场得分之间是否具有较强的线性关系) 10、偏相关分析（以平均每场失误次数为控制变量，研究平均每场罚球命中率与平均每场得分的偏相关关系） 11、线性回归分析（用逐步筛选法找科比布莱恩特的平均每场得分的线性回归方程） 12、曲线回归分析（用曲线回归分析法分析科比布莱恩特的平均每场得分）2 数据的搜集与整理2.1 数据的来源NBA球员科比布莱恩特和阿伦艾弗森11个赛季技术统计表下载自NBA中文官方网站，具有可信度.2.2 数据的处理定义视图数据视图:3 利用SPSS软件对结果进行分析（1)频数分析（对两人平均每场上场时间进行频数分析) 数据文件中增加一个变量scsj.输出1输出2分析：从输出1中看出，阿伦-艾弗森平均每场上场时间在1040（分钟)的频数为1，在40-50（分钟）的频数为10；科比布莱恩特平均每场上场时间在10-40（分钟）的频数为7，在4050（分钟）的频数为4；两人平均每场上场时

5、间在10-40（分钟）的频数为8，在4050(分钟）的频数为14。 从输出2中看出，交叉分组下的频数分析卡方检验结果的相伴概率为0.008,小于显著性水平0.05,故拒绝原假设,认为两人的平均每场上场时间存在显著性差异.（2） 基本描述统计量（用基本描述统计量的计算结果对两人技术进行分析比较)实现按NBA球员拆分,输出结果放在同一张表中。输出3分析:从输出3中看出，科比布莱恩特的平均每场投篮命中率、平均每场三分球命中率和平均每场罚球命中率的均值均比阿伦-艾弗森高，但标准差有高有底，说明在投篮方面科比-布莱恩特比阿伦-艾弗森发挥出色，但稳定程度高低不定。均值的统计误差均小于0.05（比较小)，说明数据没有不均衡现象,说明两人的发挥都比较稳定。（3） 单样本t检验（检验科比布莱恩特和阿伦艾弗森平均每场犯规次数的均值是否为2。7）实现按NBA球员拆分,输出结果放在同一张表中.输出4分析:从输出4中得，阿伦艾弗森单样本假设的相伴概率为0。001，小于显著性水平0.05，故拒绝原假设，认为阿伦艾弗森平均每场犯规次数的均值与2.7有显著性差异；科比-布莱恩特单样本假设的相伴概率为0。773，大于显

6、著性水平0。05，故接受原假设，认为科比布莱恩特平均每场犯规次数的均值与2。7无显著性差异。（4） 两独立样本t检验（科比布莱恩特和阿伦-艾弗森平均每场犯规次数比较）输出5分析：从输出5中看出，两独立样本F检验结果的相伴概率为0.019，小于显著性水平0。05，故拒绝原假设,认为阿伦艾弗森与科比-布莱恩特平均每场犯规次数的方差有显著性差异;两独立样本t检验结果的相伴概率为0。003，小于显著性水平0。05,故拒绝原假设，认为阿伦艾弗森与科比-布莱恩特平均每场犯规次数的均值有显著性差异。（5）单样本非参数假设检验（检验科比布莱恩特平均每场进攻次数与首发的关系基本是否为1：1：10：10：10:10:10：10:10：10：2）输出6输出7分析：从输出7中看出，非参数假设检验卡方分布的相伴概率为0。505,大于显著性水平0.05,故接受假设，认为样本来自的总体分布与理论分布无显著差异，即科比布莱恩特与首发的关系基本是为1：1：10：10：10：10：10:10：10：10：2。（6） 单样本非参数假设检验(检验科比-布莱恩特和阿伦-艾弗森平均每场盖帽次数总体的分布是否为正态分布）实现按NB

7、A球员拆分，输出结果放在同一张表中。输出8分析：从输出8看出，科比-布莱恩特的平均每场盖帽次数非参数检验结果的相伴概率为0.945，大于显著性水平0.05，故接受原假设,认为科比布莱恩特的平均每场盖帽次数服从正态分布；阿伦艾弗森的平均每场盖帽次数非参数检验结果的相伴概率为0。709,大于显著性水平0.05，故接受原假设，认为科比-布莱恩特的平均每场盖帽次数服从正态分布。（7）单样本非参数假设检验(检验科比布莱恩特在某段时间内平均每场得分是否持续正常）输出9分析：从输出9看出，随机性检验结果的相伴概率为0.210，大于显著性水平0.05，故接受假设，认为科比布莱恩特平均每场得分是随机的。（8）单因素方差分析(用单因素方差分析,分别分析科比布莱恩特和阿伦艾弗森平均每场防守次数对平均每场得分有无显著影响)输出10分析：从输出10中看出，科比-布莱恩特单因素方差分析结果的相伴概率为0。056，大于显著性水平0.05，故接受假设，认为科比-布莱恩特的平均每场防守次数对平均每场得分无显著影响；阿伦艾弗森单因素方差分析结果的相伴概率为0。374，大于显著性水平0。05，故接受假设，认为科比布莱恩特的

8、平均每场防守次数对平均每场得分无显著影响。（9）相关分析（研究平均每场三分球命中率与平均每场得分之间是否具有较强的线性关系）输出11输出12分析：从输出11中看出，平均每场三分球命中率与平均每场得分之间不具有较强的线性关系；从输出12中看出，相关分析的相伴概率为0.329，大于显著性水平0.05，故接受原假设，认为平均每场三分球命中率与平均每场得分之间不具有较强的线性关系.两种方法得到结果一致。（10） 偏相关分析（以平均每场失误次数为控制变量，研究平均每场罚球命中率与平均每场得分的偏相关关系）- - P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S - Controlling for. V15 V17 V9V17 1.0000 。3626 （ 0） ( 19) P= . P= .106V9 .3626 1.0000 ( 19) （ 0） P= 。106 P= 。(Coefficient / （D.F。) / 2tailed Significance)” 。 is printed if a coefficient cannot be computed输出13分析:从输出13中看出，偏相关分析结果的相伴概率为0。106，大于显著性水平0

《数据分析课程设计 - NBA球员技术统计分析报告【精选文档】》由会员壹****1分享，可在线阅读，更多相关《数据分析课程设计 - NBA球员技术统计分析报告【精选文档】》请在金锄头文库上搜索。