概率实验报告(全三次).pptVIP

从自动车床加工的同类零件中抽取10件,测量其长度为A=[12.15 12.12 12.01 12.28 12.09 12.03 12.01 12.11 12.06 12.14] ; sprintf(样本的均值%f,mean(A)) %计算方差 sprintf(样本的方差%f,std(A)) %零件长度的均值mu和方差的置信水平为% % 0.95的置信区间 [junzhi,fangcha,junzhi_zhixinqujian,facha_zhixinqujian]=normfit(A); qqplot(X) X为数据 displays a quantile-quantile plot of the sample quantiles of X versus theoretical quantiles from a normal distribution. qqplot(X,Y) displays a quantile-quantile plot of two samples. If the samples do come from the same distribution, the plot will be linear. Qqplot例子 X=[6.683 6.681 6.676 6.678 6.679 6.672]; Y=[6.661 6.661 6.667 6.667 6.664 6.662]; Qqplot(X,Y) 创新实验 随机地从A批导线中抽取4根,从A批导线中抽取5根,测得其电阻为： A批导线=0.143,0.142,0.143,0.137; B批导线=0.140,0.142,0.136,0.138,0.140; 设测试数据分别服从正态 和　　　　　 并且它们相互独立,期望和方差均未知. 使用的命令格式 回归分析与方差分析 使用的指令格式 1. 回归分析的指令（参考帮助的Linear Regression项） [b,bint,r,rint,stats] = regress(Y,X,alpha) 参数说明： b返回回归系数； bint为回归系数所在的置信水平为0.95的置信区间； rint为残差区间； stats为一个结构体,包括R^2 、F 和 p 值。 方差分析的指令（单因素）y=a+bx的形式 p = anova1(X) h = lillietest(x,alpha)此函数用来检验 H0：向量X中的样本是否来自正态分布 返回h = 1意味着拒绝H0（在显著性水平alpha下） 返回h = 0意味着接受H0（在显著性水平alpha下） p = anova1(X,Y) P值小于0.05或者0.01（根据题意确定）就认为有显著差异，beta1（斜率）不为0 Anova1的原假设H0是：X中的所有样本来自同一总体或者尽管来自不同总体但均值相同 例题 strength = [82 86 79 83 84 85 86 87 74 82 ... 78 75 76 77 79 79 77 78 82 79]; alloy = {钢,钢,钢,钢,钢,钢,钢,钢,... 金属1,金属1,金属1,金属1, ... 金属1,金属1,金属2,金属2, ... 金属2, 金属2,金属2,金属2}; p = anova1(strength,alloy) R2又称为方程的确定性系数（coefficient of determination）,表示方程中变量X对Y的解释程度。R^2取值在0到1之间,越接近1,表明方程中X对Y的解释能力越强。通常将R^2乘以100％来表示回归方程解释Y变化的百分比。F检验是通过方差分析表输出的,通过显著性水平（significant level）检验回归方程的线性关系是否显著。 说明 一般来说,显著性水平在0.05以下,均有意义。当F检验通过时,意味着方程中至少有一个回归系数是显著的,但是并不一定所有的回归系数都是显著的,这样就需要通过T检验来验证回归系数的显著性。 同样地,T检验可以通过显著性水平或查表来确定。在上面所示的例子中,各参数的意义如表8－2所示。 表8－2? 线性回归方程检验指标意义 R^2=0.89 ? “质量”解释了89％的“用户满意度”的变化程度 F=276.82 回归方程的线性关系显著 T=16.64 回归方程的系数显著 均在显著性水平下alpha=0.001 讲义例9.1.2 clc x=[20,60,100,140,180,220,260,300,340,380]; y=[0.18,0.37,0