数理统计和Matlab.docVIP

目 录 第1章 数理统计基本概念 1 1.1 总体与样本 1 1.1.1 简单随机样本 1 1.1.2 有限总体的无放回样本 3 1.2 统计量 3 1.2.1 样本k阶矩 3 1.2.2 顺序统计量 4 1.2.3 经验分布函数 4 1.3 三个常用分布 6 1.3.1 分布 6 1.3.2 t分布 7 1.3.3 F分布 8 第2章 参数估计 10 2.1 点估计 10 2.1.1 无偏性 10 2.1.2 有效性 12 2.1.3 相合性 12 2.2 区间估计 13 2.2.1 单正态总体均值的置信区间 13 2.2.2 单正态总体方差的置信区间 14 2.2.3 两正态总体均值差的置信区间 15 2.2.4 两正态总体方差比的置信区间 15 第3章 假设检验 17 3.1 假设检验的基本概念 17 3.2 正态总体参数的假设检验 19 3.2.1 单正态总体均值的假设检验 19 3.2.2 单正态总体方差的假设检验 20 3.2.3 两正态总体均值的假设检验 21 3.2.4 两正态总体方差的假设检验 21 3.2.5 大样本非正态总体均值的假设检验 22 3.5 总体分布的假设检验 23 3.5.1 检验 23 第4章 回归分析 26 4.1 一元回归分析 26 4.1.1 回归方程的计算 26 4.1.2 回归方程的显著性检验 27 4.2 多元回归分析 30 4.2.1 多元回归方程的计算 30 4.2.2 显著性检验 31 4.2.3 逐步回归分析 34 第1章 1.1 总体与样本 总体：研究对象的全体。一维或多维数量指标。随机变量。 个体：每个研究对象。 样本：总体的一部分。 1.1.1 简单随机样本 ，i.i.d，独立同分布。无限总体抽样。 在Matlab中各种随机数可以认为是独立同分布的，即简单随机样本。以下罗列在Matlab中的实现方法。 ，均匀分布样本 n=10;x=rand(1,n) n=10;a=-1;b=3;x=rand(1,n);x=(b-a)*x+a ，正态分布样本 n=10;x=randn(1,n) mu=80.2;sigma=7.6;m=1;n=10;x=normrnd(mu,sigma,m,n) 上面首先对总体均值赋值mu=80.2;再对标准差赋值sigma=7.6; m=1;n=10;分别对生成的随机阵对的行数和列数进行赋值，然后可直接利用Matlab自带的函数normrnd生成正态分布的随机数。 类似地可生成m行n列的随机矩阵，服从指定的分布。生成随机数的函数后缀都是rnd，前缀为分布的名称。常用分布的随机数产生方法罗列如下，注意使用前先要对参数赋值。 x=betarnd(a,b,m,n) 参数为a,b的beta分布； x=binornd(N,p,m,n) 参数为N,p的二项分布； x=chi2rnd(N,m,n) 自由度为N的分布； x=exprnd(mu,m,n) 总体期望为mu的指数分布； x=frnd(n1,n2,m,n) 自由度为n1与n2的F分布； x=gamrnd(a,b,m,n) 参数为a,b的分布； x=lognrnd(mu,sigma,m,n) 参数为mu与sigma的对数正态分布； x=poissrnd(mu,m,n) 总体均值为mu的Poisson分布； x=trnd(N,m,n) 自由度为N的T分布； Matlab统计工具箱中还有一些其它分布，不再一一列举。 对于已知密度函数的不常用连续型总体，若想产生服从该分布的随机数，可用如下方法。 例1.1 设总体密度函数为 试从该总体中抽取容量为1000的简单随机样本。 解 利用matlab编辑窗口保存以下程序，保存为ex11.m n=1000; x=zeros(1,n); k=0; while kn a=rand*pi-pi/2; b=rand/2; if b(cos(a)/2) k=k+1; x(k)=a; end end 注意理解其原理。保存完成之后，在命令窗口执行ex11，则x被赋值。再执行下列命令，就可以得到这个容量为1000的样本的直方图。 hist(x,-pi/2:0.2:pi/2) 1.1.2 有限总体的无放回样本 若有限总体为，希望从中无放回抽取容量为n的样本，这里N与n已经赋值，则可利用 r=randperm(N) 产生的一个随机全排列，即r是一个N维向量。于是，对于给定的N维向量X，令