概率统计方法建模数学建模第十四章总结.doc

第十四章 统计方法建模 数理统计是以概率论为理论基础的一个数学分支.它是从实际观测的数据出发研究随机现象的规律性.在科学研究中，数理统计占据一个十分重要的位置，是多种试验数据处理的理论基础. 14.1统计的基本概念 14.1.1总体和样本 在数理统计中，我们将研究对象的某项数量指标值的全体称为总体（Population），总体中的每个元素称为个体(Individual).例如一批显像管寿命值的全体就组成一个总体，其中每一只显像管的寿命就是一个个体.为了便于数学上处理，我们将总体定义为随机变量.随机变量的分布称为总体分布.从总体中抽取部分个体，称为抽样，即是对进行若干次观测，得到的就是n个随机变量，称为样本，其中n称为样本容量为使样本具有充分的代表性，抽样必须是随机的应使总体中的每个个体被抽取到的机会等独立各次抽样是相互独立，即每次抽样的结果既不影响其它各次抽样的结果，也不受其它各次抽样结果的影响这种随机的、独立的抽样称为简单随机抽样，得到的样本称为简单随机样本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； 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) 14.1.1.2 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 x=X(r(1:n)) 即可得到容量为n的无放回抽样本x。 无放回抽样中，各样本点不是相互独立的。 14.1.2统计量 14.1.2.1统计量 【定义1】设是来自总体X的一个样本，是的函数，若中不含任何未知参数，则称是一个统计量（Statistic）. 设是相应于样本的样本值，则称是的观察值. 下面定义一些常用的统计量.设是来自总体X的一个样本，是这一样本的观察值.定义 平均值（或均值，数学期望）： 中位数：将数据由小到大排序后位于中间位置的那个数值. 标准差： 它是各个数据与均值偏离程度的度量. 方差：标准差的平方. 极差：样本中最大值与最小值之差. 偏度：