数模讲稿.pptVIP

1 概率模型 自然界中的现象总的来说可以概括为两大现象： 确定性现象和随机现象。 在确定性现象中可以忽略随机因素的影响，在随机现象中必须考虑随机因素的影响。 确定性离散模型，主要使用差分方程方法、层次分析方法以及比较简单的图的方法和逻辑方法等方法建立模型； 确定性连续模型，主要使用微积分、微分方程及其稳定性、变分法等方法建立模型； 随机性模型，是指研究的对象包含有随机因素的规律，以概率统计为基本数学工具，其结果通常也是在概率意义下表现出来。随机因素的影响可以用概率、平均值（即数学期望）等的作用来体现。 1.1 概率论基础知识 1.2 常见概率分布及其数字特征 二项分布 泊松分布 指数分布 负二项分布 均匀分布 正态分布 1.3 林德贝格-勒维中心极限定理 指数增长模型（马尔萨斯人口模型） 阻滞增长模型（Logistic模型） 人口发展方程 2 统计回归模型 离散程度（方差，标准差，极差，四分位极差，变异系数） 分布形状（偏度系数，峰度系数） 充分统计量：不损失有效信息的统计（考虑方差达到最小的完备充分统计量） 衡量统计量的标准：无偏性，渐近无偏性，相合性，均方误差（包含了方差及偏差） 统计推断：找到描述总体的真实分布或对某些问题的解答，包括统计量的分布，参数估计（点估计，区间估计），假设检验，统计决策等。 统计量的分布：相当于随机变量函数的分布情况，大样本下的中心极限定理。 参数估计：点估计与区间估计 点估计：用样本值的某个函数值（即统计量的值）作为参数值的估计。点估计的方法有：矩估计法，极大似然估计法，最小二乘估计法，贝叶斯估计法 区间估计：以一定的置信水平保证参数落入某随机区间的一种估计，此法考虑到统计量的随机性。因而较为常用。区间估计的方法有：枢轴量法，大样本法，假设检验法，自助法（bootstrap法） 假设检验：用统计方法检验某种想法或问题是否正确的一种统计手段。 原假设与备择假设：地位是不对等的 检验：在样本空间里考虑，如何切割样本空间，一部分支持原假设，一部分支持备择假设（接受域，拒绝域） 两类错误 显著性水平 检验统计量（在原假设成立的 小概率事件原理 2.2 统计建模过程： step1:理论建模（问题的形成及建模） 这部分事实上与数据无关，主要是用统计、概率、数学语言去描述问题，然后形成统计模型去表达该问题（主要考虑到随机性）。 注：一定要弄清楚问题的背景，避免遗漏重要因素或包含不重要因子； 理解解决问题的目标； 确信客户要达到的目标； 用统计语言描述问题。 step2:收集数据（抽样调查，试验设计，观测数据） 注： 数据是观测到的，还是实验得到的？ 如何收集有代表性的数据？ 分类数据还是连续数据 数据是如何编码的？ 数据测量的单位（量纲） 注意有没有异常数据 step3:统计建模（确定总体的概率分布，常常包括：非参数成分，参数成分，随机成分。重点是考虑确定性部分与协变量的关系，即系统误差部分） step4:数据分析（图形法（直观但不精确）：统计图形；数值法（精确但不直观）：回归分析，贝叶斯分析，变量的选择…,等等；常常结合使用） step5:推断或统计决策 对整个统计建模过程的注记： 若可能，可用多种统计方法进行计算 不同模型的假设与结果可以轻稍的差别 数据分析本质上是交互的 结论应是多种模型下的一致结果（多种模型支持相同的结果） 重要的因子应出现在不同的模型中（重要的因子一定在模型中出现） 定性结论与定量结论 2.5 判别分析 判别分析—在已知研究对象分成若干类型，并已取得各种类型的一批已知样品的观测数据，在此基础上根据某些准则建立判别式，然后对未知类型的样品进行判别分类。 距离判别法—首先根据已知分类的数据，分别计算各类的重心，计算新个体到每类的距离，确定最短的距离（欧氏距离、马氏距离） Fisher判别法—利用已知类别个体的指标构造判别式（同类差别较小、不同类差别较大），按照判别式的值判断新个体的类别 Bayes判别法—计算新给样品属于各总体的条件概率，比较概率的大小，然后将新样品判归为来自概率最大的总体。 2.6 聚类分析 研究对样品或指标进行分类的一种多元统计方法,是依据研究对象的个体的特征进行分类的方法。 聚类分析把分类对象按一定规则分成若干类，这些类非事先给定的，而是根据数据特征确定的。在同一类中这些对象在某种意义上趋向于彼此相似，而在不同类中趋向于不相似。 聚类分析的基本思想 在生产实际中经常遇到给产品等级进行分类的问题，如一等品、二等品等，在生物学中，要根据生物的特征进行分类；在考古时要对古生物化石进行科学分类；在球类比赛中