概率统计补充案例.doc

补充案例： 概率部分： 案例1、“三人行必有我师焉” 案例2、抓阄问题 案例3、贝叶斯方法运用案例介绍 案例4、化验呈阳性者是否患病 案例5、敏感性问题的调查 案例7、碰运气能否通过英语四级考试 案例8、检验方案的确定问题 案例9、风险型决策模型 案例10、一种很迷惑游客的赌博游戏 案例11、标准分及其应用 案例12、正态分布在人才招聘中的应用 案例13、预测录取分数线和考生考试名 统计部分： 案例14、随机变量函数的均值和标准差的近似计算方法 案例15、如何表示考试成绩比较合理 案例16、如何估计湖中黑、白鱼的比例 案例17、预测水稻总产量 案例18、工程师的建议是否应采纳 案例19、母亲嗜酒是否影响下—代的健康 案例20、银行经理的方案是否有效 案例21、一元线性回归分析的Excel实现 案例22、方差分析的Excel实现 案例23、 预测高考分数 案例24、两次地震间的间隔时间服从指数分布 案例1、“三人行必有我师焉” 我们可以运用概率知识解释孔子的名言“三人行必有我师焉”. 首先我们要明确一个问题，即只要在某一方面领先就可以为师(韩愈说“术业有专攻”). 俗语说“三百六十行，行行出状元”，我们不妨把一个人的才能分成360个方面。孔子是个大圣人，我们假设他在一个方面超过某个人的概率为99％，那么孔子在这方面超过与他“同行”的两个人的概率为99％ ×99％ =98.0l％，在360个方面孔子总比这两人强的概率为(98.01％)360=0.07％ ，即这两个人在某一方面可以做孔子老师的概率为99.93％.从数学角度分析，孔子的话是很有道理的. 案例2、抓阄问题 一项耐力比赛胜出的10人中有1 人可以获得一次旅游的机会，组织者决定以抓阄的方式分配这一名额. 采取一组10人抓阄，10张阄中只有一张写“有”. 每个人都想争取到这次机会，你希望自己是第几个抓阄者呢? 有人说要先抓，否则写有“有”的阄被别人抓到，自己就没有机会了；有人说不急于先抓，如果前面的人没有抓到写有“有”的阄，这时再抓抓到“有”的机会会大一些. 为了统一认识，用概率的方法构造一个摸球模型来说明问题. 摸球模型：袋中装有1 个红球和9 个黄球除颜色不同外球的大小、形状、质量都相同. 现在10 人依次摸球(不放回)，求红球被第 个人摸到的概率( = 1, 2, ?, 10). 解决问题 ：设 = “ 第 个人摸到红球 ， = 1, 2, ?, 10. 显然，红球被第一个人摸到的概率为 . 因为 ，于是红球被第二个人摸到的概率为 . 同样，由 知红球被第三个人摸到的概率为 . 如此继续，类似可得 = . 　　由此可见，其结果与 无关，表明10 个人无论摸球顺序如何，每个人摸到红球的机会相等. 这也说明10 个人抓阄，只要每个人在抓之前不知道他前边那些已经抓完的结果，无论先后, 抓到的机会是均等的. 在现实生活中单位分房、学生分班、短缺物品的分配等，人们常常乐于用抓阄的办法来解决，其合理性保证当然得归功于“概率”. 通过上面的摸球模型，我们总结出分配中的“抓阄”问题，无论先抓后抓， 结果是一样的.学完概率之后再遇到抓阄问题时不必争先恐后，我们要发扬风格让他人先抓. 案例3、贝叶斯方法运用案例介绍 什么是贝叶斯过滤器？ 垃圾邮件是一种令人头痛的顽症，困扰着所有的互联网用户。 正确识别垃圾邮件的技术难度非常大。传统的垃圾邮件过滤方法，主要有关键词法和校验码法等。前者的过滤依据是特定的词语；后者则是计算邮件文本的校验码，再与已知的垃圾邮件进行对比。它们的识别效果都不理想，而且很容易规避。 2002年，Paul Graham提出使用贝叶斯推断过滤垃圾邮件。他说，这样做的效果，好得不可思议。1000封垃圾邮件可以过滤掉995封，且没有一个误判。 另外，这种过滤器还具有自我学习的功能，会根据新收到的邮件，不断调整。收到的垃圾邮件越多，它的准确率就越高。 建立历史资料库 贝叶斯过滤器是一种统计学过滤器，建立在已有的统计结果之上。所以，我们必须预先提供两组已经识别好的邮件，一组是正常邮件，另一组是垃圾邮件。 我们用这两组邮件，对过滤器进行训练。这两组邮件的规模越大，训练效果就越好。Paul Graham使用的邮件规模，是正常邮件和垃圾邮件各4000封。 训练过程很简单。首先，解析所有邮件，提取每一个词。然后，计算每个词语在正常邮件和垃圾邮件中的出现频率。比如，我们假定sex这个词，在4000封垃圾邮件中，有200封包含这个词，那么它的出现频率就是5%；而在4000封正常邮件中，只有2封包含这个词，那么出现频率就是0.05%。（【注释】如果某个词只出现在垃圾邮件中，Paul Graham就假