常用分布与统计方法分析.ppt

考虑样本离差平方和（总和）： U：回归值的离差平方和，由n个xi的离散性通过x对Y的相关关系造成； 称为回归平方和（回归和） Q：x对Y的非线性影响以及试验的随机误差造成 称为剩余平方和（余和） （1）. r检验法 考虑回归和U相对于总和Syy的比： 定义： 称为相关系数。 相关系数r：|r|?1 |r|越大，线性相关关系越显著； r=0，Y与x不存在线性相关关系； |r|=1，Y与x完全线性相关（完全正/负相关） 采用相关系数r为统计量，当： 时，认为在显著性水平?下，线性回归显著。 数据点数目 0.8982 0.7977 0.7498 0.6664 0.5822 7 0.3211 0.2540 0.2301 0.1946 0.1638 100 … 0.8721 0.7646 0.7155 0.6319 0.5494 8 … 0.9999988 0.999877 0.999507 0.99692 0.98769 1 0.001 0.01 0.02 0.05 0.10 n-2 ? 相关系数临界值r ?(n-2)表 （2）. F检验法 计算F值： 显然，F值越大，U在总和中所占比例越大，回归性也越显著。 当： 时，认为在显著性水平?下，线性回归显著。 数据点数目 查表：F分布表（略） Introduction to Statistics----Mathematical Modeling 数学建模培训 （概率统计模型部分） 常用分布与统计分析方法 概率统计的基本概念 与 常用的概率分布 随机变量 X (random variable) 在自然界中，有些变量在每次观察前，不可能事先确定其取值；经过大量反复观察，其取值又有一定的规律，这种变量称为随机变量X。 例 (1). 掷骰子出现某点数的概率为1/6，若掷100次，则出现该点数的次数X是随机变量; (2). 1路公车每10分钟发一趟车，某人在随机的时间到达车站等车，则等车时间X是随机变量。 1. 随机变量、概率分布 离散型随机变量 X的所有可能取值是有限个或可列个。 连续型随机变量 最常见的一类非离散型随机变量。 对连续型随机变量，考察事件{a<X<b}的概率。若存在非负的可积函数p(x)，使得：对任意的a, b(a<b)，都有 则称p(x)为随机变量X的概率密度函数。 概率密度函数 (PDF, probability density function) 对所有随机变量X，可以定义以下的概率分布函数F(x): P(x)的性质： 常用的离散型分布 二项分布（binomial distribution） Bernoulli试验：连续n次独立地重复一个试验，每次试验结果只有两个不同的结果A和B，它们出现的概率分别是p和q，且p+q=1。 设n重Bernoulli试验中事件A出现的次数为X，显然X为离散型随机变量。则X的概率分布为： 称X服从参数为n, p的二项分布，记为X~B(n, p)。 Poisson分布（Poisson distribution） 设X为离散型随机变量，X的概率分布为： 称X服从参数为?的Poisson分布，记为X~P(?)。 常用的连续型分布 均匀分布（uniform distribution） 设X为连续型随机变量，X的概率密度为： 称X在区间[a, b]上服从均匀分布，记为X~U(a, b)。 显然有： 其中x1, x2?[a, b], x1<x2。 指数分布（exponential distribution） 设X为连续型随机变量，X的概率密度为： 称X服从参数为?的指数分布。 ?分布（ ? distribution） 设X为连续型随机变量，X的概率密度为： 其中?，?均为常数，称X服从参数为?，?的?分布，记为X~ ?(?, ?)。 正态分布（normal/Gaussion distribution） （见后） 2. 随机变量的数字特征 均值(mean) 或数学期望(mathematical expectation) 离散型随机变量的均值 设离散型随机变量X的分布律为： 若 收敛，则称E(X)为随机变量X的均值或数学期望。 xi:质点i的坐标；pi: 质点i的质量 ???E(X): 质心坐标 连续型随机变量的均值 设X为连续型随机变量，它的概率密度函数为p(x) ，若 收敛，则称E(X)为随机变