统计技术3.docVIP

统计技术统计技术基本概念 1．随机变量的基本概念 (1)事件和随机事件 观测或试验的一种结果，称为一个，例如：明天的天气是晴天、阴天还是雨天，这三种可能性中的每一种都称为事件。又如：测量工件的直径所得的结果为9．91mm，9．92mm，9．93mm，…这里每个可能出现的测量结果都称为事件。 确定性确定性事件有着内在的规律，比较容易看到和处理。向上抛一石子必然下落又如：纯水在标准大气压下加热到100℃时必然沸腾等均属肯定事件或确定性事件。不确定性对于不确定性事件，就每一次观测或试验结果来看是可疑的，但在大量重复观测或试验下却呈现某种规律性(统计规律性)。抛掷一枚硬币的结果可能正面朝上、也可能反面朝上又如：打靶的结果可能射中、也可能射不中等均属可疑事件或不确定性事件。 ①必然事件。在一定条件下必然出现的事件，例如工件直径的测量结果为正，是必然事件。 ’②不可能事件。在一定条件下不可能出现的事件，例如工件直径的测量结果为零或负值，都是不可能事件。 ③随机事件。在一定条件下可能出现也可能不出现的事件，例如工件直径的测量结果出现在9．91mm与9．92mm之间，是一个随机事件。随机事件即是随机 (2)随机变量 如果随机变量特点是以一定的概率在一定的区间上取值或取某一个固定值。例如：工件直径的测量结果在(9．90～9．92mm)区间上取值的概率为0．9。由前所述可知，测量结果及其不确定度均为随机变量。 随机变量根据其取值的特征分： ①连续型随机变量。若随机变量X可在坐标轴上某一区间内取任一数值，即取值布满区间或X为连续型随机变量。例如：重复测量中所得的一组观测值属于②离散型随机变量。若随机变量X的取值可离散地排列为X1，X2，…，而且X以各种确定的概率取这些不同的值，即只取有限个或可数个实数值，则称X为离散型随机变量。例如：在取有效数字的位数时，数字的舍入误差属于离散型随机变量。 (3)事件的概率 随机事件的特点是：在一次观测或试验中，它可能出现、也可能不出现，但是在量重复的观测或试验中呈现统计规律性。概率的古典定义：在连续次独立试验中，事件A发生了m次，m称为事件的频数，m／n则称为事件的相对频数或频率，当n极大时，频率m／n稳定地趋于P，此常数p称为事件A的概率，记为P(A)=P概率 概率P是用以度量随机事件A出现的可能性大小的数值。必然事件的概率为1，不可能事件的概率为0，随机事件的概率P(A)为0≤P(A)≤1。所以，必然事件和不可能事件是随机事件的两种极端情况或特例。概率可以通过一定的法则进行运算。 (4)分布函数 随机变量的概率取值随机变量的特点是以一定的概率取值，但并不是所有的观 或试验都能以一定的概率取某一个固定值。例如：重复测量某圆柱体直径时，作为被测量最佳估计值的测量结果是随机变量，记为X，它(并非某一个固定值)。此时人们所关心的?即 显然，只要求出P[Xb]及P[Xa]即可，这要比求P[a≤X≤b]简便得多，因为它们只依赖于一个参数。 分布函数对于任何实数x，事件[Xx]的概率当然是一个x的函数。令F(x)=P [Xx]，显然有F-∞)=0，F(+∞)=+1，这里F(x)即为随机变量X的分布函数。所以，分布函数F(x)完全决定了事件[b≤X≤a]的概率，或者说分布函数F(x)完整地描述了随机变量X的统计特性。 2．随机变量的数字特征 数字特征利用分布函数或分布密度函数可以完全确定一个随机变量，但在实际问题中求分(近似地代表长度的真值)及测量标准(偏)差(观测值对平均值的分散程度)。）数字特征用一些数字来描述随机变量的主要特征，显然十分方便、直观、实用，在概率论和数理统计中就称它们为随机变量的数字特征。这些特征量有数学期望、方差、矩等。 数学期望 随机变量X的数学期望值记为E(X)或简记为，用它可以表示随机变量本身的大小，说明X的取值 ①离散型随机变量的数学期望 设某机械加工车间有M台机床，它们时而工作时而停顿(如为了调换刀具、零件和进行测量等)，为了精确估计车间的电力负荷，需要知道同时工作着的机床的台数。为此作了 N次观察，记下诸独立事件(所有机床都不工作，有1台工作，有2台工作，……，M台都工作)的出现次数分别为m0，m1，…，M。显然，m0十ml+…+mM=N，则该车间同时工作的机床的平均数为 表示xi台机床同时工作的频率。当N很大时，频率趋于稳定而等于概率pi，故有 X是一个随机变量，其可能值为 相应的概率为，则其均值 即称为随机变量的数学期望的估计值。它的一般形式为，而级数应绝对收敛。 ②连续型随机变量的数学期望