概率论与数理统计数理统计方法.pptVIP

2数理统计方法 2.1 数理统计的基本概念 2.2 参数估计 2.3 假设检验 2.4 方差分析 2.5 回归分析 2.6 判别分析 2.7 建模实例 2.1 数理统计的基本概念 常用统计量 根据样本的观测值 ( x1 , x2 , … , xn ), 可以绘出样本频率直方图和累积频率直方图(具体方法见P10-11). 2.2 参数估计 最小二乘法 例如，2003年全国大学生数学建模竞赛A题：SARS的传播 () 极大似然法 例如，1999年全国大学生数学建模竞赛A题：自动化车床管理 (P49). 2.3 假设检验 假设检验的基本方法 一个正态总体的假设检验有以下两种： 两个正态总体的假设检验有以下三种： 分布律的假设检验按皮尔逊(K.Pearson)平方和准则(步骤见P18-19) 首先做假设H0：F(x)=F0(x)，其中 2.4 方差分析 单因素方差分析 双因素方差分析 2.5 回归分析 回归函数 回归分析的任务之一是确定回归函数 f (x). 一元线性回归、预测和控制 利用回归函数进行预测和控制 可线性化回归 多元线性回归和预测 相关性检验 偏F检验法 偏F检验法 多项式回归 一元多项式回归 2.6 判别分析 判别分析的原理 判别分析的主要方法 判别效果检验 2.7 建模实例 样本数据 一元线性回归是根据数据(xi, yi ) ( i =1, 2, … , n )确定线性关系 y = ? 0 + ? 1 x， 利用最小二乘法确定回归直线方程中的未知参数 ? 0和? 1 ： 其中 判断变量y与x之间是否存在线性关系, 需要检验假设 H0： ? 1 = 0. 选取统计量 U + Q = Syy 回归和 总和 残差平方和 根据P{F＞F? (1, n - 2 )}= ? 下结论： 如果F＞F? 拒绝H0, 即变量y与x之间存在线性关系； 否则接受H0, 即变量y与x之间不存在线性关系, 考虑用其它回归模型. 如何根据样本提供的信息来预测当变量 x = x0 时随机变量Y0的值？ 一个自然的想法是用预测量 y0 = ? 0 + ? 1 x0 来代替, 但是它与真值Y0 的差值是多少呢？ 预测量y0 的优劣取决于| y0 - Y0 |的大小. 记 当n较大时, 估测区间的上下限近似取作 (可信程度为95%); 或 (可信程度为99%). 控制是预测的反问题, 即要使随机变量 Y 落在指定的区间( yL, yU )内,变量x应控制在什么区间内？ 从方程 中解出xL和xU . 则当? 1＞0时,控制区间为(xL, xU )；当? 1＜0时, 控制区间为(xU, xL ). 例 下面给出了悬挂不同重量x (单位：g)的物体时弹簧的长度y (单位：cm)： xi 5 10 15 20 25 30 yi 7.25 8.12 8.95 9.90 10.90 11.80 (1)变量y与x之间的线性关系如何？ (2)当悬挂16g重物时弹簧的长度大约是多少？ (3)要使弹簧的长度控制在10～11cm之间, 问悬挂物体的重量应控制在什么范围内？ 根据经验公式或散点图,选择适当的曲线回归方程. 为了确定其中的未知参数,往往可以通过变量代换,把非线性回归化为线性回归, 然后用线性回归的方法确定这些参数的值. 下表列出了常用的可线性化回归(a＞0). 曲线方程 变换公式 变换后的线性方程 1/y = a + b/x u = 1/x, v = 1/y v = a + bu y = axb u = lnx, v = lny v = c + bu ( c = lna ) y = a + blnx u = lnx, v = y v = a + bu y = aebx u = x, v = lny v = c + bu ( c = lna ) y = 1/ ( a + be-x ) u = e-x, v = 1/y v = a + bu 设随机变量Y与m个变量x1 , x2 , … , xm有线性关系 Y = ? 0 + ? 1 x1 + ? 2 x2 + … + ? m xm + ? , 其中? 为随机项, 且? ~ N(0, ? 2 ). 记 其中yi为随机变量Y的观测值, X为已知的常数矩阵, 且残差 ?i ~ N(0, ? 2 ). 则问题归结为根据y和X求?使残差平方和 达到最小值. Q = ? T? = ( y - X? )T