[数学]概率论串讲ppt.ppt

0-1分布：P(X=1)=p, P(X=0)=q=1-p （用来描述只有两种结果的伯努利试验） 二项分布：在n重伯努利试验中，设事件A发生的概率为p。事件A发生的次数是随机变量，设为X，则可能取值为0,1,2…n。（0-1分布是二项分布的特例 ） 概率分布为 （用来描述n次独立重复试验中成功的次数） 几何分布： （用来描述在连续独立重复试验中首次取得成功所进行的试验次数） 超几何分布： 它描述了由有限个物件中抽出n个物件，成功抽出指定种类的物件的次数（不归还）。 泊松分布： 泊松分布适合于描述单位时间内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数。 在离散型的几个分布中，二项分布与其他几个分布关系最为密切。 0-1分布是二项分布n=1的特例. 满足一定条件时，超几何分布可用二项分布近似计算。 n较大而p不够小时，二项分布只能用正态分布近似； 而n充分大且p相当小时（一般n≥100,p≦0.1）二项分布才能用泊松分布( )近似。 （泊松定理；棣莫弗-拉普拉斯中心极限定理） 均匀分布 0 F(x)= 1 在区间[a,b]上服从均匀分布的随机变量X在[a,b]内任一子区间上的取值概率只依赖于该子区间的长度，而与其在[a,b]内的位置无关。即若[c,d] 包含于[a,b]，则 指数分布 指数分布常用作描述一些电子元器件使用寿命、动物寿命等；指数分布具有“无记忆性”。 （2）伯努利大数定律(要求同分布，服从0-1分布) 设 nA是 n 次独立重复试验中事件 A 发生的次数, p 是每次试验中 A 发生的概率, 则 或 当试验次数很大时，可以用事件发生的频率来代替事件的概率。（ 与p有较大偏差是小概率事件。） 极大似然估计法 所谓最大似然法就是当我们用样本的函数值估计总体参数时，应使得当参数取这些值时，所观测到的样本出现的概率（取到这些样本的概率）为最大。 总体X为连续型随机变量时，似然函数： 总体X为离散型随机变量时，似然函数： 似然方程： 得出极大似然估计值和极大似然估计量 区间估计 点估计不能反映估计的精度，故引入区间估计。 设总体X含有一个待估的未知参数θ。如果我们从样本x1,x2…xn出发，找出两个统计量θ1与θ 2，使得区间[θ1, θ2]以1-α(0α1)的概率包含这个待估参数θ ，即 P(θ1≤θ≤θ2)=1-α 那么称区间[θ1, θ2]为的置信区间， 1-α为该区间的置信度（或置信水平）。 单个正态总体的期望和方差的区间估计 设x1,x2…xn为总体X~N(μ,σ2)的一个样本，在置信度为1-α下，我们来确定μ和σ2的置信区间[θ1, θ2] 。具体步骤如下： （i）选择样本函数； （方差已知估计均值-u;方差未知估计均值-t;均值未知估计方差-w） （ii）由置信度1-α ，查表找分位数λ； （iii）导出置信区间[θ1, θ2] 。 一般的，α越大，置信区间越小。当α→1时，区间估计近似点估计，此时估计的可靠性最低。通常去α=0.05,0.01等。 假设检验 基本思想： 假设检验的统计思想是，概率很小的事件在一次试验中可以认为基本上是不会发生的，即小概率原理。 为了检验一个假设 H0 是否成立。我们先假定H0是成立的。如果根据这个假定导致了一个不合理的事件发生，那就表明原来的假定H0是不正确的，我们拒绝接受H0 ；如果由此没有导出不合理的现象，则不能拒绝接受H0 ，我们称H0是相容的。与H0相对的假设称为备择假设，用H1表示。 假设检验的基本步骤如下： 1 提出原假设 ； 2 选择统计量K； 3 对于检验水平α查表找分位数λ； 4 由样本值 计算统计量之值K； 5 将 进行比较，作出判断： 当 时否定 ，否则认为 相容 两类错误 一、 “以真当假”的错误或第一类错误，记α为犯此类错误的概率，即 P{否定H0| H0为真}= α ；此处的α恰好为检验水平。 二、 “以假当真”的错误或第二类错误，记β为犯此类错误的概率，即 P{接受H0| H1为真}= β 。 三、两类错误的关系：人们当然希望犯两类错误的概率同时都很小。但是，当容量n一定时， α变小， β则变大；相反地， β变小，α