实验的数学处理.docx

《实验的数学处理》学习小结Ch1 随机变量随机变量是随机事件的单值实函数，随机变量所有不同的的可能值所对应的全部随机事件应构成一个互斥事件的完备集。随机变量x的特征函数：，有定义可知特征函数是p(x)的傅里叶变换。特征函数和概率密度函数是一一对应的。引入特征函数的用途：求特征变量的矩所要做的积分或级数求和运算转换为微分运算求独立随机变量之和的分布可转换为求独立随机变量之和的特征函数。此时和的特征函数=各随机变量特征函数之积。Ch2 几种常用分布二项分布：N次独立试验中随机事件A（概率为p）发生k次，k的概率分布函数为二项分布的期望：k=Np二项分布的方差：Np(1-p)泊松分布：期望：k=m方差：判断条件：若k是某随机事件的次数，且满足下面的条件，k就近似地服从泊松分布：k在一个有限的期待值m左右摆动，即k=m;k 可看做大量独立试验的总结果对于每次试验，事件有相同的概率正态分布:正态分布广泛的原因：（1）若k服从泊松分布k~p(k;m)，分布函数P(k;m),当（2）若x1,x2,…,xN是互相独立的随机变量，随机变量x的数值之和,在对x的影响很小的情况下，当N2.4 指数分布：2.5 均匀分布：通过（0,1）均匀分布的随机数得到任意分布的随机数，是蒙特卡洛法模拟随机现象的基础。2.6 小结Ch3 统计量的分布与测量误差理论3.1 统计量：随机样本()的函数,y=y(x1,,x2,…,xn)。3.2 如何求统计量的分布：若p(x)已知，则y可由p(x)导出，常用的三种方法：求密度函数其中：是y=y()对于的第i个解(考虑到一个y值可能对应多个x值)，即故利用分布函数利用特征函数样本均值的分布：任意样本均值的期望与方差正态样本均值的分布任意样本均值的极限分布由中心极限定理：若随机变量x则样本偏差的分布：任意样本偏差的期望值与方差对于正态样本的标准误差的标准误差对于大样本，样本标准偏差分布:分布与正态分布的关系：当,（一般自由度）接近正态分布分布正态样本方差的分布引入样本：若基于此，，，由求函数分布的公式可得正态样本方差的期望值：联系正态样本均值与偏差的分布：t分布t分布定义：若y基于此，定义平均值的标准偏差t分布的应用：误差的报道在观测值服从正态分布的情况下，测量结果可表示如下：注意，误差的传播3.6.1协方差和相关系数的估计先定义样本共差：定义样本相关系数作为：3.6.2 线性函数的误差传播定义：……………………………………………………………….设x的协方差阵为则有3.6.3 一般误差传播公式：在=类似地：对于……………………………………………………………….上面ch3 讲的只是随机变量x的均值方差的估计方法，那么对于x的已知分布理论,如何从x的一个样本估计出分布参数Ch4 参数估计（置信区间法）4.1 估计量与参数估计的置信区间法根据测得的样本，采用样本的某个函数，推断参数这个统计量即参数估计的置信区间法即在各种统计量中选取一个适当的统计量作为参数的估计量，并能根据统计量分布的性质，对选定的置信水平给出参数值的一个误差区间（置信区间），这样最终的估计结果报道为：4.2 估计量的好坏标准4.2.1 无偏性4.2.2 一致性4.2.3 有效性4.2.4 问题：在满足上述三条件下的最佳的统计量是否存在，又如何得到了？目前我们的通用工具是最大似然法。4.3 点估计（最大似然估计）4.3.1 似然函数与最大似然估计似然函数：若记为：使的称为的最大似然估计量。4.3.2 如何求最大似然估计：似然函数的一阶导为0。实际中常利用计算机进行优选计算。问题：在获得了最大似然估计量后，回过头来验证下它是否名副其实。4.3.3 最大似然估计的性质一唯一性：随机变量的理论分布可能有多种形式，这样描述同一随机变量就有多个参数，比如，唯一性指出，就有二极限分布服从正态分布：其中方差.从上式可知：极限分布下或者说大样本下最大似然估计量满足无偏性、一致性、有效性。此结论可推广至k个待估计值情况。PS:那么多大的样本量才算是大样本了？依赖于，特别地对于指数型的分布即任意容量样本均具有下列性质：的最大似然估计量为：End PS由一般回到常用，下面接着介绍正态分布参数的估计4.3.4 正态分布参数的估计与不等精度观测结果的并和若是正态分的样本，则值得注意的是正态分布的最大似然估计量不是无偏估计量，仅是渐进无偏估计量，可以做变换即可得无偏估计量PS:考虑到测量误差，每个观测值具有不同精度，则提出问题:不同精度观测结果如何并和？问题的抽象：对固定量的各次观测独立且标准误差已知，那么最大似然估计量的表达式如何？首先写出似然函数：解似然方程得的最大似然估计量.其中是第i个观测值的权重因子，因此称为观测值样本的加权平均值，之前的样本均值即为时的特殊情况。对于，有那么出现问