概率论与数理统计实验报告_6.docVIP

概率论与数理统计实验报告 1.二项分布的泊松分布与正态分布的逼近 设 X ~ B(n，p) ，其中np=2 1) 对n=101,…,105,讨论用泊松分布逼近二项分布的误差。 画处逼近的图形 程序编码： for n=[10,100,1000,10000,100000] p=2./n; x=0:10; y=binopdf(x,n(1),p(1)); if n==10 subplot(3,2,1) //第一张图 n=10 以下依次类推 plot(x,y,*r) end if n==100 subplot(3,2,2) plot(x,y,*g) end if n==1000 subplot(3,2,3) plot(x,y,*c) end if n==10000 subplot(3,2,4) plot(x,y,*y) end if n==100000 subplot(3,2,5) plot(x,y,*k) end end y=[]; for x=0:1:10 y=[y,2^x/factorial(x)*exp(-x)]; end x=0:1:10; subplot(3,2,6) plot(x,y,+) //二项分布图，最后一张 结果： 分析:n越大，泊松分布越接近二项分布 2) 对n=101,…,105, 计算 ， 1）用二项分布计算 2）用泊松分布计算 3）用正态分布计算 比较用泊松分布逼近与正态分布逼近二项分布的优劣。 解： 代码： for n=[10,100,1000,10000,100000]; n P1=binocdf(50,n,2/n)-binocdf(5,n,2/n) P2=binocdf(90,n,2/n)-binocdf(20,n,2/n) end 结果： Untitled n = 10 P1 = 0.0064 P2 = 0 n = 100 P1 = 0.0155 P2 = 8.8818e-16 n = 1000 P1 = 0.0165 P2 = 5.1070e-15 n = 10000 P1 = 0.0166 P2 = 5.9952e-15 n = 100000 P1 = 0.0166 P2 = 2.7678e-13 代码： for n=[10,100,1000,10000,100000]; n for k=6:1:50 P1=poisspdf(k,2)+P1; end for k=21:1:90 P2=poisspdf(k,2)+P2; end P1 P2 end 结果： Untitled n = 10 P1 = 0.1159 P2 = 3.1343e-13 n = 100 P1 = 0.1325 P2 = 3.1954e-13 n = 1000 P1 = 0.1491 P2 = 3.2564e-13 n = 10000 P1 = 0.1656 P2 = 3.3175e-13 n = 100000 P1 = 0.1822 P2 = 3.3786e-13 3）代码： for n=[10,100,1000,10000,100000]; n p=2/n; m=sqrt(2*(1-p)); P1=normcdf(50,2,m)-normcdf(5,2,m) P2=normcdf(90,2,m)-normcdf(20,2,m) end 结果： Untitled n = 10 P1 = 0.0089 P2 = 0 n = 100 P1 = 0.0161 P2 = 0 n = 1000 P1 = 0.0169 P2 = 0 n = 10000 P1 = 0.0169 P2 = 0 n = 100000 P1 = 0.0169 P2 = 0 正态分布的数值计算 设～； 1）当时，计算 ，； 2）当时,若，求； 3）分别绘制， 时的概率密度函数