011【fate/extra link】【概率论与数理统计】大数定律与中心极限定理 ,数理统计的基本概念,常用的统计三大分布,正态总体的抽样分布定理
星辰驰骋的终焉蔷薇,这是fate/extra link里面的尼禄.克劳狄乌斯
目录
第5章 大数定律与中心极限定理
5.1 Chebyshev不等式
5.2 大数定律
定理1(切比雪夫大数定律)
定理2(伯努利大数定律)
5.3 中心极限定理
第6章 数理统计的基本概念
6.2 总体与样本
6.3 样本观察值的整理
6.4 统计量与抽样分布
(二)t 分布
(三)F 分布
正态总体的抽样分布定理
关注作者了解更多
我的其他CSDN专栏
误差理论与可靠性工程
过程控制系统
虚拟仪器技术labview
毕业设计
求职面试
大学英语
过程控制系统
工程测试技术
虚拟仪器技术
可编程控制器
工业现场总线
数字图像处理
智能控制
传感器技术
嵌入式系统
复变函数与积分变换
单片机原理
线性代数
大学物理
热工与工程流体力学
数字信号处理
光电融合集成电路技术
电路原理
模拟电子技术
高等数学
概率论与数理统计
数据结构
C语言
模式识别原理
自动控制原理
数字电子技术
关注作者了解更多
资料来源于网络,如有侵权请联系编者
第5章 大数定律与中心极限定理
事件的频率在大样本下具有稳定性,即随着试验次数的增加,事件的频率逐渐稳定于某个常数。大量测量值的平均值也具有这种稳定性,这种稳定性就是大数定律的客观背景。
大数定律的客观背景
大量抛掷硬币 正面出现频率
生产过程中的废品率
某字母使用频率
5.1 Chebyshev不等式
或
证:(就连续型证)
5.2 大数定律
定理1(切比雪夫大数定律)
设 X1,X2, …是相互独立的随机变量,它们都有有限的方差,并且方差有共同的上界,即 Var(Xk) ≤C,k=1,2, …,则对任意的ε>0,
特别,当
则对任意的ε>0,
证:由切比雪夫不等式,
令n→∞,并注意概率不能大于1,
切比雪夫大数定律表明,独立随机变量序列{Xn},如果方差有共同的上界,则与其数学期望
偏差很小的概率接近于1.
特别当时,X1,X2,…,Xn的算术平均值
与其数学期望偏差
很小的概率接近于1.
切比雪夫大数定律给出了 平均值稳定性的科学描述
定理2(伯努利大数定律)
设nA是n重伯努利试验中事件A发生的 次数,p是事件A在每次试验中发生的概率, 则对任给的ε> 0,
或
伯努利大数定律提供了通过试验来确定事件概率的方法.
下面给出的独立同分布下的大数定律,不要求随机变量的方差存在.
定理3(辛钦大数定律)
辛钦大数定律为寻找随机变量的期望值提供了一条实际可行的途径.
5.3 中心极限定理
在客观实际中有许多随机变量,它们是由大量的相互独立的随机因素的综合影响所形成的。而其中每一个别因素在总的影响中所起的作用都是微小的。这种随机变量往往近似地服从正态分布。
这种现象就是中心极限定理 的客观背景。
定理1(独立同分布的中心极限定理 )
设随机变量X1,X2,…,Xn,...相互独立,服从同一分布,且
则的标准化变量
即n很大时,Yn近似服从N(0,1),或
定理2(棣莫弗-拉普拉斯定理)
随机变量 服从二项分布B(n, p),n=1,2,…,则对任意y,有
定理表明, 当n很大(一般n≥50),0<p<1是一个定值时(或者说,np(1-p) 也不太小时),则 的标准化变量的分布近似标准正态分布, 或
例1.某单位内部有1000部电话分机,每部电话分机有10%的时间要用外线通话,假定各个电话用不用外线是相互独立的,问总部要备有多少条外线才能以95%的把握保证各个分机在用外线时不必等候。
解:对每部话机的观察作为一次试验,每次试验观察该话机在某时刻是否使用外线, 使用外线的概率为0.1,共进行1000 次试验.用Y表示在某时刻使用外线的话机数,
依题意,Y~B(1000,0.1),
设总部备有N条外线,现在的问题是:
求满足P(Y≤N)≥0.95的最小的N.
由德莫弗-拉普拉斯极限定理
近似服从N(0,1),
即总机应备有116条外线才能以95%以上的把握保证各个分机在使用外线时不等候。
例2.设电路供电网中有10000盏灯,夜晚每一盏灯开着的概率都是0.7,假定各灯开、关时间彼此无关,计算同时开着的灯数在6800与7200之间的概率。
解:记同时开着的灯数为X,X ~B(10000,0.7)
第6章 数理统计的基本概念
概率论、数理统计都是研究随机现象的统计规律性的数学分支,但两者研究角度不同。
概率论:从已知分布出发,研究随机变量X 的性质、规律、数字特征等等——演绎 数理统计:X 的分布不知道或不完全知道,观察它的取值(采集数据),通过分析数据来推断 X 服从什么分布或确定未知参数——归纳
6.2 总体与样本
1.总体:研究对象的全体(如:一批灯泡的寿命) 试验的全部可能的观察值 ——通常指研究对象的某项数量指标
个体:组成总体的元素(如:某一个灯泡的寿命)每个可能的观察值
总体对应一个r.v. X,笼统称总体X(或Y、Z大写表示)
从本质上讲,总体就是所研究的随机变量
2.样本
(1)简单随机抽样 ①随机性:每个个体被抽到的机会均等
②独立性:每次抽取后不改变总体的成分
(2)对总体作n次“简单随机抽样”,得到n个个体:X1,X2,…,Xn,称为总体的一个样本容量为n的样本, 简称样本。
①同分布性 Xi 与总体X 同分布
②独立性 X1 ,…,Xn 相互独立
(3)把(X1,…,Xn)的观察值 (x1,…,xn)为称为样本观察值(或样本值)
来自总体X的样本X1, … ,Xn可记为
显然,样本联合分布函数或概率密度为
或
3.. 总体、样本、样本观察值的关系
统计是从手中已有的资料——样本观察值,去推断总体的情况——总体分布。
6.3 样本观察值的整理
经验分布函数
设X1,X2,…,Xn是总体F(x)的一个样本,S(x)是X1,X2,…,Xn中不大于x 的个数,定义经验分布函数为
Fn(x)=S(x) /n, -∞ <x<+∞
例1.设总体X有样本值x1=1,x2=2,x3=3,x4=2, 则X的经验分布函数为
一般,设样本值x1,x2,…,xn依次排列:
x(1) ≤x(2) ≤…≤x(n)
则经验分布函数为
定理 (格里汶科) 经验分布函数Fn(x)以概率1关于x一致收敛于F(x):
6.4 统计量与抽样分布
定义:设(X1,… ,Xn )是来自总体X 的样本,称不含未知参数的样本函数 g(X1,… ,Xn )为总体 X 的一个统计量。
注: 统计量是一个一维随机变量,统计量的分布称为抽样分布.
几个常用的统计量 :
1. 样本均值
反映总体均值E(X)的信息
2. 样本方差
反映总体方差Var(X)的信息
样本标准差
反映总体标准差的信息
3. 样本k阶(原点)矩
反映总体k阶矩E(Xk)的信息
样本k阶中心矩
反映总体k 阶中心矩E[(X-EX)k]的信息
4. 最小顺序统计量 X(1)=min(X1,X2,…,Xn)
最大顺序统计量 X(n)=max(X1,X2,…,Xn)
注1: 观察值用小写表示,记为
1. χ2分布的密度函数f(y)曲线
2. χ2分布具有可加性
4. 分布的分位数
(二)t 分布
称为自由度为 n 的 t 分布。
1. t(n)的概率密度为
2. h(t)基本性质(p171):
(1) 关于t=0(纵轴)对称。
(2) 极限为N(0,1)的密度函数,即
3. t分布的分位点
(三)F 分布
2. F 分布的性质