有时样本空间不一定是数集,不便用数学方法来处理。为了能进行定量的数学处理,必须要把随机试验的结果数量化。因此引入了随机变量,将样本空间转化为一个无量纲的数集。
随机变量:对样本空间 中的每一个样本点 ,有唯一一个实数 与它对应。
离散型随机变量 :一个随机变量的取值有限或可列
非离散型随机变量 :一个随机变量的取值充满了数轴上的一个区间。连续型随机变量就是非离散型随机变量中最常见的一类。
随机变量的引入是概率论发展走向成熟的一个标志,引入随机变量后,可以使用数学中的微积分工具讨论随机变量的分布。
分布函数的定义:
由该定义可得:
若随机变量X的值域为有限集或可列集,此时称X为 (一维)离散型随机变量 。
分布律(分布列、概率函数) :
当描述连续性随机变量时,用于描述离散型随机变量的分布律就无法再使用了,而要改用 概率密度函数 。
概率密度函数 的定义:
概率密度函数 与分布函数 之间的关系:
连续型随机变量具有下列性质:
这一性质可以帮助我们判断一个非离散型随机变量是否为连续型随机变量。如果一个非离散型随机变量不存在离散的点,它的概率不为0,则该随机变量为连续型随机变量。
伯努利试验 :随机试验只有两种结果 和 。设A在一次试验中发生的概率 ,则
n重伯努利试验 :将该随机试验独立重复地进行n次。
记随机变量 表示A事件发生的次数,在n重伯努利试验中 事件发生K次,即 的概率为:
称随机变量 服从参数为 的 二项分布 ,记为
特别地,当 时, ,此时称随机变量 服从参数为 的0-1分布(或伯努利分布、两点分布)。相应的分布律为:
泊松分布于1837年由法国数学家播送首次提出。
泊松分布的定义 :
泊松分布也是一种常用的离散型分布,它常常与技术过程相联系。
泊松分布还有一个非常有用的性质:可以作为 二项分布的一种近似 。
在二项分布计算中,当 较大时,计算结果非常不理想,如果 较小而 适中时,我们常用泊松分布的概率值近似取代二项分布的概率值。
泊松定理 :当 时,有 ,则
不放回地抽取则为超几何分布。
若将不放回抽样改成有放回抽样,则这个模型就是n重伯努利试验。
即在实际应用中,当 时,抽取个数n远小于产品总数N时,每次抽取后,总体中的不合格率 改变很微小,所以不放回抽样可以近似地看成有放回抽样,这时超几何分布可用二项分布近似。
几何分布具有无记忆性的性质,这个条件概率只与n有关,与m无关。
记为
均匀分布的随机变量X,在其取值范围 中的任何子区间取值的概率仅与该区间长度d有关而与区间的位置c无关。
记为
指数分布在可靠性与排队论中有着广泛的应用。
同样,指数分布同几何分布相似,也具有无记忆性。
又称为高斯分布,记为
称为位置参数
称为尺度参数, 越小,曲线越陡峭。
当 时,相应的正态分布称为标准正态分布,记为
有如下定理:
随机变量函数的定义:
定理1 :
六西格玛法则。
数理统计中的统计估计与推断需要我们进行抽样估计,样本是统计估计和推断的依据,然而,在处理具体的理论与应用问题时,却很少直接利用样本,而利用他们经过适当处理导出来的量,这个量即统计量,统计量的分布称为抽样分布,三大分布都是在正态分布产生的,他们是正态总体统计估计和校验的基础。
由标准正态总体样本的适当组合构成的统计量形成数理统计中的其他三大基础分布。所以,数理统计中总是以正态总体作为研究对象展开。在数理统计中,"总体"、"抽样"、"样本"是三个基本概念,分位点是"小概率事件"发生的临界点,置信区间是参数估计和假设检验的核心计算问题。
扩展资料:
从抽样分布的角度看,我们所关心的分布的特征主要是数学期望和方差。这两个特征一方面与总体分布的均值和方差有关,另一方面也与抽样的方法是重复抽样还是不重复抽样有关。样本均值的方差则与抽样方法有关。在重复抽样条件下,样本均值的方差为总体方差的1/n。
统计中用随机变量X的取值范围及其取值概率的序列来描述这个随机变量,称之为随机变量X的概率分布。如果我们知道随机变量X的取值范围及其取值概率的序列,就可以用某种函数来表述X取值小于某个值的概率,即为分布函数:F(X)=P(X≤z)。
——三大抽样分布
——抽样分布
——统计估计
抽样分布是样本估计量是样本的一个函数。抽样分布也称统计量分布、随机变量函数分布,因为抽样分布是样本估计量是样本的一个函数,所以说估计量是一个抽样分布。估计量的含义, 参数的点估计就是根据样本构造一个统计量,作为总体未知参数的估计。
以X^2分布为例子吧
x1,x2xn都遵守N(0,1)的正态分布,则
x1^2+x2^2+遵守X^2(n)分布
相当于形成了一个新统计量Y=x1^2+x2^2+
是新的统计量!
而t分布,F分布也都是新统计量的分布
只不过他们都是正态总体中的抽样x1,x2,x3组成的函数
就好象你知道x,y独立,且其分布你也知道,让你求x^2+y^2的分布一个道理,只不过抽样都是独立同分布而已
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)