M概率论与数理统计Word格式文档下载.docx
《M概率论与数理统计Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《M概率论与数理统计Word格式文档下载.docx(19页珍藏版)》请在冰豆网上搜索。
(a+b)/2
(b-a)^2/12
E(
exppdf(x,theta)
^2
N(
^2)
normpdf(x,mu,sigma)
X(n)^2
chi2pdf(x,n)
n
2n
t(n)
tpdf(x,n)
n/(n-2)(n>
2)
F(n1,n2)
Fpdf(x,n,m)
n2/(n2-2)(n>
/
>
%二项分布
x=0:
1:
20;
y=binopdf(x,200,.025);
%各点的概率
plot(x,y,'
*'
%lambda=5时的泊松分布律
y=poisspdf(x,5);
r+'
%当n很大p很小时,可用参数为lambda=n*pd的泊松分布来近似地描述与计算二项分布B(n,p)
%均匀分布
x=-10:
0.01:
10;
y=unifpdf(x,0,6);
*g-'
%指数分布的p.d.f
.1:
y1=exppdf(x,.5);
y2=exppdf(x,1);
y3=exppdf(x,.3);
plot(x,y1,'
g'
x,y2,'
b'
x,y3,'
r'
legend('
0.5'
'
1'
3'
%分布函数
P=normcdf(2.3)-normcdf(-2)%标准正态分布
P=
0.9665
%X~N(2,0.5^2),计算P{0<
X<
1}和P{X<
3}
P1=normcdf(1,2,.5)-normcdf(0,2,.5)
P2=normcdf(3,2,.5)
P1=
0.0227
P2=
0.9772
%计算抛硬币100次,正面朝上40次的概率P1,与小于40次的概率P2
P1=binopdf(40,100,.5)
P2=binocdf(40,100,.5)-binopdf(40,100,.5)
0.0108
0.0176
%X~P(5),P1={X<
=3},P2={2<
=4}
P1=poisscdf(3,5)
P2=poisscdf(4,5)-poisscdf(2,5)
0.2650
0.3158
%画出分布函数X~B(20,.2)的图形
y=binocdf(x,20,.2);
%N(0,1)分布函数的图形
x=-4:
.01:
4;
y=normcdf(x,0,1);
plot(x,y)
title('
N(0,1)分布函数的图形'
%求alpha=0.025,0.05,0.1时,标准正太分布的上分位数:
Za(=norminv(1-alpha))
Za1=norminv(0.975)
Za2=norminv(0.95)
Za3=norminv(0.90)
%卡方分布上alpha分位数,Xa(n)^2(=chi2inv(11-alpha),n),求X0.10(6)^2
X=chi2inv(0.90,6)
25;
y=chi2pdf(x,6);
y1=0:
0.001:
chi2pdf(X,6);
plot(x,y,X,y1,'
g-'
X(6)^2的分布律'
上分位数点'
分位线右边的面积为0.1'
Za1=
1.9600
Za2=
1.6449
Za3=
1.2816
X=
10.6446
随机数的生成:
%生成2*3阶段正态分布的随机矩阵
%第一行的均值为1,2,3;
第一行的均值为4,5,6.标准差为0.3
normrnd([123;
456],0.3,2,3)
ans=
0.87022.03762.6561
3.50035.08636.3573
%5*6均匀分布U(0,1)随机数
unifrnd(0,1,5,6)%原式等于rand(5,6)
0.95010.76210.61540.40570.05790.2028
0.23110.45650.79190.93550.35290.1987
0.60680.01850.92180.91690.81320.6038
0.48600.82140.73820.41030.00990.2722
0.89130.44470.17630.89360.13890.1988
rand(1,7)
0.19340.68220.30280.54170.15090.69790.3784
大数定律的理解与运用:
抛硬币问题:
P{正面出现}=0.5,进行1000组实验,每组实验抛硬币的次数分别为100,1000,10000
R=binornd(100*ones(1,1000),0.5,1,1000);
%抛100次,产生1000个随机数,每个随机数表示正面出现的次数
f1=R./100;
%正面出现的概率
R=binornd(1000*ones(1,1000),0.5,1,1000);
f2=R./1000;
R=binornd(10000*ones(1,1000),0.5,1,1000);
f3=R./10000;
figure
(1)
plot(1:
1000,f1,'
[01000],[0.50.5],'
k'
[01000],[0.5150.515],'
m'
[01000],[0.4850.485],'
100'
axis([1,1000,0.3,0.7])
figure
(2)
1000,f2,'
1000'
figure(3)
1000,f3,'
10000'
%求pi的近似值
%向边长为1的正方形里随机投n个点,记落在其内接1/4单位圆中点的个数为k,则k/n=pi/4,所以:
pi=4*k/n
%当n很大时,点会均匀分布在正方形中
n=10000;
x=rand(2,n);
k=0;
fori=1:
ifx(1,i)^2+x(2,i)^2<
=1
k=k+1;
end
end
p=4*k/n
p=
3.1600
中心极限定理:
Xi(i=1,2,...)~P(lambda),且Xi相互独立,
则
,当lambda=1,随n的增加,
如何变化:
x=[0:
35]'
;
y1=[];
lam1=[1,2,5,10,15,20];
length(lam1)
y1=[y1,poisspdf(x,lam1(i))];
plot(x,y1)
2'
5'
15'
20'
可知n较大时
近似服从正态分布
验证中心极限定理:
产生n个随机数Xi~B(N,p),取N=10,p=0.2
,产生1000个
,并绘制频率直方图:
N=10;
p=0.2;
n=50;
s=zeros(1,1000);
form=1:
1000
r=binornd(N,p,1,n);
y=sum(r);
z=y-N*n*p;
z=z/sqrt(N*n*p*(1-p));
s(m)=z;
histfit(s,10)
可见
与正态分布很接近
高尔顿钉板实验:
Xk=1表示在第k层时小球向右滚下,Xk=-1,表示小球向左滚下,往哪边滚下的概率均为1/2.
,则Yn近似服从N(0,n)
模拟计算:
%程序不能正常运行
m=input('
m='
);
m=3000;
%小球数
n=input('
n='
n=16;
%钉子层数
x(n)=0;
yy(m+1)=0;
forj=1:
m
ifrand>
.5
x(i)=x(i)+1;
else
x(i)=x(i)-1;
count=0;
forj=-m:
2:
count=count+1;
fori=1:
ifx(i)==j
yy(count)=yy(count)+1;
yy
bar(yy)
%抛硬币实验二
m=0;
x=randperm
(2)-1;
y=x
(1);
ify==0
m=m+1;
m/n
0.5106
randperm
(2)
12
21
%投骰子问题,验证每点出现的概率为1/6
m1=0;
m2=0;
m3=0;
m4=0;
m5=0;
m6=0;
x=randperm(6);
switchy
case1
m1=m1+1;
case2
m2=m2+1;
case3
m3=m3+1;
case4
m1=m4+1;
case5
m5=m5+1;
otherwisem6=m6+1;
disp([num2str(m1/n),'
num2str(m2/n),'
num2str(m3/n),'
num2str(m4/n),'
num2str(m5/n),'
num2str(m6/n)])
0.0001,0.1651,0.1594,0,0.1669,0.1676
1/6
0.1667
%求pi方法二:
正方形边长为a,则pi*(a/2)^2/a^2=pi/4
a=2;
x=rand
(1)*a/2;
y=rand
(1)*a/2;
ifx^2+y^2<
=(a/2)^2;
4*m/n
3.1288
数据的描述与直方图:
名称
命令
频数表
[n,y]=hist(x,k)
直方图
hist(x,k)
mean(x)
中位数
median(x)
极差
range(x)
标准差
std(x)
var(x)
%求均匀分布X~U(2,12)的均值m与方差v
[m,v]=unifstat(2,12)
m=
7
v=
8.3333
x=normrnd(0,1,100,5);
%随机产生100*5的标准正态分布
s=std(x)%各列随机数的标准差
s=
0.86850.94470.95690.99770.9659
mean(x)%各列随机数的均值
0.0479-0.1270-0.0782-0.0099-0.1476
直方图:
hist(x,7)
x=normrnd(0,1,100,1);
hist(x,6)
normrnd()==randn()
参数估计中的计算:
点估计和区间估计:
[musigmamucisigmaci]=normfit(x,alpha)%x为样本观察值,
1-alpha为置信水平,(默认alpha=0.05),
musigmamucisigmaci,分别为相应的点估计和区间估计
x=[8952654555];
%来自正态总体某样本的观察值
[musigmamucisigmaci]=normfit(x,0.05)%点估计和置信水平为0.95的区间估计
mu=
10
sigma=
13.2759
muci=
-0.2048
20.2048
sigmaci=
8.9673
25.4336
假设检验中的计算:
(1)sigma已知时,用Z检验法,[h,sig,ci,z]=ztest(x,m,sigma,alpha,tiil)
%alpah为显著性水平,默认值为0.05,tiil的默认值为0.
当tiil=0时,检验假设“x的均值等于m”
当tiil=1时,检验假设“x的均值大于m”
当tiil=-1时,检验假设“x的均值小于m”
h=0表示在显著性水平为alpah下可以接受假设
h=1表示在显著性水平为alpah下可以拒绝假设
sig是Z统计量在假设成立时的概率,ci是均值的置信水平为1-alpah的置信区间
z是根据Z统计量计算的
(2)Sigma未知时,用t检验法,[h,sig,ci]=ttest(x,m,sigma,alpha,tiil)
%100个随机样本~N(5,1)
%sigma已知时,检验均值mu=5
%sigma未知时,检验均值mu=5.25(alpha=0.05)
x=normrnd(5,1,100,1);
m=mean(x)
[h0sig0ci0z0]=ztest(x,5,1)
[h1sig1ci1z1]=ztest(x,5.25,1)
[ht0sigt0cit0]=ttest(x,5)
[ht1sigt1cit1]=ttest(x,5.25)
4.8730
h0=
0
sig0=
0.2041
ci0=
4.6770
5.0690
z0=
-1.2701
h1=
1
sig1=
1.6320e-004
ci1=
z1=
-3.7701
ht0=
sigt0=
0.1819
cit0=
4.6855
5.0604
ht1=
sigt1=
1.2641e-004
cit1=