對概率及數(shù)理統(tǒng)計應(yīng)有的基本認識

概率是表示事件出現(xiàn)的可能性大小的一種數(shù)量指標山上。

古典概率的看法憔恳,建立在“等可能”的基礎(chǔ)上乒验,各種可能的結(jié)果及其出現(xiàn)的次數(shù)都推演得知往毡,而無需經(jīng)過任何統(tǒng)計試驗即可計算各種可能發(fā)生的概率个少。(古典概率的計算主要基于排列組合)

在很多實際問題中洪乍,將全部可能事件結(jié)果羅列出來是不可能的,同時夜焦,結(jié)果的等可能性假定也很難成立壳澳。無法按古典概率的方式計算概率。所以從實用的角度茫经,就有了概率的統(tǒng)計定義巷波。這是一種通過實驗去估計事件概率的方法,可稱為試驗概率卸伞。
在試驗概率中抹镊,試驗所得的頻率只是對概率的近似估計,而非概率本身瞪慧。其認為存在一個數(shù)p髓考,當試驗重復(fù)時,事件E的頻率在p的附近擺動弃酌,當試驗次數(shù)無限大時氨菇,p是頻率的極限。
概率的統(tǒng)計定義實際并不是給出了一種定義概率的方法妓湘,而是提供了一種估計概率的方法查蓉。進而可以通過試驗,來檢驗理論正確與否榜贴。

此外豌研,建立在過去的經(jīng)驗與判斷的基礎(chǔ)上,有主觀概率的概念唬党,反映主觀上的可能性鹃共。

隨機變量

在概率論中,隨機變量指其值會隨機會而定的變量驶拱,而機會則表現(xiàn)為試驗結(jié)果霜浴。

研究一個隨機變量,不只是看它能取哪些值蓝纲,更重要的是它取各種值的概率如何阴孟。也就是研究隨機變量的概率函數(shù)、分布函數(shù)税迷。

根據(jù)隨機變量可能的值的全體的性質(zhì)永丝,可分為離散型隨機變量、連續(xù)性隨機變量箭养。常見的離散型隨機變量分布有二項分布慕嚷、泊松分布,對連續(xù)性隨機變量,則有均勻分布闯冷、指數(shù)分布砂心、正態(tài)分布。
隨機變量也可以是多維的蛇耀,對多維隨機變量的研究還涉及邊緣分布的問題辩诞。
有了隨機變量的分布,進一步地還有隨機變量的函數(shù)(或稱為統(tǒng)計量)的分布問題纺涤。

隨機變量的數(shù)字特征

在統(tǒng)計中译暂,通過樣本數(shù)據(jù),可對樣本數(shù)據(jù)的分布情況及特征進行統(tǒng)計性描述撩炊。例如均值外永、中位數(shù)、標準差等統(tǒng)計量拧咳。對于概率論伯顶,隨機變量也有類似的數(shù)字特征,但與樣本的統(tǒng)計性描述指標有本質(zhì)上的區(qū)別骆膝。

如概率上的數(shù)學(xué)期望祭衩,也可稱均值。但與統(tǒng)計樣本均值不同阅签,隨機變量的數(shù)學(xué)期望以概率加權(quán)求和所得掐暮,是先驗的。而統(tǒng)計均值政钟,是觀測數(shù)據(jù)的平均路克,是后驗的。中位數(shù)在概率上养交,指變量值小于它的概率為1/2的那個數(shù)精算,而統(tǒng)計的中位數(shù),是樣本中的中間數(shù)值碎连。同樣有先驗與后驗的區(qū)別灰羽。

此外,還有破花,E[(X-c)^k]稱為 X 關(guān)于數(shù) c 的 k 階矩。c=0時稱為原點矩疲吸,c=E(X)時稱為中心距座每。
一階原點矩就是期望,二姐中心距是方差Var(X)摘悴,三階中心距往往用來衡量數(shù)據(jù)偏度峭梳,四階中心距衡量數(shù)據(jù)峰度。

對于多維隨機變量,還有協(xié)方差葱椭、相關(guān)系數(shù)的概念捂寿,反映各維分量間的關(guān)系。

概率論與數(shù)理統(tǒng)計

如上面數(shù)學(xué)期望及中位數(shù)的例子孵运,概率與數(shù)理統(tǒng)計的區(qū)別就在于概率論是演繹秦陋,從先驗知識推出結(jié)論,根據(jù)已知變量的概率分布(實際中并不能真正的已知概率分布)治笨,推出各種結(jié)論驳概;而數(shù)理統(tǒng)計是歸納的,因為在真實世界里旷赖,我們只能通過觀測值來預(yù)估數(shù)學(xué)模型顺又,是后驗的。

數(shù)理統(tǒng)計就是使用概率論和統(tǒng)計數(shù)學(xué)方法等孵,研究怎樣收集帶有隨機誤差的數(shù)據(jù)稚照,在總體是未知的情況下(有時候是總體分布類型未知,有時候是總體分布類型已知但分布的參數(shù)未知)俯萌,通過從總體中收集的樣本果录,得到關(guān)于總體分布的統(tǒng)計推斷

在任何考察的項目中绳瘟,總體都是需要歸納了解的雕憔,需要連接關(guān)于總體的數(shù)值特征(概率分布參數(shù))。而從總體中抽取的樣本時具體的糖声,可操作性的斤彼。通過樣本的統(tǒng)計量,來估計總體的數(shù)值特征(參數(shù))蘸泻。
而要能通過樣本估計總體的特征琉苇,只有在樣本的特征反映總體特征時才是可行的,根據(jù)樣本來估計參數(shù)才是合理的悦施。要核實這一點并扇,值查看樣本是不可能的,但又因不了解總體抡诞,所以無法對比樣本與總體穷蛹,來判定樣本是否與總體相似。我們能做的昼汗,就是查看樣本時如何獲取的肴熏,選取樣本的方法至關(guān)重要,也就是統(tǒng)計實驗中為了避免偏性的實驗設(shè)計顷窒。

而有了合適的樣本蛙吏,數(shù)理統(tǒng)計的工作主要涉及到參數(shù)估計和假設(shè)檢驗。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市鸦做,隨后出現(xiàn)的幾起案子励烦,更是在濱河造成了極大的恐慌,老刑警劉巖泼诱,帶你破解...
    沈念sama閱讀 212,383評論 6 493
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件坛掠,死亡現(xiàn)場離奇詭異,居然都是意外死亡坷檩,警方通過查閱死者的電腦和手機却音,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,522評論 3 385
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來矢炼,“玉大人系瓢,你說我怎么就攤上這事【涔啵” “怎么了夷陋?”我有些...
    開封第一講書人閱讀 157,852評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長胰锌。 經(jīng)常有香客問我骗绕,道長,這世上最難降的妖魔是什么资昧? 我笑而不...
    開封第一講書人閱讀 56,621評論 1 284
  • 正文 為了忘掉前任酬土,我火速辦了婚禮,結(jié)果婚禮上格带,老公的妹妹穿的比我還像新娘撤缴。我一直安慰自己,他們只是感情好叽唱,可當我...
    茶點故事閱讀 65,741評論 6 386
  • 文/花漫 我一把揭開白布屈呕。 她就那樣靜靜地躺著,像睡著了一般棺亭。 火紅的嫁衣襯著肌膚如雪虎眨。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,929評論 1 290
  • 那天镶摘,我揣著相機與錄音嗽桩,去河邊找鬼。 笑死凄敢,一個胖子當著我的面吹牛碌冶,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播贡未,決...
    沈念sama閱讀 39,076評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼种樱,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了俊卤?” 一聲冷哼從身側(cè)響起嫩挤,我...
    開封第一講書人閱讀 37,803評論 0 268
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎消恍,沒想到半個月后岂昭,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,265評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡狠怨,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,582評論 2 327
  • 正文 我和宋清朗相戀三年约啊,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片佣赖。...
    茶點故事閱讀 38,716評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡恰矩,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出憎蛤,到底是詐尸還是另有隱情外傅,我是刑警寧澤,帶...
    沈念sama閱讀 34,395評論 4 333
  • 正文 年R本政府宣布俩檬,位于F島的核電站萎胰,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏棚辽。R本人自食惡果不足惜技竟,卻給世界環(huán)境...
    茶點故事閱讀 40,039評論 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望屈藐。 院中可真熱鬧榔组,春花似錦、人聲如沸估盘。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,798評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽遣妥。三九已至擅编,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間箫踩,已是汗流浹背爱态。 一陣腳步聲響...
    開封第一講書人閱讀 32,027評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留境钟,地道東北人锦担。 一個月前我還...
    沈念sama閱讀 46,488評論 2 361
  • 正文 我出身青樓,卻偏偏與公主長得像慨削,于是被迫代替她去往敵國和親洞渔。 傳聞我的和親對象是個殘疾皇子套媚,可洞房花燭夜當晚...
    茶點故事閱讀 43,612評論 2 350