漫步数理统计一—

许多调查可以由部分进行表征，前提是基于以下事实：在基本相同的条件下，重复进行的试验或多或少是标准的程序。例如，在医学研究中关注点集中于待使用药物的效果；或对经济学家而言，关注的可能是三种指定商品在不同时间的价格；或对农艺师而言，可能想研究化肥对谷物产量的影响。调查人员获得此类信息的唯一方法就是进行实验。每个实验都会产生一个结果，但这些试验的特点是在实验进行之前我们无法进行预测。

假设我们有这样一个试验，其结果不能确定的预测出来，但在执行之前，每个可能结果能被准确的描述出来，如果这种试验可以在相同条件下重复进行，我们就被它为随机试验，并且每个可能结果的集合称为试验空间或样本空间。

例1：\textbf{例1：}现在投掷一枚硬币，背面朝上用T表示，正面朝上用HH表示，假设在相同的条件下硬币可以重复投掷，那么这个硬币的投掷过程就是一个随机试验的例子，在这个试验中结果就是两个符号T,HT,H中的一个；即样本空间是这两个符号的集合。

例2：\textbf{例2：}现在红白两方每人掷一次骰子，结果用有序数对表示，假设在相同的条件下双方重复掷骰子，那么产生数对过程就是一个随机试验，样本空间有36个有序对组成：(1,1),…,(1,6),(2,1),…,(2,6),…,(6,6)(1,1),\ldots,(1,6),(2,1),\ldots,(2,6),\ldots,(6,6)。

令C\textbf{C}表示样本空间，cc表示C\textbf{C}中的一个元素，CC表示C\textbf{C}中元素的一个集合，如果试验的结果在CC中，我们就说事件CC发生了。现在设想我们进行了NN次随机试验，那么我们可以得出NN个结果中CC发生的次数(频数)ff，比率f/Nf/N称为NN次试验中事件CC的相对频率，当NN很小时相对频率通常不稳定，从掷硬币中就能感觉出来。但是随着NN的增大，经验表明我们可以将事件CC与一个数联系起来，假设为pp，它等于或近似等于相对频率稳定的那个数。如果这么做的话，那么pp可以看成未来试验中，事件CC相对频率要么等于要么近似等于的值，因此，虽然我们不能预测随机试验的结果，但是当NN非常大时，我们预测CC发生的相对频率。与事件CC关联的数pp有许多名字，有时称为试验结果在CC中的概率；有时称为事件CC的概率；有时称为CC的概率测度，通常会根据上下文选择合适的属于。

例3：\textbf{例3：}令C\textbf{C}表示例2的样本空间，CC是C\textbf{C}中满足和等于7的有序对组合的集合，那么CC就是(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)。假设骰子掷了N=400N=400次，和等于7的频数f=60f=60，那么结果在CC中的相对频数是f/N=60400=0.15f/N=\frac{60}{400}=0.15，因此我们可以将CC与非常靠近0.15的数pp联系起来，pp称为事件CC的概率。

注1：\textbf{注1：}上面概率的解释有时看成相对频率法，它显然依赖这样的事实：试验在基本相同的条件下重复进行。然而，许多人将其看成合理的置信度量，据此将概率应用到其他情况。例如p=25p=\frac{2}{5}意味着对于事件CC而言，他们个人的或主观的概率等于25\frac{2}{5}，因此，如果他们愿意赌博的话，这可以解释成他们对结果CC下注的意愿，这样的话两种结果的比率为p/(1−p)=25/35=23p/(1-p)=\frac{2}{5}/\frac{3}{5}=\frac{2}{3}，并且，如果他们确实相信p=25p=\frac{2}{5}是正确的，那么他们更愿意下注到另一方：(a)(a)如果CC发生就赢3元，不发生的话输2 元，或者(b)(b)如果C<script type="math/tex" id="MathJax-Element-57">C</script>不发生赢2元，不发生的话输3元。然而，因为概率的数学性质与这两种解释都是一致的，所以数学的发展并不依赖于使用哪种方法。

掌握统计数学理论的主要目的是提供随机试验的数学模型，一旦提供了这种试验的模型并且详细阐述了理论，那么统计学家就可以在这个框架内对随机试验进行推断（即得出结论）。这种模型的构建需要概率论，逻辑上满足概率的一个模型就是基于集合概念和集合函数的模型，下篇博文简单介绍一下集合论的相关知识。

漫步数理统计一——绪论相关推荐

漫步数理统计三十三——采样与统计量
本篇博文介绍一些有用的推断工具:置信区间与假设检验. 在典型的统计问题中,我们对随机变量XX感兴趣,但是对其pdff(x)f(x)与pmfp(x)p(x)不知道,对此大致有两个类别: f(x)f(x) ...
漫步数理统计三十二——中心极限定理
如果X1,X2,-,XnX_1,X_2,\ldots,X_n是均值为μ\mu,方差为σ2\sigma^2正态分布的随机样本,那么对任意正整数nn,随机变量 ∑n1Xi−nμσn‾‾√=n‾‾√(X¯n ...
漫步数理统计二十九——函数期望
令X=(X1,-,Xn)′\mathbf{X}=(X_1,\ldots,X_n)^\prime表示某试验的随机变量,我们一般对X\mathbf{X}的函数感兴趣,表示为T=T(X)T=T(\mathb ...
漫步数理统计二十八——混合分布
假设有kk个分布,它们的pdf分别为f1(x),f2(x),-,fk(x)f_1(x),f_2(x),\ldots,f_k(x),支撑为1,2,-,k\mathcal{S_1,S_2,\ldot ...
漫步数理统计二十二——二项及相关分布
之前我们介绍了均匀分布与超几何分布,这篇文章我们讨论一些其他在统计中经常使用的分布,首先从二项与相关分布开始. 伯努利试验是一个随机试验,输出为两个相互独立且有穷中的一个,例如成功或失败(男或女,生或 ...
漫步数理统计二十一——变换：随机向量
前面的文章中提到,两个连续型随机变量的两个函数联合pdf 的行列式基本上是数学分析中处理二重积分变换变换时一个定理的推论,这个定理自然可以扩展到nn重积分,考虑nn维空间S\textbf{S}的子集A ...
漫步数理统计二十——多元随机变量
两个随机变量的概念立即可以扩展到nn个随机变量,下面就是nn个随机变量空间的定义. 定义1:\textbf{定义1:}考虑一个随机试验,其样本空间为C\textbf{C},随机变量XiX_i给每个元素 ...
漫步数理统计十九——独立随机变量
令X,YX,Y表示连续型随机变量,其联合pdf为f(x1,x2)f(x_1,x_2),边缘概率密度分别为f1(x1),f2(x2)f_1(x_1),f_2(x_2),与条件pdff2|1(x2|x1) ...
漫步数理统计十八——相关系数
对于两个随机变量,我们这里用X,YX,Y而不是X1,X2X_1,X_2来表示结论,另外我们不在分开讨论连续与离散的情况,统一用连续符号,但是这些性质对离散情况也满足.令X,YX,Y的联合pdf为f(x ...

漫步数理统计一——绪论

漫步数理统计一——绪论相关推荐

最新文章

热门文章