% P(X>1.8)=1-P(X<=1.8)
% =1-P(0 % 画图观察一下图形 a=2; k=3; x=0:0.1:3.6; %为了比较好的观察，设置到3.6 f=(k/a).*((x/a).^(k-1)).*exp(-(x/a).^k); plot(x,f,'b') title('概率密度分布函数'); grid on 00.51 1.52 2.53 3.54 00.1 0.2 0.3 0.4 0.5 0.6 0.7 概率密度分布函数 %函数积分的方法 a=2; k=3; syms x f Fx ; f=(k/a).*((x/a).^(k-1)).*exp(-(x/a).^k); %当要求X>1.8时，也就是 da=int(f,1.8,inf) %最终答案0.4824 da =1/exp(729/1000); %蒙特卡罗方法：随机试验的方法计算积分 % 方法1： % x 范围(0,1.8),y 的范围是(0,0.6)形成一个矩形 % 均匀布点N ，计算落入曲线下面的数据点的个数acount % 那么P(x<=1.8)的(面积)概率也就是1.8*0.6*acount/N % 当然，这个方法取决于布点的密度，也就是个数的多寡 a=2; k=3; x=0:0.01:1.8; y=0:0.01:0.6; sx=size(x); sy=size(y); N=sx(1,2)*sy(1,2); %总共有N=11041个点 acount=0; %计算落入曲线下方的点的个数 for i=1:sx(1,2) for j=1:sy(1,2) t=(k/a).*((x(i)/a).^(k-1)).*exp(-(x(i)/a).^k); if y(j) acount=acount+1; end end end p=1.8*0.6*acount/N; PP=1-p; %跟实际答案的误差是：6.2681e-004 wc=abs(PP-da); %方法2：采用随机布点10000个的方法 a=2; k=3; N=10000; n=100; acount=0; %计算落入曲线下方的点的个数 for i=1:n rx=rand*1.8; for j=1:n ry=rand*0.6; t=(k/a).*((rx/a).^(k-1)).*exp(-(rx/a).^k); if ry acount=acount+1; end end end p=1.8*0.6*acount/N; PP=1-p; %跟实际答案的误差是：0.0160 wc=abs(PP-da); % 方法3：随机数是落在曲线上面函数的值 % 采用平均值估算最后的积分 %试验的次数， a=2; k=3; x1=0; x2=1.8; l=x2-x1; %在（0,1.8）之间随机选取N个点，计算函数值，最后这些平均值再乘以1.8 N=10000; x=unifrnd(0,1.8,N,1); p=1.8.*mean((k/a).*((x/a).^(k-1)).*exp(-(x/a).^k)); PP=1-p; %跟实际答案的误差是：0.0028 wc=abs(PP-da); 点数累积概率概率误差方法111041 0.48176 6.2681e-004 方法210000 0.4247 0.0160 方法310000 0.4852 0.0028 幻灯片1 正态分布 第二章 第七节 一、标准正态分布的密度函数 二、标准正态分布的概率计算 三、一般正态分布的密度函数 四、正态分布的概率计算幻灯片2 正态分布的重要性正态分布是概率论中最重要的分布, 这能够由 以下情形加以说明: ⑴ 正态分布是自然界及工程技术中最常见的分布之一, 大量的随机现象都是服从或近似服从正态分布的．能够证明, 如果一个随机指标受到诸多因素的影响, 但其中任何一个因素都不起决定性作用, 则该随机指标一定服从或近似服从正态分布． 这些性质是其它 ⑵ 正态分布有许多良好的性质, 许多分布所不具备的． ⑶ 正态分布能够作为许多分布的近似分布．幻灯片3 －标准正态分布下面我们介绍一种最重要的正态分布 一、标准正态分布的密度函数若连续型随机变量X 的密度函数为定义 则称X 服从标准正态分布, 记为标准正态分布是一种特别重要的它的密度函数经常被使用, 分布。 幻灯片4 密度函数的验证 则有 ( 2) 根据反常积分的运算有能够推出 幻灯片5 标准正态分布的密度函数的性质若随机变量 , X 的密度函数为 则密度函数的性质为: 的图像称为标准正态( 高斯) 曲线幻灯片6 随机变量 由于 由图像可知, 阴影面积为概率值。对同一长度的区间 , 若这区间越靠近 其对应的曲边梯形面积越大。标准正态分布的分布规律时”中间多, 两头少” . 幻灯片7 二、标准正态分布的概率计算 1、分布函数分布函数为幻灯片8 2、标准正态分布表书末附有标准正态分布函数数值表, 有了它, 能够解决标准正态分布的概率计算.表中给的是x > 0时，①(x)的值. 幻灯片9 如果由公式得令则幻灯片10 怎样理解分布函数 概率论中一个非常重要的函数就是分布函数,知道了随机变量的 分布函数,就知道了它的概率分布,也就可以计算概率了。 一、理解好分布函数的定义: F(x)=P(X≤x), 所以分布函数在任意一点x的值,表示随机变量落在x点左边(X≤x)的概率。它的定义域是(-∞,+∞),值域是[0,1]. 二、掌握好分布函数的性质: (1)0≤F(x)≤1; (2)F(+∞)=1,F(-∞)=0; 可以利用这条性质确定分布函数中的参数,例如: 设随机变量X的分布函数为:F(x)=A+Barctanx,求常数A与B. 就应利用本性质计算出A=1/2,B=1/π. (3)单调不减; (4)右连续性。 三、会利用分布函数求概率 在利用分布函数求概率时,以下公式经常利用。 (1)P(a 正态分布、指数分布、对数正态分布和威布尔分布函数及其在工程分析中的应用 071330225 张洋洋 目录 正态分布函数 (3) 正态分布应用领域 (4) 正态分布案例分析 (5) 指数分布函数 (5) 指数分布的应用领域 (6) 指数分布案例分析 (7) 对数正态分布函数 (7) 对数正态分布的应用领域 (9) 对数正态分布案例分析 (9) 威布尔分布函数 (10) 威布尔分布的应用领域 (16) 威布尔分布案例分析 (16) 附录 (18) 参考文献 (21) 正态分布函数【1】 0.20 0.15 0.10 0.05 105510 正态分布概率密度函数f（t） 蓝线：μ=-1 σ=2 红线：μ=1 σ=2 棕线：μ=-1 σ=3 绿线：μ=1 σ=3 均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭或扁平程度。σ越小，曲线越陡峭；σ越大，曲线越扁平。 1.0 0.8 0.6 0.4 0.2 105510 正态分布函数F（t） 蓝线：μ=-1 σ=2 红线：μ=1 σ=2 棕线：μ=-1 σ=3 均数μ改变，图像会进行平移，标准差σ改变，图形陡峭度发生变化。σ越小，图像越陡。 1.0 0.8 0.6 0.4 0.2 105510 正态分布可靠度函数R（t） 蓝线：μ=-1 σ=2 红线：μ=1 σ=2 棕线：μ=-1 σ=3 均数μ改变，图像会进行平移，标准差σ改变，图形陡峭度发生变化。σ越小，图像越陡。 2.5 2.0 1.5 1.0 0.5 105510 正态分布失效率函数λ（t） 蓝线：μ=-1 σ=2 红线：μ=1 σ=2 棕线：μ=-1 σ=3 均数μ改变，图像会进行平移，标准差σ改变，图形陡峭度发生变化。σ越小，图像越陡。正态分布应用领域【1】 正态分布是一种最常见的连续型随机变量的分布,它在概率论和数理统计中无论在理论研究还是实际应用上都占有头等重要的地位,这是因为它在误差理论、无线电噪声理论、自动控制、产品检验、质量控制、质量管理等领域都有广泛应用.数理统计中许多重要问题的解决都是以正态分布为基础的.某些医学现象，如同质群体的身高、红细胞数、血红蛋白量、胆固醇等，以及实验中的随机误差，呈现为正态或近似正态分布；有些资料虽为偏态分布，但经数据变换后可成为正态或近似正态分布，故可按正态分布规律处理。 MATLAB 绘制威布尔分布曲线 威布尔分布概率密度函数： 1(/)(,,)()a a x m a x f x m a e m m --= 威布尔分布概率分布函数： ()()1a mx F x e -=- 其中m>0,是尺度参数也叫比例参数，a>0是形状参数。 X 是随机变量，是未知参数，表示时间延滞。 图1：设定尺度参数m 值为1，取五个形状参数a ，自变量x 代码如下： m=[1 1 1 1 1,2]; a=[0.5 1 1.5 2.5 5,5]; x=linspace(0,5); linecolor=['r','b','g','k','y']; for n=1:5 y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n))); y=1-exp(-(m(n)*x).^a(n)); subplot(1,2,2) title('图1：概率分布函数'); plot(x,y); hold on; subplot(1,2,1) type=linecolor(n); title('图1：概率密度函数'); plot(x,y1,type); hold on; legend('m=1,a=0.5','m=1,a=1','m=1,a=1.5','m=1,a=2.5','m=1,a=5'); end 图2：设定形状参数a值为2，取五个尺度参数m，自变量x 代码如下： m=[0.5 0.75 1 1.5 1.75,2]; a=[2 2 2 2 2.5]; x=linspace(0,5); linecolor=['r','y','b','g','k']; for n=1:5 y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n))); y=1-exp(-(m(n)*x).^a(n)); subplot(1,2,2) title('图2：概率分布函数'); plot(x,y); hold on; 正态分布 第二章 第七节 一、标准正态分布的密度函数 二、标准正态分布的概率计算 三、一般正态分布的密度函数 四、正态分布的概率计算 幻灯片2 正态分布的重要性正态分布是概率论中最重要的分布， 这可以由 以下情形加以说明： ⑴正态分布是自然界及工程技术中最常见的分布 之一， 大量的随机现象都是服从或近似服从正态分布的． 可以证明， 如果一个随机指标受到诸多因素的影响, 但其中任何一个因素都不起决定性作用， 则该随机指标 一定服从或近似服从正态分布． 这些性质是其它 ⑵正态分布有许多良好的性质， 许多分布所不具备的． ⑶正态分布可以作为许多分布的近似分布． 幻灯片3 －标准正态分布 下面我们介绍一种最重要的正态分布 一、标准正态分布的密度函数 若连续型随机变量X的密度函数为 定义 则称X服从标准正态分布， 记为 标准正态分布是一种特别重要的 它的密度函数经常被使用， 分布。 幻灯片4 密度函数的验证 则有 （2）根据反常积分的运算有 可以推出 幻灯片5 标准正态分布的密度函数的性质 ，X的密度函数为 则密度函数的性质为： 的图像称为标准正态（高斯）曲线。 幻灯片6 随机变量 由于 由图像可知，阴影面积为概率值。 对同一长度的区间 ，若这区间越靠近 其对应的曲边梯形面积越大。 标准正态分布的分布规律时“中间多，两头少”. 幻灯片7 二、标准正态分布的概率计算 1、分布函数 分布函数为 幻灯片8 2、标准正态分布表 书末附有标准正态分布函数数值表，有了它，可以解决标准正态分布的概率计算. 表中给的是x > 0时, Φ(x)的值. 幻灯片9 如果 由公式得 令 则 幻灯片10 例1 解 幻灯片11 由标准正态分布的查表计算可以求得， 当X～N(0,1)时， 这说明，X 的取值几乎全部集中在[-3,3]区间内，超出这个范围的可能性仅占不到0.3%. 幻灯片12 三、一般正态分布的密度函数 如果连续型随机变量X的密度函数为 （其中 为参数） 的正态分布，记为 则随机变量X服从参数为 所确定的曲线叫 作正态(高斯）曲线. 幻灯片13 2007.NO.4. CN35-1272/TK 图 1威布尔函数拟合曲线的仿真系统模块 作者简介 :包小庆 (1959~ , 男 , 高级工程师 , 从事可再生能源的研究。 大型风电场的建设不但可以减缓用电短缺情况 , 而且并网后还能为电网提供很大一部分电能。而大型风电场的选址 , 与该地的风速分布情况有关。用于描述风速分布的模型很多 , 如瑞利分布、对数正态分布、 r 分布、双参数威布尔分布、 3参数威布尔分布 , 皮尔逊曲线拟合等。经过大量的研究表明 , 双参数威布尔分布函数更接近风速的实际分布。本文采用 4种方法计算威布尔分布函数的参数 , 并利用计算出的参数确定威布尔分布函数的实际数学模型进行曲线拟合。最后以白云鄂博矿区风电场拟选址为例 , 使用计算机软件 (MATLAB 对该地区风速威布尔分布函数进行曲线拟合 , 得到该地区不同高度的风速分布函数曲线。 1双参数威布尔分布函数的确定 双参数威布尔分布是一种单峰的正偏态分布函数 , 其概 率密度函数表达式为 : p(x=k x " exp-x " (1 式中 :k ———形状参数 , 无因次量 ; c ——— 尺度参数 , 其量纲与速度相同。为了确定威布尔分布函数的实际模型 , 需计算出实际情况下对应函数的 2个参数。估算风速威布尔参数的方法很多 , 本文给出4种有效的方法以确定 k 和 c 值。 1.1HOMER 软件法 HOMER 是一个对发电系统优化配置与经济性分析的软件。通过输入 1a 逐时风速数据或者月平均风速数据 , 根据实际情况设置相应参数 , 即可计算得到 k 和c 值 , 此时计算出的 k 和 c 值是计算机系统认为的最佳值。 1.2Wasp 软件法 Wasp 是一个风气候评估、 计算风力发电机组年发电量、风电场年总发电量的软件。通过输入风速统计资料 , 计算机可以直接计算出 k 和 c 值。 1.3最小二乘法 通过风速统计资料计算出最小二乘法拟合直线 y=ax+b 的斜率 a 和截距 b 。由下式确定 k 和 c 的值 : k=b (2 c=esp a (3 1.4平均风速和最大风速估计法 从常规气象数据获得平均风速和时间 T 观测到的 10min 平均最大风速 V m ax , 设全年的平均风速为通过下式计算 k 和 c 值 : k=ln (lnT (4 c=(5 目录 1. 均匀分布 (1) 2. 正态分布（高斯分布） (2) 3. 指数分布 (2) 4. Beta分布（：分布） (2) 5. Gamm 分布 (3) 6. 倒Gamm分布 (4) 7. 威布尔分布（Weibull分布、韦伯分布、韦布尔分布） (5) 8. Pareto 分布 (6) 9. Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) 2 10. 分布（卡方分布） (7) 8 11. t分布................................................ 9 12. F分布 ............................................... 10 13. 二项分布............................................ 10 14. 泊松分布（Poisson 分布）............................. 11 15. 对数正态分布........................................ 1. 均匀分布 均匀分布X ~U（a,b）是无信息的，可作为无信息变量的先验分布。 2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量 很可能服从正态分布，记作 X~N （」f 2）。正态分布为方差已知的正态分布 N （*2）的参数」的共轭先验分布。 1 空 f （x ）： —— e 2- J2 兀 o' E(X)， Var(X) _ c 2 3. 指数分布 指数分布X ~Exp （ ）是指要等到一个随机事件发生，需要经历多久时间。其 中，.0为尺度参数。指数分布的无记忆性： Plx s t|X = P{X t}。 f （X ）二 y o i E(X) 一 4. Beta 分布（一：分布） f （X ）二 E(X) Var(X)= (b-a)2 12 Var(X)二 1 ~2 目录 1. 均匀分布 ...................................................................................................... 1 2. 正态分布（高斯分布） ........................................................................... 2 3. 指数分布 ...................................................................................................... 2 4. Beta 分布（β分布） .............................................................................. 2 5. Gamma 分布 .............................................................................................. 3 6. 倒Gamma 分布 ......................................................................................... 4 7. 威布尔分布(Weibull 分布、韦伯分布、韦布尔分布) ..................... 5 8. Pareto 分布 ................................................................................................. 6 9. Cauchy 分布（柯西分布、柯西-洛伦兹分布） (7) 10. 2χ分布（卡方分布） (7) 11. t 分布 ......................................................................................................... 8 12. F 分布 ........................................................................................................ 9 13. 二项分布 ................................................................................................ 10 14. 泊松分布（Poisson 分布） .............................................................. 10 15. 对数正态分布 ....................................................................................... 11 1. 均匀分布 均匀分布~(,)X U a b 是无信息的，可作为无信息变量的先验分布。 1 ()f x b a =- Generated by Foxit PDF Creator ? Foxit Software https://www.doczj.com/doc/f41862393.html, For evaluation only. 图 6-2 正态分布概率密度函数的曲线 正态曲线可用方程式表示。当n→∞时，可由二项分布概率函数方程推导出正态分布曲线的方程： f(x)= （6.16 ） 式中： x —所研究的变数； f(x) —某一定值 x 出现的函数值，一般称为概率密度函数（由于间断性分布已转变成连续性分布，因而我们只能计算变量落在某一区间的概率，不能计算变量取某一值，即某一点时的概率，所以用“概率密度”一词以与概率相区分），相当于曲线 x 值的纵轴高度； p —常数，等于 3.14 159 ……； e —常数，等于 2.71828 ……；μ为总体参数，是所研究总体的平均数，不同的正态总体具有不同的μ，但对某一定总体的μ是一个常数；δ也为总体参数，表示所研究总体的标准差，不同的正态总体具有不同的δ，但对某一定总体的δ是一个常数。 上述公式表示随机变数 x 的分布叫作正态分布，记作 N( μ , δ2 ) ，读作“具平均数为μ，方差为δ 2 的正态分布”。正态分布概率密度函数的曲线叫正态曲线，形状见图 6-2 。 （二）正态分布的特性 1 、正态分布曲线是以 x= μ为对称轴，向左右两侧作对称分布。因的数值无论正负，只要其绝对值相等，代入公式（ 6.16 ）所得的 f(x) 是相等的，即在平均数μ的左方或右方，只要距离相等，其 f(x) 就相等，因此其分布是对称的。在正态分布下，算术平均数、中位数、众数三者合一位于μ点上。 2 、正态分布曲线有一个高峰。随机变数 x 的取值范围为（ - ∞，+ ∞ ），在（ - ∞ ，μ）正态曲线随 x 的增大而上升，；当 x= μ时， f(x) 最大；在（μ，+ ∞ ）曲线随 x 的增大而下降。 3 、正态曲线在︱x-μ︱=1 δ处有拐点。曲线向左右两侧伸展，当x →± ∞ 时，f(x) →0 ，但 f(x) 值恒不等于零，曲线是以 x 轴为渐进线，所以曲线全距从 -∞到+ ∞。 4 、正态曲线是由μ和δ两个参数来确定的，其中μ确定曲线在 x 轴上的位置 [ 图 6-3] ，δ确定它的变异程度 [ 图 6-4] 。μ和δ不同时，就会有不同的曲线位置和变异程度。所以，正态分布曲线不只是一条曲线，而是一系列曲线。任何一条特定的正态曲线只有在其μ和δ确定以后才能确定。 5 、正态分布曲线是二项分布的极限曲线，二项分布的总概率等于 1 ，正态分布与 x 轴之间的总概率（所研究总体的全部变量出现的概率总和）或总面积也应该是等于 1 。而变量 x 出现在任两个定值 x1到x2(x1≠x2)之间的概率，等于这两个定值之间的面积占总面积的成数或百分比。正态曲线的任何两个定值间的概率或面积，完全由曲线的μ和δ确定。常用的理论面积或概率如下： 区间μ ± 1 δ面积或概率 =0.6826 μ ± 2 δ =0.9545 μ ± 3 δ=0.9973 μ± 1.960δ=0.9500 μ ±2.576 δ =0.9900 目录 1.均匀分布 (1) 2.正态分布（高斯分布） (2) 3.指数分布 (2) 4.Beta分布（β分布） (2) 5.Gamma分布 (3) 6.倒Gamma分布 (4) 7.威布尔分布(Weibull分布、韦伯分布、韦布尔分布) (5) 8.Pareto分布 (6) 9.Cauchy分布（柯西分布、柯西-洛伦兹分布） (7) χ分布（卡方分布） (7) 10.2 11.t分布 (8) 12.F分布 (9) 13.二项分布 (10) 14.泊松分布（Poisson分布） (10) 15.对数正态分布 (11) 1.均匀分布 均匀分布~(,) X U a b是无信息的，可作为无信息变量的先验分布。 1()f x b a = - ()2 a b E X += 2 ()()12 b a Var X -= 2. 正态分布（高斯分布） 当影响一个变量的因素众多，且影响微弱、都不占据主导地位时，这个变量很可能服从正态分布，记作2~(,)X N μσ。正态分布为方差已知的正态分布 2(,)N μσ的参数μ的共轭先验分布。 22 ()2()x f x μσ-- = ()E X μ= 2()Var X σ= 3. 指数分布 指数分布~()X Exp λ是指要等到一个随机事件发生，需要经历多久时间。其中0λ>为尺度参数。指数分布的无记忆性：{}|{}P X s t X s P X t >+>=>。 (),0 x f x e x λλ-=> 1 ()E X λ = 2 1 ()Var X λ = 4. Beta 分布（β分布） Beta 分布记为~(,)X Be a b ，其中Beta(1,1)等于均匀分布，其概率密度函数可凸也可凹。如果二项分布(,)B n p 中的参数p 的先验分布取(,)Beta a b ，实验数据（事件A 发生y 次，非事件A 发生n-y 次），则p 的后验分布(,)Beta a y b n y ++-，即Beta 分布为二项分布(,)B n p 的参数p 的共轭先验分布。 10 ()x t x t e dt ∞--Γ=? 1 1()()(1)()() a b a b f x x x a b --Γ+= -ΓΓ ()a E X a b = + 2 ()()(1) ab Var X a b a b = +++ 5. Gamma 分布 Gamma 分布即为多个独立且相同分布的指数分布变量的和的分布，解决的 正态分布的数学期望与方差 正态分布： 密度函数为：分布函数为 的分布称为正态分布，记为N(a, σ2). 密度函数为： 或者 称为n元正态分布。其中B是n阶正定对称矩阵，a是任意实值行向量。 称N(0,1)的正态分布为标准正态分布。 （1）验证是概率函数（正值且积分为1） （2）基本性质： （3）二元正态分布： 其中， 二元正态分布的边际分布仍是正态分布： 二元正态分布的条件分布仍是正态分布： 即（其均值是x的线性函数） 其中r可证明是二元正态分布的相关系数。 （4）矩，对标准正态随机变量，有 （5）正态分布的特征函数 多元正态分布 （1）验证其符合概率函数要求（应用B为正定矩阵，L为非奇异阵，然后进行向量线性变换） （2）n元正态分布结论 a) 其特征函数为： b) 的任一子向量,m≤n 也服从正态分布，分布为其中，为保留B 的第，…行及列所得的m阶矩阵。 表明：多元正态分布的边际分布还是正态分布 c) a,B分别是随机向量的数学期望及协方差矩阵，即 表明：n元正态分布由它的前面二阶矩完全确定 d) 相互独立的充要条件是它们两两不相关 e) 若，为的子向量，其中是，的协方差矩阵，则是，相应分量的协方差构成的相互协方差矩阵。则相互独立的充要条件为＝0 f) 服从n元正态分布N(a,b)的充要条件是它的任何一个线性组合服 从一元正态分布 表明：可以通过一元分布来研究多元正态分布 g) 服从n元正态分布N(a,b),C为任意的m×n阶矩阵，则服从m元正态分布 表明：正态变量在线性变换下还是正态变量，这个性质简称正态变量的线性变换不变性 推论：服从n元正态分布N(a,b)，则存在一个正交变化U，使得是一个具有独立正态分布分量的随机向量，他的数学期望为Ua，而他的方差分量是B的特征值。 条件分布 若服从n元正态分布N(a,b)，，则在给定下，的分布还是正态分布，其条件数学期望： (称为关于的回归) 其条件方差为： （与无关） 第1章威布尔分析 1.1 引言： 在所有可用的可靠性计算的分布当中，威布尔分布是唯一可用于工程领域的。在1937，Waloddi Weibull教授（1887－1979）创造性的提出了该种分布，它是用于失效数据分析分布中应用最广泛的分布之一，也用于寿命数据分析，因为系统或部件的寿命周期的测量也需要分析。 一位瑞典的工程师和一位数学家潜心研究冶金的失效，威布尔教授曾指出正态分布要求冶金的初始强度服从正态分布，而情况并非如此。他还指出对于功能需求可以包含各种分布，其中包括正态分布。 1951年他发表了代表作，“一个具有广泛适用性的统计分布函数”，威布尔教授声称寿命数据可以从威布尔分布族中选择最恰当的分布，然后用合适的参数进行合理准确的失效分析。他列举七种不同的情况来证明威布尔分布可顺利用于很多问题的分析。 对威布尔分布的最初反应是普遍诊断它太过完美以致于不真实。尽管如此，失效数据分析领域的先驱们还是开始应用并不断改进，直到1975年，美国空军才认可了它的优点并资助了威布尔教授的研究。 今天，威布尔分析涉及图表形式的概率分析以找出对于一个给定失效模式下最能代表一批寿命数据的分布。尽管威布尔分布在检测寿命数据以确定最合适的分布方面在世界范围内处于领先位置，但其它分布也会偶尔用于寿命数据分析包括指数分布，对数正态分布，正态分布，寿命数据有了对应的统计学分布，威布尔分析对预计产品寿命做了准备。这种具代表性的样本分布用来估计产品的重要寿命特征，如可靠性，某一时刻的失效率，产品的平均寿命及失效率。 1.1.1威布尔分析的优点： 威布尔分析广泛用于研究机械、化工、电气、电子、材料的失效，甚至人体疫病。威布尔分析最主要的优点在于它的功能： ?提供比较准确的失效分析和小数据样本的失效预测，对出现的问题尽早的制订解 决方案。 ?为单个失效模式提供简单而有用的图表，使数据在不充足时，仍易于理解。 ?描述分布状态的形状可很好的选择相应的分布。 ?提供基于威布尔概率图的斜率的物理失效的线索。 Excel中的正态分布的密度函数 关于在Excel中的正态分布的密度函数NORMDIST（x，μ，σ，逻辑值）中积累逻辑值取“FALSE”时的图形，在《Excel：正态分布的面积图（积累逻辑值为FALSE）》（地址见【附录】）中简单作了尝试。现为了绘制正态累计分布逻辑值要取“TRUE”。 在Excel中的正态分布的密度函数NORMDIST的语法表达式是： NORMDIST(值，平均数，标准差，积累与否)，其中： x ——“值”，是要求分布的随机变量数值； μ——“平均数”，是分布的算数平均数； σ——“标准差”，是分布的标准差； 逻辑值——“积累与否”，是决定函数的逻辑值，其中： ●如果“积累与否”的逻辑值取“TRUE”（真），则NORMDIST 会返回累计分布函数。如果为了绘制正态累计分布，逻辑值就要取 “TRUE”。 ●如果“积累与否”的逻辑值取“FALSE”（伪），则NORMDIST 会返回正态分布函数的高度。 为了制作正态累计分布面积图，先准备下列数据表格（实际使用的表格中，单元格中都是数据，以下为了说明具体公式，在“工具”-“选项”-“视图”中勾选了“公式”，以便各单元格的具体参数都显示出来，以供参考。实际使用时还应该将这个勾选取消）。下列表格中各列NORMDIST函数中的逻辑值都取“TRUE”： 表1 在A列，准备按自己需要设置自变量数据x，本例从0——100，（A2——A102）。 在F列：B2=NORMDIST(A2,50,5, TRUE)，μ=50，σ=5，一直拖到F102。 在G列：G2=NORMDIST(A2,50,10, TRUE)，μ=50，σ=10，一直拖到G102。 在H列：H2=NORMDIST(A2,50,15, TRUE)，μ=50，σ=15，一直拖到H102。 在I列：I2=NORMDIST(A2,70,8, TRUE)，μ=70，σ=8，一直拖到I102。 先选取I列，选取I2：I102，作二维面积图，如图1所示： 图1 再选取H列，选取H2：H102，作二维面积图，如图2所示： 正态分布的概率密度函数的推导 An interesting question was posed in a Statistics assignment which was to show that the standard normal distribution was valid - ie the integral from negative infinity to infinity equated to one and in doing so showed the derivation of the part of the normal pdf. A friend of mine and I decided to try to derive the normal pdf and the thinking went along the lines of the central limit theorem which states that the mean of any probability distribution becomes normal as the number of trials increases. The derivation of this is well known.but we asked ourselves how the normal distribution was first achieved.There is another 'normal' derivation which is the binomial approximation and it is through this direction that we wondered how to derive the normal distribution from the binomial as n gets large. So the general approach we will take is to take a binomial distribution, then increase the number of samples n. (提出一个有趣的问题是在统计分配，这是表明，标准正态分布是有效的- 即从负无穷到正无穷的积分等同于一个，并在这样做表明推导了部分正常的PDF 。 我，我的一个朋友决定尝试推导出正常的PDF和沿中心极限定理指出，任何概率分布的均值作为试验增加的正常思维。 这个推导是众所周知的。但我们问自己如何正态分布首次实现。有另一种“正常”的推导，这是二项式近似和它是通过这个方向，我们想知道如何从二项式正态分布为n变大。 因此，我们将采取的一般方法是一个二项分布，再增加样本N.的数量) 如何理解概率分布函数和概率密度函数 大学的时候，我的《概率论和数理统计》这门课一共挂过3次，而且我记得最后一次考过的时候刚刚及格，只有60分。你可以想象我的《概率论》这门课学的是有多差了。后来，我工作以后，在学习数据分析技能时，又重新把《概率论》这本书学了一遍。原来之前一直没学好这门课的很重要一个原因就是，这门课涉及很多基础的概念，而我当初就是对这些概念非常不理解。 今天我就讲讲应该如何理解概率分布函数和概率密度函数的问题。是不是乍一看特别像，容易迷糊。如果你感到迷糊，恭喜你找到我当年的感觉了。 先从离散型随机变量和连续性随机变量说起 对于如何分辨离散型随机变量和连续性随机变量，我这里先给大家举几个例子: 1、一批电子元件的次品数目。 2、同样是一批电子元件，他们的寿命情况。 在第一个例子中，电子元件的次数是一个在现实中可以区分的值，我们用肉眼就能看出，这一堆元件里，次品的个数。但是在第二个例子中，这个寿命它是一个你无法用肉眼数的过来的数字，它需要你用笔记下来，变成一个数字你才能感受它。在这两个例子中，第一例子涉及的随机变量就是离散型随机变量，第二个涉及的变量就是连续型随机变量。 在贾俊平老师的《统计学》教材中，给出了这样的区分: 如果随机变量的值可以都可以逐个列举出来，则为离散型随机变量。如果随机变量X 的取值无法逐个列举则为连续型变量。 我始终觉得，贾老师这么说，对于我们这些脑子笨又爱钻牛角尖的学生来说，还是不太好理解。所以我就告诉大家一个不一定非常严谨，但是绝对好区分的办法。 只要是能够用我们日常使用的量词可以度量的取值，比如次数，个数，块数等都是离散型随机变量。只要无法用这些量词度量，且取值可以取到小数点2位，3位甚至无限多位的时候，那么这个变量就是连续型随机变量! 对了，如果你连随机变量这个概念还不理解的话，我送你一句贾俊平老师的话: 如果微积分是研究变量的数学，那么概率论与数理统计是研究随机变量的数学。 再来理解离散型随机变量的概率分布，概率函数和分布函数 在理解概率分布函数和概率密度函数之前，我们先来看看概率分布和概率函数是咋回事。一下子又冒出来两个长得差不多的概念!没事，他们长得差不多，实际代表的含义其实也差不多! 目录 1、 均匀分布 ...................................................................................................... 1 2、 正态分布(高斯分布) ............................................................................... 2 3、 指数分布 ...................................................................................................... 2 4、 Beta 分布(β分布) .................................................................................. 2 5、 Gamma 分布 .................................................................................................. 3 6、 倒Gamma 分布 ............................................................................................. 4 7、 威布尔分布(Weibull 分布、韦伯分布、韦布尔分布) ................. 5 8、 Pareto 分布 ................................................................................................ 6 9、 Cauchy 分布(柯西分布、柯西-洛伦兹分布) .. (7) 10、 2 χ分布(卡方分布) (7) 11、 t 分布 ........................................................................................................ 8 12、 F 分布 ........................................................................................................ 9 13、 二项分布 ................................................................................................ 10 14、 泊松分布(Poisson 分布) .................................................................. 10 15、 对数正态分布 ....................................................................................... 11 1. 均匀分布 均匀分布~(,)X U a b 就是无信息的,可作为无信息变量的先验分布。 1 ()f x b a = - 专题：正态分布 例：（1）已知随机变量X 服从二项分布，且E （X ）=2.4，V （X ）=1.44，则二项分布的参数n ，p 的值为 A ．n=4，p=0.6 B ．n=6,p=0.4 C ．n=8，p=0.3 D ．n=24，p=0.1 答案：B 。解析：()4.2==np X E ，()44.1)1(=-=p np X V 。 （2）正态曲线下、横轴上，从均数到∞+的面积为( )。 A ．95% B ．50% C ．97.5% D ．不能确定（与标准差的大小有关） 答案：B 。解析：由正态曲线的特点知。 （3）某班有48名同学，一次考试后的数学成绩服从正态分布，平均分为80，标准差为10，理论上说在80分到90分的人数是 （ ） A 32 B 16 C 8 D 20 答案：B 。解析:数学成绩是X —N(80,102)， 8080 9080(8090)(01)0.3413,480.34131610 10P X P Z P Z --??≤≤=≤≤=≤≤≈?≈ ???。 （4）从1，2，3，4，5这五个数中任取两个数，这两个数之积的数学期望为___________ 。 ∴E(X)=8.5. （5）如图，两个正态分布曲线图： 1为)(1 ,1x σμ?，2为)(22x σμ?， 则1μ 2μ，1σ 2σ答案：＜，＞。解析：由正态密度曲线图象的特征知。【课内练习】 1．标准正态分布的均数与标准差分别为( )。 A ．0与1 B ．1与0 C ．0与0 D ．1与1 答案：A 。解析：由标准正态分布的定义知。 2．正态分布有两个参数μ与σ，( )相应的正态曲线的形状越扁平。 A ．μ越大 B ．μ越小 C ．σ越大 D ．σ越小 答案： C 。解析：由正态密度曲线图象的特征知。 3．已在n 个数据n x x x ,,,21Λ，那么() ∑=-n i i x x n 1 21是指 A ．σ B ．μ C ．2σ D ．2 μ（ ） 答案：C 。解析：由方差的统计定义知。 4．设),(~p n B ξ，()12=ξE ，()4D ξ=，则n 的值是 。 答案：4。解析：()12==np E ξ，()(1)4D np p ξ=-= 5．对某个数学题，甲解出的概率为2 3 ，乙解出的概率为34，两人独立解题。记X 为解出该题的人数，则E （X ）= 。 答案：1712。解析：11121145(0),(1),3412343412P X P X ==?===?+?=231 (2)342 P X ==?=。 6数理统计的基本概念 6.1 基本要求 1 理解总体、样本(品)、样本容量、简单随机样本的概念。能在总体分布给定情况下，正确无误地写出样本的联合分布，这是本章的难点。 2*了解样本的频率分布、经验分布函数的定义，了解频率直方图的作法。 3 了解χ2分布、t分布和F分布的概念及性质，了解临界值的概念并会查表计算。 4 理解样本均值、样本方差及样本矩的概念。了解样本矩的性质，能借助计算器快速完成样本均值、样本方差观察值的计算。了解正态总体的某些常用抽样分布。 6.2 内容提要 6.2.1 总体和样本 1 总体和个体研究对象的某项特征指标值的全体称为总体(或母体)，组成总体的每个元素称为个体。总体是一个随机变量，常用X，Y等来表示。 2 样本从总体中随机抽出n个个体称为容量为n的样本，其中每个个体称为样品，它们都是随机变量。 3 简单随机样本设X1，X2，…，X n是来自总体X的容量为n 的样本，如果这n个随机变量X1，X2，…，X n相互独立且每个样品X i与总体X具有相同的分布，则称X1，X2，…，X n为总体X的简单随机样本。 4 样本的联合分布 *该部分内容考研不作要求。 149 150 若总体X 具有分布函数F (x )，则样本(X 1，X 2，…，X n )的联合分布函数为 ∏== n i i n x F x x x F 1 21) (),,,( 若总体X 为连续型随机变量，其概率密度函数为f (x )，则样本的联合概率密度为 ∏ == n i i n x f x x x f 1 21) (),,,( (6.1) 若总体X 为离散型随机变量，其分布律为P {X =a i }=p i (i =1，2，…n)，则样本的联合分布为 ∏=== ===n i i i n n x X P x X x X x X P 1 22 11} {},,,{ (6.2) 其中),,,(21n x x x 为),,,(21n X X X 的任一组可能的观察值。 6.2.2 样本分布 1 频率分布 设样本值(x 1，x 2，…，x n )中不同的数值是x 1*，x 2*，…，x l *，记相应的频数分别为n 1，n 2，…，n l ，其中x 1*< x 2*<…< x l * 且n n l i i =∑=1 。 则样本的频数分布及频率分布可由表6-1给出。标准正态分布的密度函数样本
怎样理解分布函数
正态分布、指数分布、对数正态分布和威布尔分布函数及其在工程分析中的应用.
MATLAB绘制威布尔分布曲线
标准正态分布的密度函数
双参数威布尔分布函数的确定及曲线拟合(精)
16种常见概率分布概率密度函数、意义及其应用
16种常见概率分布概率密度函数、意义及其应用
正态分布概率公式(部分)
图 62正态分布概率密度函数的曲线 正态曲线可用方程式表示。 n 当 →∞时，可由二项分布概率函数方程推导出正态 分布曲线的方程：
fx= （61 ） () .6
式中： x—所研究的变数； fx —某一定值 x出现的函数值，一般称为概率 () 密度函数 （由于间断性分布已转变成连续性分布，因而我们只能计算变量落在某 一区间的概率， 不能计算变量取某一值， 即某一点时的概率， 所以用 “概率密度” 一词以与概率相区分），相当于曲线 x值的纵轴高度； p—常数，等于 31 .4 19……； e— 常数，等于 2788……； μ 为总体参数，是所研究总体 5 .12 的平均数， 不同的正态总体具有不同的 μ ， 但对某一定总体的 μ 是一个常数； δ 也为总体参数， 表示所研究总体的标准差， 不同的正态总体具有不同的 δ ， 但对某一定总体的 δ 是一个常数。 上述公式表示随机变数 x的分布叫作正态分布， 记作 N μ ,δ2 )， “具 ( 读作 2 平均数为 μ，方差为 δ 的正态分布”。正态分布概率密度函数的曲线叫正态 曲线，形状见图 62。 （二）正态分布的特性
1、正态分布曲线是以 x μ 为对称轴，向左右两侧作对称分布。因 =
的
数值无论正负， 只要其绝对值相等， 代入公式 61 ） （ .6 所得的 fx 是相等的， () 即在平均数 μ 的左方或右方，只要距离相等，其 fx 就相等，因此其分布是 () 对称的。在正态分布下，算术平均数、中位数、众数三者合一位于 μ 点上。正态分布概率公式(部分)
16种常见概率分布概率密度函数、意义及其应用
正态分布的数学期望与方差
威布尔分析方法
Excel中的正态分布的密度函数
正态分布的概率密度函数的推导
如何理解概率分布函数和概率密度函数
16种常见概率分布概率密度函数意义及其应用
正态分布及其经典习题和答案
常见的分布函数
相关主题
文本预览