概率论与数理统计应用实验报告
- 格式:docx
- 大小:154.26 KB
- 文档页数:9
西安交通大学实验报告
_______________________________________________________________________________
课程:概率论与数理统计应用 实验名称:概率论在实验中的应用 实验日期:2015 年 12 月15 日
系 别:电信 专业班级:电信少41
姓 名:刘星辰 学号:2120406102
_____________________________________________________________________
一、实验目的:
1. 了解 matlab 在实现数学问题时如何应用;
2. 加强对 matlab 的操作能力;
3. 对实际问题在概率论中的应用的理解有所加深;
4. 将实际问题进行模拟,提高数学建模能力。
二、实验内容:
本次试验将解决下面 4 个问题:
1. 二项分布的泊松分布与正态分布的逼近;
2. 正态分布的数值计算;
3. 通过计算机模拟已有分布律进行模拟实验;
4. 进行蒲丰投针实验模拟。
三、实验问题分析、解决与思考:
1.二项分布的泊松分布与正态分布的逼近
设 X ~ B(n ,p) ,其中np=2
1) 对n=101,…,104,讨论用泊松分布逼近二项分布的误差。
画处逼近的图形
2) 对n=101,…,104, 计算 )505(≤ 1)用二项分布计算 2)用泊松分布计算 3)用正态分布计算 比较用泊松分布逼近与正态分布逼近二项分布的优劣。 解:(1) x = -10:0.1:10; y1 = binopdf(x,10,2/10); %此处仅列出n=10时的二项分布语句 y2 = poisspdf(x,2); %泊松分布语句 plot(x,y1,'r') %做出二项分布图像 hold on plot(x,y2,'b') %做出泊松分布图像 title('泊松分布逼近二项分布图像') (图中红线为二项分布,蓝线为泊松分布) n=10,很明显地看出拟合效果不太好,红线与蓝线没有完全重合: n=100,放大之后可以看出还是有一部分没有很好地拟合(后为局部图): n=1000,仅仅只有一部分的拟合程度没有很完美(后为局部图): n=10000 可以看出,当n ≥ 100时拟合程度较好。 (2) i=10; %计算不同分布情况下的P {5 ≤ X ≤ 50} while i <= 100000 P1 = binocdf(50,i,2/i) - binocdf(5,i,2/i) %二项分布下的计算 P2 = poisscdf(50,2) - poisscdf(5,2)%泊松分布下的计算 P3 = normcdf((50+0.5-2)/(2*(1-2/i))^0.5) - normcdf((5-0.5-2)/(2*(1-2/i))^0.5)%正态分布下的计算 i = i*10;%计算不同分布情况下n=101,…,105下的概率 end i=10; %计算不同分布情况下的P {20 ≤X ≤90} while i <= 100000 P1 = binocdf(90,i,2/i) - binocdf(20,i,2/i) %二项分布下的计算 P2 = poisscdf(90,2) - poisscdf(20,2)%泊松分布下的计算 P3 = normcdf((90+0.5-2)/(2*(1-2/i))^0.5) - normcdf((20-0.5-2)/(2*(1-2/i))^0.5)%正态分布下的计算 i = i*10;%计算不同分布情况下n=101,…,105下的概率 end 结果: (其中P1 对应二项分布,P2 对应泊松分布,P3 对应正态分布) P {5 ≤X ≤50} n=10: P1 =0.0064 P2 =0.0166 P3 =0.0241 n=100: P1 =0.0155 P2 =0.0166 P3 =0.0371 n=1000: P1 =0.0165 P2 =0.0166 P3 =0.0384 n=10000: P1 =0.0166 P2 =0.0166 P3 =0.0384 P {20 ≤X ≤90} n=10: P1 =0 P2 =6.1062e-15 P3 =0 n=100: P1 =8.8818e-16 P2 =6.1062e-15 P3 =0 n=1000: P1 =5.1070e -15 P2 =6.1062e -15 P3 =0 n=10000: P1 =5.9952e -15 P2 =6.1062e -15 P3 =0 问题分析及其总结: 对于比较用泊松分布逼近与正态分布逼近二项分布的优劣,由上面的计算结果进行比较得出:二项分布 X ~ B(n, p),当 n 很大,p 很小,而np = λ大小适中时,二项分布可用参数为λ = np 的泊松分布来近似;当 n 充分大,且 p 既不接近于0也不接近于1 时,二项分布 X ~ B(n, p)可用正态分布X ~ N(np, np(1 − p))来近似。 2.正态分布的数值计算 设~ ; 1)当5.0,5.1==σμ时,计算}9.28.1{< 2)当5.0,5.1==σμ时,若95.0}{= 3)分别绘制3,2,1=μ,5.0=σ时的概率密度函数图形。 解:(1) p1 = normcdf(2.9,1.5,0.5); %绘制均值为1.5,标准差为0.5的x<2.9的正态曲线 p2 = normcdf(1.8,1.5,0.5); %绘制均值为1.5,标准差为0.5的x<1.8的正态曲线 P1 = p1 - p2 %计算 P{1.8 < X < 2.9} p3 = normcdf(-2.5,1.5,0.5); %绘制均值为1.5,标准差为0.5的x<-2.5的正态曲线 P2 = 1 - p3 %计算 P{−2.5 < X} 结果:P{1.8 < X < 2.9} = 0.2717, P{−2.5 < X} = 1.0000 (2) x = norminv(0.95,1.5,0.5) %计算 P{X < x} = 0.95 时的x 值 结果:当P{X < x} = 0.95 时的 x 值为 2.3224 (3) p1=normcdf(2.9,1.5,0.5); p2=normcdf(1.8,1.5,0.5); p3=normcdf(-2.5,1.5,0.5); p1=p1-p2 p2=1-p3 daan=norminv(0.95,1.5,0.5) n=-10:0.1:10; y1=normpdf(n,1,0.5); X ),(2σμN