当前位置：文档之家 › g3.1101 12.4 正态分布、线性回归(1)

g3.1101 12.4 正态分布、线性回归(1)

  • 格式：doc
  • 大小：217.50 KB
  • 文档页数：7

12.4 正态分布、线性回归 一、 知识梳理 1．正态分布的重要性 正态分布是概率统计中最重要的一种分布，其重要性我们可以从以下两方面来理解：一方面，正态分布是自然界最常见的一种分布。一般说来，若影响某一数量指标的随机因素很多，而每个因素所起的作用都不太大，则这个指标服从正态分布。 2．正态曲线及其性质

正态分布函数：22()21()2xfxe，x∈（-∞，+∞） 3．标准正态曲线 标准正态曲线N（0，1）是一种特殊的正态分布曲线，00()1()xx，以及标准正态总体在任一区间(a，b)内取值概率)()(abP。 4．一般正态分布与标准正态分布的转化 由于一般的正态总体),(2N其图像不一定关于y轴对称，对于任一正态总体

),(2N，其取值小于x的概率)()(xxF。只要会用它求正态总体),(2N在

某个特定区间的概率即可。 5．“小概率事件”和假设检验的基本思想 “小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。这种认识便是进行推断的出发点。关于这一点我们要有以下两个方面的认识：一是这里的“几乎不可能发生”是针对“一次试验”来说的，因为试验次数多了，该事件当然是很可能发生的；二是当我们运用“小概率事件几乎不可能发生的原理”进行推断时，我们也有5%的犯错误的可能。 课本是借助于服从正态分布的有关零件尺寸的例子来介绍假设检验的基本思想。进行假设检验一般分三步： 第一步，提出统计假设。课本例子里的统计假设是这个工人制造的零件尺寸服从正态分布),(2N； 第二步，确定一次试验中的取值a是否落入范围（μ-3σ，μ+3σ）； 第三步，作出推断。如果a∈（μ-3σ，μ+3σ），接受统计假设；如果)3,3(a，由于这是小概率事件，就拒绝统计假设。

6．相关关系 研究两个变量间的相关关系是学习本节的目的。对于相关关系我们可以从下三个方面加以认识：⑴相关关系与函数关系不同。函数关系中的两个变量间是一种确定性关系。相关关系是一种非确定性关系，即相关关系是非随机变量与随机变量之间的关系。 ⑵函数关系是一种因果关系，而相关关系不一定是因果关系，也可能是伴随关系。 ⑶函数关系与相关关系之间有着密切联系，在一定的条件下可以相互转化。 7．回归分析 本节所研究的回归分析是回归分析中最简单，也是最基本的一种类型——一元线性回归分析。 对于线性回归分析，我们要注意以下几个方面： ⑴回归分析是对具有相关关系的两个变量进行统计分析的方法。两个变量具有相关关系是回归分析的前提。 ⑵散点图是定义在具有相关系的两个变量基础上的，对于性质不明确的两组数据，可先作散点图，在图上看它们有无关系，关系的密切程度，然后再进行相关回归分析。 ⑶求回归直线方程，首先应注意到，只有在散点图大至呈线性时，求出的回归直线方程才有实际意义，否则，求出的回归直线方程毫无意义。 8．相关系数 有时散点图中的各点并不集中在一条直线的附近，仍可以按照求回归直线方程的步骤求得回归直线方程。显然这种情形下求得的回归直线方程没有实际意义。那么，在什么情况下求得的回归直线方程才能对相应的一组观测数据具有代表意义？课本中不加证明地给出了相关系数的公式。相关系数公式的作用在于，我们对一组数据之间的线性相关程度可作出定量的分析，而不是仅凭画出散点图，直觉地从散点图的形状粗浅地得出数据之间的线性相关程度。 9．线性相关性检验 相关性检验是一种假设检验，它给出了一个具体检验y与x之间线性相关与否的具体办法。限于要求，中学阶段只要求掌握这种检验方法的操作步骤，而不要求对这种方法包含的原理进行深入研究。其具体检验的步骤如下： ⑴在课本中的附表3中查出与显著性水平0.05与自由度n-2（n为观测值组数）相应的相关系数临界值05.0r。

⑵根据公式niniiiniiiynyxnxyxnyxr1212221))((计算r的值。 ⑶检验所得结果。如果05.0||rr，那么可以认为y与x之间的线性相关关系不显著，从而接受统计假设。如果05.0||rr，表明一个发生的概率不到5%的事件在一次试验中竟发生了。这个小概率事件的发生使我们有理由认为y与x之间不具有线性相关关系的假设是不成立的，拒绝这一统计假设也就是表明可以认为y与x之间具有线性相关关系。

● 教学目标 1．了解正态分布的意义，能借助正态曲线的图像理解正态曲线的性质。 2．了解标准正态分布的意义和性质，掌握正态总体),(2N转化为标准正态总体N

（0，1）的公式)()(xxF及其应用；通过生产过程的质量控制图，了解假设检验的基本思想。 3．了解相关关系、回归分析、散点图等概念，会求回归直线方程。 4．了解相关系数的计算公式及其意义，会用相关系数公式进行计算；了解相关性检验的方法与步骤，会用相关性检验方法进行检验。 重点：正态分布的意义及主要性质，线性回归的方法和简单应用。 二、基础训练 1.如果随机变量ξ～N（μ，σ2），且Eξ=3，Dξ=1，则P（－1＜ξ≤1＝等于B A.2Φ（1）－1 B.Φ（4）－Φ（2） C.Φ（2）－Φ（4） D.Φ（－4）－Φ（－2） 2. 为考虑广告费用x与销售额y之间的关系，抽取了5家餐厅，得到如下数据： 广告费用（千元） 1.0 4.0 6.0 10.0 14.0 销售额（千元） 19.0 44.0 40.0 52.0 53.0 现要使销售额达到6万元，则需广告费用为__1.5万元____.（保留两位有效数字） 三、例题剖析 【例1】 将温度调节器放置在贮存着某种液体的容器内，调节器设定在d ℃，液体的温度ξ（单位：℃）是一个随机变量，且ξ～N（d，0.52）. （1）若d=90°，求ξ<89的概率； （2）若要保持液体的温度至少为80 ℃的概率不低于0.99，问d至少是多少?（其中若η～N（0，1），则Φ（2）=P（η<2）=0.9772，Φ（－2.327）=P（η<－2.327）=0.01）. 在实际生活中，常用统计中假设检验的思想检验产品是否合格，方法是：（1）提出统计假设：某种指标服从正态分布N（μ，σ2）；（2）确定一次试验中的取值a；（2）作出统计推断：若a∈（μ－3σ，μ+3σ），则接受假设，若a（μ－3σ，μ+3σ），则拒绝假设. 如：某砖瓦厂生产的砖的“抗断强度”ξ服从正态分布N（30，0.8），质检人员从该厂某一天生产的1000块砖中随机抽查一块，测得它的抗断强度为27.5 kg/cm2，你认为该厂这天 生产的这批砖是否合格?为什么?

【例2】 1. 已知测量误差ξ～N（2，100）（cm），必须进行多少次测量，才能使至少有一次测量误差的绝对值不超过8 cm的频率大于0.9? 2. 随机变量ξ服从正态分布N（0，1），如果P（ξ<1）=0.8413，求P（－13. 公共汽车门的高度是按照确保99%以上的成年男子头部不跟车门顶部碰撞设计的，如果某地成年男子的身高ξ～N（173，72）（cm），问车门应设计多高？ 4. 公共汽车门的高度是按照确保99%以上的成年男子头部不跟车门顶部碰撞设计的，如果某地成年男子的身高ξ～N（173，72）（cm），问车门应设计多高？ 5. 一投资者在两个投资方案中选择一个，这两个投资方案的利润x（万元）分别服从正态分布N（8，32）和N（6，22），投资者要求利润超过5万元的概率尽量地大，那么他应选择哪一个方案?

【例3】设),(~2NX，且总体密度曲线的函数表达式为：412221)(xxexf，x∈R。 ⑴求μ，σ；⑵求)2|1(|xP及)22121(xP的值。 【例4】公共汽车门的高度是按照确保99%以上的成年男子头部不跟车门顶部碰撞设计的，如果某地成年男子的身高ε～N（173，7）（单位：cm），问车门应设计多高（精确到1cm）？ 【例5】已知某地每单位面积菜地年平均使用氮肥量xkg与每单位面积蔬菜年平均产量yt之间的关系有如下数据：

年份 1985 1986 1987 1988 1989 1990 1991 1992 x(kg) 70 74 80 78 85 92 90 95 y(t) 5.1 6.0 6.8 7.8 9.0 10.2 10.0 12.0

年份 1993 1994 1995 1996 1997 1998 1999 x(kg) 92 108 115 123 130 138 145 y(t) 11.5 11.0 11.8 12.2 12.5 12.8 13.0 ⑴求x与y之间的相关系数，并检验是否线性相关； ⑵若线性相关，求蔬菜产量y与使用氮肥量之间的回归直线方程，并估计每单位面积施肥150kg时，每单位面积蔬菜的年平均产量。

〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒〒 四、同步练习 g3.1100 正态分布、线性回归 1．已知从某批材料中任取一件时，取得的这件材料的强度ε～N（200，18），则取得的这件材料的强度不低于180的概率为（ ）

A．0.9973 B．0.8665 C．0.8413 D．0.8159

2．已知连续型随机变量x的概率密度函数是b x0bxaA a x0)(xf 其中常数A>0，则A的值为 （ ） A．1 B．b C．ab1 D．b-a

3．某工厂某产品产量x（千件）与单位成本y（元）满足回归直线方程xy82.136.77^，则以下说法中正确的是 （ ） A．产量每增加1000件，单位成本下降1.82元 B．产量每减少1000件，单位成本上升1.82元 C．产量每增加1000件，单位成本上升1.82元 D．产量每减少1000件，单位成本下降1.82元

4．工人月工资（元）依劳动生产率（千元）变化的回归方程为xy9060^，下列判断正确的是 （ ） A．劳动生产率为1000元时，工资为150元 B．劳动生产率提高1000元时，工资提高150元 C．劳动生产率提高1000元时，工资提高90元 D．劳动生产率为1000元时，工资为90元 5．若随机变量ε～N（5，2），且P(ε

6．已知连续型随机变量x的分布函数为：21 a1x0ax 0)(xxf其他

则a=___________，)23(xP_____________。 7．设随机变量ε服从N（0，1），求下列各式的值： （1）P(ε≥2.55)； （2）P(ε<-1.44)； （3）P(|ε|<1.52)。 8．某厂生产的圆柱形零件的外径ε～N（4，0.25）。质检人员从该厂生产的1000件零件中随机抽查一件，测得它的外径为5.7cm。试问该厂生产的这批零件是否合格？

合集下载

应用回归分析(第三版)何晓群_刘文卿_课后习题答案_完整版

应用回归分析(第三版)何晓群_刘文卿_课后习题答案_完整版

第二章 一元线性回归分析思考与练习参考答案2.1 一元线性回归有哪些基本假定?答： 假设1、解释变量X 是确定性变量，Y 是随机变量；假设2、随机误差项ε具有零均值、同方差和不序列相关性： E(εi )=0 i=1,2, …,n Var (εi )=σ2 i=1,2, …,n Cov(εi, εj )=0 i≠j i,j= 1,2, …,n假设3、随机误差项ε与解释变量X 之间不相关： Cov(X i , εi )=0 i=1,2, …,n假设4、ε服从零均值、同方差、零协方差的正态分布 εi ~N(0, σ2 ) i=1,2, …,n 2.2 考虑过原点的线性回归模型 Y i =β1X i +εi i=1,2, …,n误差εi （i=1,2, …,n）仍满足基本假定。

求β1的最小二乘估计 解：21112)ˆ()ˆ(ini i ni i i e X Y Y Y Q β∑∑==-=-=得：2.3 证明（2.27式），∑e i =0 ，∑e i X i =0 。

证明：∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ其中：即： ∑e i =0 ，∑e i X i =02.4回归方程E （Y ）=β0+β1X 的参数β0，β1的最小二乘估计与最大似然估计在什么条件下等价?给出证明。

答：由于εi ~N(0, σ2 ) i=1,2, …,n所以Y i =β0 + β1X i + εi ~N （β0+β1X i , σ2 ) 最大似然函数：)()(ˆ1211∑∑===ni ini ii XY X β01ˆˆˆˆi ii i iY X e Y Y ββ=+=-0100ˆˆQQββ∂∂==∂∂使得Ln （L ）最大的0ˆβ，1ˆβ就是β0，β1的最大似然估计值。

同时发现使得Ln （L ）最大就是使得下式最小，∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ上式恰好就是最小二乘估计的目标函数相同。

经典线性回归模型

经典线性回归模型


一、线性回归模型的基本假设---P99-100-105
假设1. 解释变量X是确定性变量，不是随机变 量；
假设2. 随机误差项具有零均值、同方差和无自 相关：
E(i)=0 Var (i)=2 Cov(i, j)=0
i=1,2, …,n i=1,2, …,n i≠j i,j= 1,2, …,n
– （2）对回归方程、参数估计值进行显著性 检验；
– （3）利用回归方程进行分析、评价及预测。
二、总体回归函数
• 回归分析关心的是根据解释变量的已知或
给定值，考察被解释变量的总体均值，即当 解释变量取某个确定值时，与之统计相关的
被解释变量所有可能出现的对应值的平均值。
• 例2.1：一个假想的社区有100户家庭组成，要 研究该社区每月家庭消费支出Y与每月家庭可 支配收入X的关系。 即如果知道了家庭的月收 入，能否预测该社区家庭的平均月消费支出水 平。
一双变量线性回归模型的基本假设二参数的普通最小二乘估计ols三最小二乘估计量的性质四参数估计量的概率分布及随机干扰项方差的估计回归分析的主要目的是要通过样本回归函数模型srf尽可能准确地估计总体回归函数模型prf
第二章 经典线性回归模型： 双变量线性回归模型
• 回归分析概述 • 双变量线性回归模型的参数估计 • 双变量线性回归模型的假设检验 • 双变量线性回归模型的预测 • 实例
3500
每 月 消 费 支 出 Y （元）
3000 2500 2000 1500 1000
500
0
500
1000
1500 2000 2500 3000 每月可支配收入X（元）
3500 4000
• 在给定解释变量Xi条件下被解释变量Yi的期望 轨迹称为总体回归线（population regression line），或更一般地称为总体回归曲线 （population regression curve）。
计量经济学：一元线性回归模型和多元线性回顾模型习题以及解析

计量经济学：一元线性回归模型和多元线性回顾模型习题以及解析

第二章经典单方程计量经济学模型：一元线性回归模型一、内容提要本章介绍了回归分析的基本思想与基本方法。

首先，本章从总体回归模型与总体回归函数、样本回归模型与样本回归函数这两组概念开始，建立了回归分析的基本思想。

总体回归函数是对总体变量间关系的定量表述，由总体回归模型在若干基本假设下得到，但它只是建立在理论之上，在现实中只能先从总体中抽取一个样本，获得样本回归函数，并用它对总体回归函数做出统计推断。

本章的一个重点是如何获取线性的样本回归函数，主要涉及到普通最小二乘法（OLS）的学习与掌握。

同时，也介绍了极大似然估计法（ML）以及矩估计法（MM）。

本章的另一个重点是对样本回归函数能否代表总体回归函数进行统计推断，即进行所谓的统计检验。

统计检验包括两个方面，一是先检验样本回归函数与样本点的“拟合优度”，第二是检验样本回归函数与总体回归函数的“接近”程度。

后者又包括两个层次：第一，检验解释变量对被解释变量是否存在着显著的线性影响关系，通过变量的t检验完成；第二，检验回归函数与总体回归函数的“接近”程度，通过参数估计值的“区间检验”完成。

本章还有三方面的内容不容忽视。

其一，若干基本假设。

样本回归函数参数的估计以及对参数估计量的统计性质的分析以及所进行的统计推断都是建立在这些基本假设之上的。

其二，参数估计量统计性质的分析，包括小样本性质与大样本性质，尤其是无偏性、有效性与一致性构成了对样本估计量优劣的最主要的衡量准则。

Goss-markov定理表明OLS估计量是最佳线性无偏估计量。

其三，运用样本回归函数进行预测，包括被解释变量条件均值与个值的预测，以及预测置信区间的计算及其变化特征。

二、典型例题分析例1、令kids表示一名妇女生育孩子的数目，educ表示该妇女接受过教育的年数。

生育率对教育年数的简单回归模型为β+μβkids=educ+1（1）随机扰动项μ包含什么样的因素？它们可能与教育水平相关吗？（2）上述简单回归分析能够揭示教育对生育率在其他条件不变下的影响吗？请解释。

第三章 经典线性模型回归模型-估计3.3

第三章 经典线性模型回归模型-估计3.3

n ln( 2 ) 1 2 2 ˆ ˆ (Yi 0 1 X i ) 2
参数估计的最大似然法(ML)－续
解得模型的参数估计量为：
ˆ X i2 Yi X i Yi X i 0 nX i2 (X i ) 2 ˆ 1 nYi X i Yi X i nX i2 (X i ) 2
ˆ 1
x y x
i 2 i
i
5769300 0.777 7425000
1567 0.777 2150 103.172
ˆ ˆ Y X
0 1
因此，由该样本估计的回归方程为：
ˆ Yi 103.172 0.777X i
Stata 回归程序语言
• 第一步，从excel拷贝数据库到stata数据库， 存为stata数据库文件， 如：save D:\data\ols1 • 第二步，打开stata数据库文件， 如：use D:\data\ols1,replace • 第三步，运行回归程序，如：reg yi Xi • 第四步，分析回归结果。
• 可见，在满足一系列基本假设的情况下， 模型结构参数的最大似然估计量与普通最 小二乘估计量是相同的。
二、多元线性回归模型估计
模型:
Yi 0 1 X 1i 2 X 2i k X ki i i 1,2,, n
• 模型满足基本假设 • 问题：估计参数

高斯—马尔可夫定理 (Gauss-Markov theorem)：
• 假设多元线性模型满足基本假设，则参数 的OLS估计是最佳线性无偏估计，记为BLUE。 • BLUE：Best, Linear, Unbiased, Estimator • 因为OLS估计量有许多有用的统计性质，所 以在回归分析中， OLS法得到了广泛的应 用。下面介绍OLS估计量的统计性质。