§1 随机样本 §2 抽样分布

所谓系统抽样，就是将总体中N个单元按照随机方式（ 有时也按某种特定的规则）编号为1，2，…，N，若想抽取 n 个样本，不妨假设N/n=k为整数，利用计算机可以立即将 这N个单元排成n 行k 列的矩阵，再从1～k之间随机地产生 一个随机数i ，则取第 i 列的全体单元作为样本

一、 随机样本 二、抽样分布 三、常用统计量 四、常用统计量的分布

1. 设 是来自总体 的样本，则样本 的分布律 为 ( , , , ) X1 X 2 \ Xn B(N, p) ( , , , ) X1 X 2 \ Xn ； EX = ； DX = ； = 2 ESn ； = *2 ESn

1 Poisson分布的概念与特性 3 Poisson分布样本均数与总体均数的比较 4 Poisson分布两样本均数的比较 5 STATA计算 2 Poisson分布总体均数的估计

复旦大学：《卫生统计学》理论课程教学资源（PPT授课课件）19 单样本检验（单样本二项分布）

本文采用模式识别方法推断烧结矿质量。在给出模糊系统聚类分析算法基础上,用软件实现了基于模糊聚类分类器和动态聚类分类器,并用现场实测的样本采用\留一法\分别对这两种分类器性能进行检验。结果表明:模糊聚类分析法对于先验知识较少、样本量不大时,性能较佳

基于马氏距离和模糊C均值聚类算法提出了一种数字彩色图像抠图算法.该算法首先对彩色图像像素的红绿蓝三种彩色分量进行正则化处理；然后在正则化图像背景中选取适当的掩膜作为样本集，计算各像素与样本集之间的马氏距离；再利用模糊C均值聚类算法对计算出的马氏距离进行分类；最后利用填洞操作提高抠图质量.对八幅彩色数字图像进行对比实验，结果显示本算法可以自动抠图，且结果优于马氏距离算法、Grow-Cut算法和正则化线性回归算法的相应抠图效果

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好