第一章绪论(三)一些重要的概率分布.pptVIP

一些重要的概率分布 §1、正态分布 §2、样本均值的抽样分布或概率分布 §3、 x2分布 §4、 t分布 §5、 F分布 §6、 x2分布、 t分布、 F分布与正态分布的关系 §1、正态分布 1.1 什么是正态分布？ 对于连续型随机变量而言，正态分布是最重要的一种概率分布，其形状似“钟型”。 经验表明：对于其值依赖于众多微小因素且每一因素均产生微小的或正或负影响的连续型随机变量来说，正态分布是一个相当好的描述模型。如身高、体重、考试成绩等。 1.2 正态分布的性质： ⑴ 正态分布曲线以均值?为中心，对称分布。 ⑵ 正态分布的概率密度函数呈中间高、两边低，在均值?处达到最高，向两边逐渐降低，即随机变量在远离均值处取值的概率逐渐变小。 ⑶ 正态曲线下的面积约有68%位于?± ?两值之间；约有95%面积位于?±2?之间；约有99.7%的面积位于?± 3?之间。这些区域可用作概率的度量。 ⑷ 正态分布可由两个参数?，?2来描述，即一旦知道?，?2的值，就可以根据附录表查到随机变量X落于某一区间的概率值。 ⑸ 两个（或多个）正态分布随机变量的线性组合仍服从正态分布。该性质很重要，解释如下： ⑹ 正态分布的偏度为0，峰度为3。 1.3 标准正态分布 由于期望和方差的不同，正态分布之间会存在一定的区别（见下图），如何将其简单化，从而引入标准正态分布。 标准正态分布 如果变量X的均值为?，方差为?，定义一个新的变量Z， 例：变量X表示面包房每日出售的面包量，假定它服从均值为70、方差为9的正态分布，即X~(70,9)，求任给一天，出售面包数量大于75条的概率。 首先，定义变量Z，Z=(75-70)/3≈1.67 求：P(Z1.67) 查正态分布表得： P(0≦Z≦1.67)=0.4525 则：P(Z1.67)=0.5-0.4525=0.0475 即每天出售面包的数量超过75条的概率为0.0475。 §2 样本均值的抽样分布或概率分布 引言：样本均值是总体均值的估计量，但是由于样本均值是依靠某一给定样本而定，因此它的值会因随机样本的不同而变化。由此，我们将样本均值看作随机变量，在样本是随机抽取得到的条件下，求样本均值的概率密度函数。 随机抽样：表示总体中每一个个体有同等机会被选入样本。 独立同分布随机变量：由X1、X2，…，Xn构成容量为n的随机样本Xs，如果所有的Xs是从同一个概率密度（Xi有相同的概率密度函数）中独立抽取得到的，称Xs为独立同分布随机变量。 2.1 样本均值的概率密度 例：已知正态分布的均值为10，方差为4，即 N(10,4)。现在从这个正态总体中抽取20个随机样本，每个样本包括20个观察值，对抽取的每一个样本，得到其样本均值，因此，共有20个样本均值。 2.3 中心极限定理 引言：从正态总体中抽样，其样本均值服从正态分布，那么，如果从其他总体中抽样，情况如何呢？ 中心极限定理：如果X1，X2，…，Xn是来自(均值为?，方差为?2)任一总体的随机样本，随着样本容量的无限增大，其样本均值趋于正态分布，其均值为?，方差为?2/n。 §3、 ?2分布 3.1 何谓?2分布？ ?2分布是统计学中常用的一种概率分布，它与正态分布很相似。 统计理论证明：标准正态变量的平方服从自由度为1的?2分布，用符号表示为， 3.2 ?2分布的性质 ⑴与正态分布不同， ?2分布只取正值（它是平方和的分布），并且取值范围从0到无限大。 ⑵ 与正态分布不同， ?2分布是斜分布，其遍度取决于自由度的大小，自由度越小，越向右偏，但是随着自由度的增大，逐渐呈对称，接近于正态分布。 ⑶ ?2分布的期望值为k，方差为2k。k为?2分布的自由度。即?2分布的方差是其均值的2倍。 ⑷ 若E1、E2分别为自由度为k1,k2的两个相互独立的 ?2变量，则其和(Z1+Z2)也是一个?2变量，其自由度为(k1+k2)。 §4、 t分布 回忆：若样本均值 ，则变量Z服从标准正态分布。 t分布的性质 ⑴ t分布与正态分布相类似，具有对称性。 ⑵ t分布的均值与标准正态分布均值相同，为0，但方差为k/(n-2)。由此，在求t分布的方差时定义自由度必须大于2。 标准正态分布的方差等于1，因此，t分布方差总大于标准分布的方差，也就是说，t分布比正态分布略“胖”些。 t分布表举例： 例：变量X表示面包房每日出售的面包量，在15天内，出售面包的样本方差为16。假定真实的出售量为70条，求任意15天内出售面包平均数量为74条的概率。 分析：本例中已知样本方差S2=16，则S=4，总体均值（真实的出售量）=70，运用t变量公式得： §5、 F分布 F分布是如何定义的？ 令随机样本X1，X2，X3，…，Xm来自