第四章概率分布.pptVIP

第四章 概率分布 §4.1度量事件发生的可能性 研究随机现象，不仅关心试验中会出现哪些事件，更重要的是想知道事件出现的可能性大小，也就是事件的概率. 2、随机变量的概括性度量 3、超几何分布 一、统计量及其分布 定义1 ：设X1，X2，…，Xn是从总体X中 抽取的容量为n的样本，如果由此构造一个 函数T(X1，X2，…，Xn),不依赖于任何未 知参数，则称函数T(X1，X2，…，Xn)是一 个统计量。 3、常用统计量 4、次序统计量 定义6.2设X1，X2，…，Xn是从总体X中抽取的容 量为n的样本，X(i)成为第i个次序统计量，它是样 本（ X1，X2，…，Xn）满足如下条件的函数：每 当样本得到一组观测值x1, ，x2，…，xn时，其由 下到大排序x(1≤x(2) ≤ … ≤ x(n)中，第i个值x(i) 就 作为次序统计量X(i)的观测值，而X(1) ，X(2) ，… ，X(n)成为次序统计量。 X(1) ， X(n)分别是最小和 最大统计量。 5、充分统计量 如果一个统计量能把含在样本中有关总体 的信息一点都不损失的提取出来，对保证 后边的统计推断质量具有重要意义。统计 量加工过程中总体信息一点都不损失的统 计量通常称为充分统计量。 1）所有样本指标（如均值、比例、方差等）所形成的分布称为抽样分布 2）是一种理论概率分布 3）随机变量是 样本统计量 样本均值, 样本比例等 4）结果来自容量相同的所有可能样本 7、渐进分布 当n无限增大时，统计量T(X1，X2，…，Xn), 的极限分布，称为渐进分布。 设X1，X2，…，Xn是从总体中 抽取的 容量为n的样本，则当n→∞时， 8、随机模拟获得的近似分布 设X1，X2，…，Xn是从总体中抽取的容量为n的 样本，为了求统计量T(X1，X2，…，Xn)的分布 函数F(n)(t),进行n次试验，得到n个观测值：T1,T2 …，Tn。根据这些观测值，可以求这种经验 分布函数FN（n）（t）是F(n)(t)的一个很好的近 似。 二、样本均值的抽样分布 所有样本均值的均值和方差 样本均值的分布与总体分布的比较 样本均值的分布与 中心极限定理 中心极限定理（图示） 1、 样本比例的抽样分布 2、 两个样本均值之差的分布 1.假定条件 两个样本是独立的随机样本 两个总体都服从正态分布 若不是正态分布, 可以用正态分布来近似(n1?30和n2?30) 两个独立样本均值之差的抽样分布服从正态分布，其期望值为 3、两样本比例之差的分布 的分布函数的极限. 可以证明，满足一定的条件，上述极限分布是标准正态分布. 考虑 中心极限定理 这就是下面要介 绍的 在概率论中，习惯于把和的分布收敛于正态分布这一类定理都叫做中心极限定理. 我们只讨论几种简单情形. 下面给出的独立同分布随机变量序列的中心极限定理，也称列维一林德伯格（Levy－Lindberg）定理. 定理1（独立同分布下的中心极限定理） 它表明，当n充分大时，n个具有期望和方差 的独立同分布的r.v之和近似服从正态分布. 设X1,X2, …是独立同分布的随机 变量序列，且E(Xi)= ，D(Xi)= ， i=1,2,…，则 虽然在一般情况下，我们很难求出X1+X2+ …+Xn 的分布的确切形式，但当n很大时，可以求出近似分布. 前面介绍的棣莫佛－拉普拉斯定理 （二项分布的正态近似）是上述定理的特殊 情况. 定理(棣莫佛－拉普拉斯定理） 设随机变量 服从参数n, p(0p1)的二项分布，则对任意x，有 定理表明，当n很大，0p1是一个定值时（或者说，np(1-p)也不太小时），二项变量 的分布近似正态分布 N(np,np(1-p)). 例1. (供电问题)某车间有200台车床,在生产期间由于需要检修、调换刀具、变换位置及调换工件等常需停车. 设开工率为0.6, 并设每台车床的工作是独立的，且在开工时需电力1千瓦. 问应供应多少瓦电力就能以99.9%的概率保证该车间不会因供电不足而影响生产? 用X表示在某时刻工作着的车床数， 解：对每台车床的观察作为一次试验， 每次试验观察该台车床在某时刻是否工作， 工作的概率为0.6，共进行200次试验. 依题意， X~B(200,0.6), 现在的问题是： P(X≤N)≥0.999 的最小的N. 求满足 设需N台车床工作， （由于每台车床在开工时需电力1千瓦，N台工作所需电力即N千瓦.） 由德莫佛-拉普拉斯极限定理 近似N(0,1), 于是