第5章 抽样与抽样分布.pptVIP

对于给定的α(0α1)，称满足条件 的点tα(n)为t分布上的α分为点。 由t分布概率密度函数的对称性有 t分布α分为点的求法： 对于n≤45的α分为点可查表求得； 当n充分大（n45）时，近似地有 例题分析 n=9, α=0.05, 求t0.05(9) n=9, α=0.95, 求t0.95(9) n=18, 求t0.025(18)及t0.975(18)，使得P(t0.975(18)≤t≤ t0.025(18))=0.95 n=50, α=0.05，求t0.05(50) 12. F分布 设随机变量U~χ2(n1)，V~χ2(n2) ，且U,V独立，则随机变量 服从自由度为(n1,n2)的F分布，记为F(n1,n2)。 由定义可知，如果F~F(n1,n2) ，则1/F~F(n2,n1) 。 对于给定的α(0α1) ，称满足 的点Fα(n1,n2)为分布F(n1,n2)的α分位点。 容易证明 【例5.5】求F0.05(10,5)和F0.95(5,10) 。 二、大数定律与中心极限定理 大数定律是阐述大量同类随机现象的平均结果稳定性的一系列定理的总称 独立同分布大数定律——设X1, X2, …, Xn是独立同分布的随机变量序列，且存在有限的数学期望E(Xi)＝μ（i=1,2,…），则对任意小的正数ε, 有 该定律表明：当n充分大时，相互独立且服从同一分布的一系列随机变量取值的算术平均数，与其数学期望μ的偏差任意小的概率接近于1 。 该定律给出了平均值具有稳定性的科学描述，从而为使用样本均值去估计总体均值（数学期望）提供了理论依据。 伯努利大数定律 设m是n次独立重复试验中事件A发生的次数，p是每次试验中事件A发生的概率，则对任意的ε 0，有 该定律表明，当重复试验次数n充分大时，事件A发生的频率m/n依概率收敛于事件A发生的概率。 阐明了频率具有稳定性，提供了用频率估计概率的理论依据。 2. 中心极限定理 独立同分布的中心极限定理——设X1, X2, …是独立同分布的随机变量序列,且存在有限的μ和方差σ2（i=1,2,…），当n→ ∞时， 或 上述定理表明： 独立同分布的随机变量序列不管服从什么分布，其n项总和的分布趋近于正态分布。 可得出如下结论： 不论总体服从何种分布，只要其数学期望和方差存在，对这一总体进行重复抽样时，当样本量n充分大，就趋于正态分布。 该定理为均值的抽样推断奠定了理论基础。 例题分析 【例】有一测绘小组对甲乙两地之间的距离采用分段测量的方法进行了测量，将甲乙之间的距离分成为100段。设每段测量值的误差（单位：cm）服从区间（－1，1）上的均匀分布。试问：对甲乙两地之间距离的测量值的总误差绝对值超过10cm的概率是多少？ 解：设 Xi＝第i段测量误差（i=1,2,…），由于Xi服从均匀分布，E(Xi)＝μ＝0，D(Xi )＝σ2＝[1－(－1)]2/12=1/3。根据上述中心极限定理，可得，总误差Y＝ΣXi～N(0,100/3) 棣莫佛－拉普拉斯中心极限定理 设随机变量X服从二项分布B(n,p)的，那么当n→ ∞时，X服从均值为np、方差为 np(1-p) 的正态分布，即： 该定理为用频率估计概率奠定了基础。 或： 为什么很多随机现象呈正态分布 自然界和社会经济中，很多现象可以视为众多独立随机变量之总和。例如： 一个城市的居民生活用电总量是大量相互独立居民户用电量的总和。 炮弹射击的误差，也可以看作是很多因素引起的小误差之总和。 由中心极限定理可知，即使各单个随机变量的分布并不明确，但只要它们存在有限均值和方差，这个众多独立的随机变量之总和的分布就趋近于正态分布。 5.2.2 抽样估计的基本概念 总体参数：总体的数量特征，简称为参数，一般是未知的常数。 样本统计量：根据样本资料计算出来的，其值随着样本的不同而变化，是一个关于样本的随机变量。 总体参数 样本统计量 总体平均数：μ 样本平均数： 总体比率：π 样本比率：p 总体方差：σ2 样本方差：s2 总体标准差：σ 样本标准差：s 抽样误差是指抽样估计的过程中要重点控制的对象，主要分为三种： 抽样实际误差：某一次具体抽样中，样本统计量的值与总体参数真实值之间的偏差。 抽样平均误差：样本统计量的所有可能取值与总体指标之间的平均差异程度。 当样本统计量的期望恰好等于被估计的总体参数时，其抽样平均误差就是该随机变量的标准差，称为抽样标准差。 抽样极限误差：一定概率下抽样误差的可能范围，说明样本统计量在总体参数周围变动的范围，记作Δ，又称为允许误差。 5.3 抽样分布 5.3.1 总体分布 总体中各元素的观察值所形成的分布； 分布通常是未知的； 可以假定它服从某种分布。 总体