公司培训用基础统计学new.ppt

二项分布 例： 从不合格品率为0.1的成品中随机抽取6个， 计X为6个成品中的不合格数， 则X服从二项分布b（6，0.1），简记X~b（6，0.1） P=0.3 n=10，30，50，80 n=30 p=0.1，0.3，0.5，0.8 二项分布特性 1、当n愈大时，对称性愈明显 2、当p愈接近0.5时，愈接近左右对称 实际应用 np=5n(1-p)=5时 二项分布可用正态分布来描述 泊松分布 用来描述如下的随机变量的概率分布 1、在一定时间内，电话总站接错电话的次数 2、在一定时间内，某操作系统发生的故障 3、一个铸件上的缺陷数 4、一平方米玻璃上气泡的个数 5、一件产品因擦伤留下的痕迹个数 泊松分布总与计点过程相关联，并且计点是在一定时间内、或一定区域内、或一特定单位内的前提下进行的，若λ表示某特定单位内的平均点数（λ0）,令X表示出现的点数，则X取x值的概率 例：某公司一个月发生重大事故数X服从泊松分布，根据以往的记录，该公司一个月平均发生1.2起重大事故，这表明：X服从λ=1.2的泊松分布。 泊松分布 超几何分布 从一个有限总体中进行不放回抽样常遇到超几何分布。 设有N个产品组成的总体，其中含有M个不合格品。若从中随机不放回地抽取n个产品，则其中不合品的个数X是一个离散随机变量，假如n=M,则X可能取0，1，2… n 若nM,则X可能取0，1，2… M 其中r=min（n，M） 例： 20个样品中，其中5个有缺陷，若从中随机抽取8个，抽中缺陷的数量X的分布: 在实际应用中，当n/N=0.1,可以用二项概率去近似超几何概率 超几何分布 正态分布 正态分布函数左右两尾与横轴渐渐接近但不相交 正态分布有两个变相点，分别在μ±σ对应的地方 正态分布为左右对称的概率分布 正态分布随机变量的线性函数仍为正态分布 正态分布 中心到各标准差（σ）之间的概率分布如下 0.0215 0.1359 0.3413 0.6826 0.9544 0.9973 标准正态分布 假如X服从正态分布 则Z=（X-μ）/σ会服从μ=0，σ=1的正态分布 此时 的正态分布称为标准正态分布 Z=（X-μ）/σ的转换过程为标准化 设X~N（μ，σ2 ）则Z= ~N(0,1) 若X~N（10，4），通过标准化变换Z= ~N（0，1） μ σ x 0，1 z 正态分布 在6σ界限内居中的正态分布图 正态分布 在偏移1.5σ情况下的正态分布图 μ 标准正态分布---应用 产品质量特性X的不合格品率： 例：某厂生产电阻的规格限为80±4，从现场得知电阻值X服从正态分布，均值μ=80.8，σ=1.3，则低于规格下限和规格上限的概率为： 标准正态分布表 Syllabus 描述统计 总体与样本 描述统计量 统计分布 描述及概率分布 抽样分布 推断统计 估计 假设检验 计量型资料检验 计数型资料检验 抽样分布 所有的样本统计量（平均值、比例、方差等）所形成的分布称为抽样分布 结果来自样本数目相同的所有可能样本 样本平均值的抽样分布 样本比例的抽样分布 样本方差的抽样分布 样本平均值的抽样分布 例：假设一总体含有四个元素，即总体之总个数N=4，四个元素分别为 则总体的平均值、方差及分布如下： 样本平均值的抽样分布 若从总体中抽取n=2的随机样本，共有4*4=16个可能样本，计算出各样本之平均，并给出其平均值的分布。 样本平均值的抽样分布 样本平均值的抽样分布 M为所有可能样本数目 比较与总结： 样本平均的平均（数学期望）等于总体平均 样本平均的方差等于总体方差的1/n 中央极限定理 设从平均值为u，方差为σ2的一个任意分布总体（离散分布或连续分布、正态分布或非正态分布）中抽取个数为n的样本，当n够大时，样本平均值的抽样分布近似于平均值为u，方差数为 σ2 /n 的正态分布 一个任意分布的总体 当样本数足够大时（n30）样本平均值得抽样分布趋近于正态分布 中央极限定理 减少测量误差的方法： 对同一个零件的质量特性作两次或更多次重复测量，并用其均值去估计过程输出的质量特性，这可以减少标准差，从而测量系统的精度就自动增加了。 这种简易的方法可以使多次测量的平均值比单次测量值更具稳定性！ 总体Ⅰ：均匀分布 总体Ⅱ：双峰分布 总体Ⅲ：指数分布 中央极限定理必须符合下列二条件： 1、σ需已知 2、样本足够大（n30） 思考： 但大部分的情况σ是未知的，还可以用中央极限定理吗？ 中央极限定理的限制 T分布 当σ未知，且样本不够大时，可以用样本标准差s来替代σ，仍可得到跟正态分布接近的性质 此分布的自由度为