1-2概率论基础-2.pptVIP

管理统计学 2014年 1.5.1 正态分布 1.5.2 大数定律与中心极限定理 1.5.3 三大统计分布 正态分布引例：初婚年龄的分布（96人） 参数μ和?代表的意义 几个典型取值区间的概率值 标准正态分布 标准正态分布：参数 ?=0, ?=1 时，正态分布N(0,1)称为标准正态分布 标准正态分布的密度函数 标准正态分布的分布函数 正态分布的标准化：对于一般正态分布，作变换 ，将其转换为标准正态分布Z~N(0,1) 标准正态分布 N(0，1)其实是一般正态分布 N (μ，σ2)的一个特例，一般正态分布之都能通过 Z 变换 变成标准正态分布，即把原来坐标中的μ点沿着X轴迁到零点，并且原来以σ为单位记分变为以1为记分单位。 案例：标准化的实际意义 例1：甲、乙、丙3个同学《统计学》分数都是80分，甲同学所在班平均成绩μ甲=80分， μ乙=75分， μ丙=70分，标准差都是10，比较甲、乙、丙3个同学在班上的成绩。 如果各科原始分数呈正态分布，可将各科原始分数转换成标准分，求其总和，再比较总分大小。 任意两点[Z1，Z2]之间的面积就是 当观察次数n趋向于无穷大时所得出的一系列定理，统称为极限定理。极限定理又分为大数定理和中心极限定理。 大数定理一般讨论n个随机变量的平均值的稳定性；中心极限定理讨论在一般情况下，n个随机变量的和当n→∞时的极限分布是正态分布。 伯努利定理说明,当试验在不变的条件下重复进行很多次时,随机事件的频率在它的概率附近摆动. 如果事件A的概率很小, 则正如伯努利定理所指出的,事件A的频率也是很少的,或者说,事件A很少发生.例如:设P(A)=0.001,则在1000次试验中只能希望事件A发生一次. 小概率事件的实际不可能性原理: 概率很小的随机事件在个别试验中是不可能发生的. 最后强调一点: 所谓小概率事件事件的实际不可能性原理仅仅适用于个别的或次数极少的试验,当试验次数较多时就不适用了. 例如:工厂生产某种产品时,出现废品的概率为0.0001,即一万个产品只有一个废品;检查产品质量时,如果只从其中任取一个产品来检查,则取出废品的概率为0.0001,显然是很小的,因而几乎可以肯定不会发现废品;但是,如果逐一检查每个产品,则总有一次会发现这个废品. （三）独立同分布的中心极限定理 1.5.3 三大统计分布： x2、t和F分布 样本的两重性： 假设x1、x2…xn是从总体X中抽取的样本，在一次具体的观测或试验中，它们是一批测量值，是一些已知数，即样本具有数的属性。 在不同的观测中样本取值可能不同，因此当脱离开特定的具体试验或观测时，并不知道样本 x1、x2…xn的具体取值是多少，可以把它们看作随机变量，即样本具有随机变量的属性。 如果在相同条件下对总体X进行n次重复的独立观测，那么可以认为所获得的样本x1、x2…xn是 独立的且服从相同分布的随机变量。 如：当我们把一个长度为μ的物体测量了n次，获得样本x1、x2…xn 之后，要计算其算术平均数作为μ的估计，其平均数就是对样本进行处理后得到的一个统计量。样本均值、样本方差是几个主要的统计量。 三大抽样/统计分布：x2分布、t分布和F分布 大数定律与中心极限定理的异同 　　它们的相同点是，都是通过极限理论来研究概率问题，研究对象都是随机变量序列，解决的都是概率论中的基本问题，因而在概率论中有重要的意义。 不同的是，大数定律研究的是，概率或平均值的极限，而中心极限定理则研究随机变量总和的分布的极限。 (1) 定义 自由度： （1）x2分布 性质1 (此性质可以推广到多个随机变量的情形) (2) 性质2 证 ⑴随着自由度增加，图形渐趋对称； ⑵x2具有可加性。设ξ~x2(k1)、η~x2(k2)，且ξ与 η相互独立，则ξ+η= x2(k1+k2)，即 ξ+η ~ x2(k1+k2) 图5-12 K=1 K=2 K=6 例 解 相互独立. 历史上，正态分布由于其广泛的应用背景 增大而接近正态分布, 样本均值的分布将随样本量 识，我们知道在总体均值和方差已知情况下， 数据分析工作，对数据误差有着大量感性的认 的酿酒化学技师Gosset. WS, 他在酒厂从事试验 在这样的背景下，十九世纪初英国一位年轻 和良好的性质，曾一度被看作是“万能分布”， （2）. t 分布 但是Gosset在实验中遇到的样本容量仅有5~6 个，在其中他发现实际数据的分布情况与 正态分布有着较大的差异. O x