第7章 抽样推.pptVIP

第 7 章 抽样推断 本章内容 抽样分布 参数估计的基本原理 一个总体参数的区间估计 样本量的确定 假设检验的基本问题 一个总体参数的检验 学习目标 抽样分布 参数估计的基本原理 点估计与区间估计 评价估计量优良性的标准 一个总体参数的区间估计方法 样本量的确定方法 学习目标 假设检验的基本思想和原理 假设检验的步骤 总体均值的检验 总体比例的检验 P值的计算与应用 用Excel进行估计与检验 补充 几个重要分布 正态分布 ?2 分布 t 分布 F 分布 正态分布(normal distribution) 由C.F.高斯(Carl Friedrich Gauss，1777—1855)作为描述误差相对频数分布的模型而提出 描述连续型随机变量的最重要的分布 许多现象都可以由正态分布来描述 可用于近似离散型随机变量的分布 例如： 二项分布 经典统计推断的基础 概率密度函数 f(x) = 随机变量 X 的频数 ? = 正态随机变量X的均值 ? ?= 正态随机变量X的方差 ? = 3.1415926; e = 2.71828 x = 随机变量的取值 (-? x +?) 正态分布函数的性质 图形是关于x=?对称钟形曲线，且峰值在x=? 处 均值?和标准差?一旦确定，分布的具体形式也惟一确定，不同参数正态分布构成一个完整的“正态分布族” 均值?可取实数轴上的任意数值，决定正态曲线的具体位置；标准差决定曲线的“陡峭”或“扁平”程度。?越大，正态曲线扁平；?越小，正态曲线越高陡峭 当X的取值向横轴左右两个方向无限延伸时，曲线的两个尾端也无限渐近横轴，理论上永远不会与之相交 正态随机变量在特定区间上的取值概率由正态曲线下的面积给出，而且其曲线下的总面积等于1 ? 和? 对正态曲线的影响 标准正态分布(standardize normal distribution) 随机变 量具有均值为0，标准差为1的正态分布 任何一个一般的正态分布，可通过下面的线性变换转化为标准正态分布 ? 2-分布 (?2-distribution) 由阿贝(Abbe) 于1863年首先给出，后来由海尔墨特(Hermert)和卡·皮尔逊(K·Pearson) 分别于1875年和1900年推导出来。 设 ，则 令 ，则 y 服从自由度为1的?2分布，即 对于n个正态随机变量y1 ，y2 ，yn，则随机变量 称为具有n个自由度的?2分布，记为 ? 2-分布性质和特点 分布的变量值始终为正 分布的形状取决于其自由度n的大小，通常为不对称的正偏分布，但随着自由度的增大逐渐趋于对称 期望为：E(?2)=n，方差为：D(?2)=2n(n为自由度) 可加性：若U和V为两个独立的?2分布随机变量，U~?2(n1)，V~?2(n2),则U+V这一随机变量服从自由度为n1+n2的?2分布 不同自由度的? 2-分布 t-分布 (t-distribution) F-分布(F distribution) 为纪念统计学家费希尔(R.A.Fisher) 以其姓氏的第一个字母来命名则 设若U为服从自由度为n1的?2分布，即U~?2(n1)，V为服从自由度为n2的?2分布，即V~?2(n2),且U和V相互独立，则 称F为服从自由度n1和n2的F分布，记为 不同自由度的F分布 要点回顾： 样本统计量 参数(parameter) 研究者想要了解的总体的某种特征值 所关心的参数主要有总体均值（?）、标准差（?）、总体比例（?）等 总体参数通常用希腊字母表示 统计量(statistic) 根据样本数据计算出来的一个量 所关心的样本统计量有样本均值(?x)、样本标准差(s)、样本比例(p)等 样本统计量通常用小写英文字母来表示 抽样分布(sampling distribution) 在重复选取容量为n的样本时，由每一个样本算出的该统计量数值的相对频数分布或概率分布 是一种理论分布 随机变量是 样本统计量 样本均值, 样本比例，样本方差等 结果来自容量相同的所有可能样本 提供了样本统计量长远我们稳定的信息，是进行推断的理论基础，也是抽样推断科学性的重要依据 样本均值的抽样分布 容量相同的所有可能样本的样本均值的概率分布 一种理论概率分布 进行推断总体均值?的理论基础 例 样本均值的分布与总体分布的比较 样本均值的抽样分布与中心极限定理 中心极限定理(central limit theorem) 抽样分布与总体分布的关系 样本均值的分布(数学期望与方差) 样本均值的分布 样本均值的期望值和方差 比例(