第三章_几种常见的概率分布律b探究.pptVIP

标准正态分布有以下特性： 1、在u＝0时φ(u)达到最大值。 2、当u不论向哪个方向远离0时，φ(u)的值都减小。 3、曲线两侧对称。 4、曲线在u＝－1和u＝1处有两个拐点。 5、曲线与横轴所夹面积等于1。 6、累积分布曲线围绕点（0，0.5）对称。 标准正态分布概率密度曲线在-1～+1的区间内占总面积的68.27%，在-1.96～+1.96的区间内占总面积的95%；在-2.58 ～ +2.58的区间内占总面积的99%。 标准正态分布的累积概率函数 曲线下面积分布规律 0 -1 1 -1.96 1.96 -2.58 2.58 68.27% 95.00% 99.00% μ μ-σ μ+σ μ-1.96σ μ+1.96σ μ-2.58σ μ+2.58σ 68.27% 95.00% 99.00% 标准正态分布的三个常用概率 99.74% 65.26% 95.46% 3 标准正态分布的概率计算 查表法：表2（253页）列出了标准正态变量的累积分布函数值，即U小于某个值u的概率：P(Uu) 关系式： 4 一般正态分布的概率计算 通过如下定理，将一般正态分布变量转化成标准正态分布变量来求。 对于服从N（μ，σ2）的随机变量X，首先要进行标准化变换，使之变为标准正态分布，再按上述方法查表。变换的方法是： 定理： 关于一般的正态分布，以下的一些概率经常用到：变量X落在μ的不同倍数σ区间的概率。 这些结论可以用一个实例来印证： 以第一章里的120头母羊的体重资料为例： 由表可见，实际频率与理论概率相当接近，说明120头基础母羊体重资料的频率分布接近正态分布，从而可推断基础母羊体重这一随机变量很可能是服从正态分布的。 5 正态分布的单侧、双侧临界值（分位数） 附表2列出了概率的数值，即对于给定的u，列出了曲线下u左边的面积。 在以后的统计推断中，我们经常需要做与上面相反的工作：即已知曲线下右侧尾区的一定面积α ，求α对应的临界值u α 注意：这些临界值在第五章假设检验时经常用到 双侧概率或单侧概率 【例】已知猪血红蛋白含量x服从正态分布 N (12.86，1.332 )，若P(x＜l1) =0.03,P(x≥l2)=0.03,求l1,l2 。 依题意 α／2=0.03,α=0.06又因为 故 P(x＜l1)+ P(x≥l2) = P(u＜-uα) + P(u≥uα) =1- P(-uα≤u＜uα)=0.06=α 由附表2查得：u0.06=1.880794 , 所以 (l1 -12.86)/1.33=-1.880794 (l2 -12.86)/1.33=1.880794 即l1 ≈15.36， l2 ≈15.36。 6 中心极限定理(central limit theorem) 当样本容量足够大时(n ? 30) ，样本均值的抽样分布逐渐趋于正态分布 中心极限定理：设从均值为?，方差为? 2的一个任意总体中抽取容量为n的样本，当n充分大时，样本均值的抽样分布近似服从均值为μ、方差为σ2/n的正态分布 一个任意分布的总体 x 1. 若 随 机 变 量 x 服 从 正 态 分 布N(μσ2) ； 、 、…、 ，是由x 总体得来的随机样本，则统计量 =Σx／n的概率分布也是正态分布, 且有 =μ， , 即服从 正态分布N(μ,σ2／n)。 2. 若随机变量x服从平均数是 μ，方差是σ2的分布(不是正态分布)； ， ，…， 是由此总体得来的随机样本，则 统 计 量 =Σx／n的概率分布，当n相当大时逼近正态分布N(μ,σ2／n)。这就是中心极限定理。 中心极限定理 (central limit theorem) ?x 的分布趋于正态分布的过程 中心极限定理告诉我们：不论x变量是连续型还是离散型，也无论x服从何种分布，一般只要n＞30，就可认为 的分布是正态的。 若 的分布不很偏倚，在n＞20时 ， 的分布就近似于正态分布了。 * * 第三章 几种常见的概率分布律 回顾一下，在上一章里讲了变量及其概率分布的一般概念。 离散变量用概率函数来研究，概率函数定义了这个变量取每个值的概率； 连续变量用密度函数（一条曲线）来研究，通过这条曲线我们可以求得变量在某个特定区间取值的概率。 在这一章里，我们将介绍一些在实际研究中应用最广的变量类型及其概率分布。 离散变量 连