第三讲随机变量函数的分布.pptVIP

* 故f(x)以μ为对称轴，并在x=μ处达到最大值: 令x=μ+c, x=μ-c (c0), 分别代入f (x), 可得 f (μ+c)=f (μ-c) 且 f (μ+c) ≤f (μ), f (μ-c)≤f (μ) 这说明曲线 f(x)向左右伸展时，越来越贴近x轴。即f (x)以x轴为渐近线。 当x→ ?∞时，f(x) → 0, 用求导的方法可以证明， 为f (x)的两个拐点的横坐标。 x = μ ? σ 这是高等数学的内容，如果忘记了，课下再复习一下。 根据对密度函数的分析，也可初步画出正态分布的概率密度曲线图。 下面是我们用某大学男大学生的身高的数据画出的频率直方图。 红线是拟合的正态密度曲线 可见，某大学男大学生的身高应服从正态分布。 人的身高高低不等，但中等身材的占大多数，特高和特矮的只是少数，而且较高和较矮的人数大致相近，这从一个方面反映了服从正态分布的随机变量的特点。 请同学们想一想，实际生活中具有这种特点的随机变量还有那些呢？ 除了我们在前面遇到过的年降雨量和身高外,在正常条件下各种产品的质量指标，如零件的尺寸；纤维的强度和张力；农作物的产量，小麦的穗长、株高；测量误差，射击目标的水平或垂直偏差；信号噪声等等，都服从或近似服从正态分布. 服从正态分布 的随机变量 X的概率密度是 X的分布函数P(X≤x)是怎样的呢？ 设X~ , X的分布函数是 正态分布由它的两个参数μ和σ唯一确定， 当μ和σ不同时，是不同的正态分布。 标准正态分布 下面我们介绍一种最重要的正态分布 三、标准正态分布 的正态分布称为标准正态分布. 其密度函数和分布函数常用 和 表示： 它的依据是下面的定理： 标准正态分布的重要性在于，任何一个 一般的正态分布都可以通过线性变换转化为 标准正态分布. 根据定理1,只要将标准正态分布的分布函数制成表，就可以解决一般正态分布的概率计算问题. ,则 ~N(0,1) 设 定理1 书末附有标准正态分布函数数值表，有了它，可以解决一般正态分布的概率计算查表. 四、正态分布表 表中给的是x0时, Φ(x)的值. 当-x0时 若 ~N(0,1) 若 X～N(0,1), 由标准正态分布的查表计算可以求得， 这说明，X的取值几乎全部集中在[-3,3]区间 内，超出这个范围的可能性仅占不到0.3%. 当X～N(0,1)时， P(|X| 1)=2 (1)-1=0.6826 P(|X| 2)=2 (2)-1=0.9544 P(|X| 3)=2 (3)-1=0.9974 五、3 准则 将上述结论推广到一般的正态分布, 时， 可以认为，Y 的取值几乎全部集中在 区间内. 这在统计学上称作“3 准则” （三倍标准差原则）. 上一讲我们已经看到，当n很大，p接近0或1时，二项分布近似泊松分布; 如果 n很大，而p不接近于0或1，那么可以证明，二项分布近似于正态分布. 下面我们不加证明地介绍有关二项分布近似于正态分布的一个定理，称为棣莫佛－拉普拉斯定理. 它是后面要介绍的中心极限定理的一个最重要的特殊情况. 六、二项分布的正态近似 定理(棣莫佛－拉普拉斯定理） 设随机变量 服从参数n, p(0p1)的二项分布，则对任意x，有 定理表明，当n很大，0p1是一个定值时（或者说，np(1-p)也不太小时），二项变量 的分布近似正态分布 N(np,np(1-p)). 实用中，n 30， np 10时正态近似的效果较好. 例1 将一枚硬币抛掷10000次，出现正面5800次，认为这枚硬币不均匀是否合理? 试说明理由. 解: 设X为10000次试验中出现正面的次数， 采用正态近似, np=5000, np(1-p)=2500, 若硬币是均匀的， X~B(10000，0.5), 近似正态分布N(0,1). 即 =1-Φ(16) ≈0 此概率接近于0，故认为这枚硬币不均匀是合理的 . P(X≥5800) =1-P(X5800) 近似正态分布N(0,1). 例2 公共汽车车门的高度是按男子与车门 顶头碰头机会在0.01以下来设计的.设男子 身高X～N(170,62),问车门高度应如何确定? 解: 设车门高度为h cm,按设计要求 P(X≥ h)≤0.01 或 P(X h)≥ 0.99， 下面我们来求满足上式的最小的 h. 再看一个应用正态分布的例子: 因为X～N(