常用概率分布PPT.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * （2）数据的分析 * * * * * * * * * * * * * * 其平均数和标准差分别记为 和 。 是样本平均数抽样总体的标准差，简称标准误(standard error)，它表示平均数抽样误差的大小。统计学上已证明总体的两个参数与x 总体的两个参数有如下关系： =μ， [例]一个 N=4 的 有 限总体，变数为2、3、3、4。根据μ=Σx／N和σ2=Σ(x-μ)2／N求得该总体的μ、σ2、σ为： μ=3, σ2=1／2, σ= =0.707 从有限总体作返置随机抽样，所有可能的样本数为Nn其中n为样本含量 。以上述总体而论，如果从中抽取n=2的样本， 共可得 42=16 个样本；如果样本含量n为4 ，则一共可抽得44=256个样本。分别求这些样本的平均数 ，其次数分布如表4—6所示。 根据表4—6，在n=2的试验中，样本平均数抽样总体的平均数、方差与标准差分别为： 表4—6 N=4, n=2和n=4时的次数分布 一个 N=4 的 有 限总体，变数为2、3、3、4 =4/16=1/4=(1/2)/2= 同理，可得n=4时： 这就验证了 =μ， 的正确性 由以上模拟抽样试验可以看出 ，虽然原总体并非正态分布，但从中随机抽取样本， 即使样本含量很小(n=2, n=4)，样本平均数的分布却趋向于正态分布形式。随着样本含量 n 的增大， 样本平均数的分布愈来愈从不连续趋向于连续的正态分布。当n＞30时， 的分布就近似正态分布了。X 变量与 变量概率分布间的关系可由下列两个定理说明： 1. 若随机变量x服从正态分布(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 （统计学的基础之二）。 3. 大数定律 （统计学的基础之一） 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x的分布不很偏倚，在n＞20时， 的分布就近似于正态分布了。 第五节 t分布 由样本平均数抽样分布的性质知道： 若x～N(μ, σ2)， 则 ～N(μ, σ2/n)。 将随机变量 标准化得 ， 则u～N(0,1)。 当总体标准差σ未知时， 以样本标准差S代替σ所得到的统计量 记为t。在计算 时，由于采用S来代替σ，使得t 变量不再服从标准正态分布，而是服从t分布(t－distribution)。它的概率分布密度函数如下： (4-26) 式中，t的取值范围是（-∞，+∞）； df=n-1为自由度 (指当以样本的统计量来估计总体的参数时，样本中独立或能自由变化的数据的个数称为该统计量的自由度。） t分布的平均数和标准差为： μt＝0 (df1)， (df2） (4-27) t分布密度曲线如图4-12 所示，其特点是： Gamma function 1、t分布受自由度的制约，每一个自由度都有一条t分布密度曲线。 2、t分布密度曲线以纵轴为对称轴，左右对称，且在t＝0时，分布密度函数取得最大值。 3