假设检验与统计推断幻灯片.ppt

如果变量X的均值为?，方差为?，定义一个新的变量Z， 则根据性质5，变量Z的均值为0，方差为1。在统计学中，我们称之为单位或标准正态变量，用符号表示为：X~N（0,1）任一给定均值和方差的正态变量都可转化为标准正态变量，将其标准化可以大大简化计算。 4、标准正态分布 （二）t分布 1、样本均值的抽样分布或概率分布 样本均值是总体均值的估计量，但是由于样本均值是依靠某一给定样本而定，因此它的值会因随机样本的不同而变化。由此，我们将样本均值看作随机变量，在样本是随机抽取得到的条件下，求样本均值的概率密度函数。 2、理论依据： 若X1，X2，X3，…，Xn是来自于均值为?，方差为?2的正态总体的一随机样本。则样本均值 也服从正态分布，其均值为?，方差为?2/n，即： 也就是说，样本均值 的抽样（或概率）分布，同样服从正态分布。 样本均值概率分布的标准正态变量： 将样本均值的概率密度转化为标准正态分布后，可以从标准正态分布表中计算某一给定样本均值大于或小于给定的总体均值的概率。 3、中心极限定理：如果X1，X2，…，Xn是来自(均值为?，方差为?2)任一总体的随机样本，随着样本容量的无限增大，其样本均值趋于正态分布，其均值为?，方差为?2/n。 4、假定已知?和?2的估计量S2，则可以用样本标准差（S）代替总体标准差（?），得到一个新的变量t。 根据统计理论得知：变量t服从自由度为(n-1)的t分布。 注意：在这里，自由度为(n-1)，而不是n。 结论：从正态总体中抽取随机样本，若该正态总体的均值为?，但方差?2用其估计量S2来代替，则其样本均值服从t分布。通常用符号tk表示，其中k表示自由度。 k=120(正态） K=20 K=5 0 不同自由度下的 t分布 5、性质 ⑴ t分布与正态分布相类似，具有对称性。 ⑵ t分布的均值与标准正态分布均值相同，为0，但方差为k/(n-2)。由此，在求t分布的方差时定义自由度必须大于2。标准正态分布的方差等于1，因此，t分布方差总大于标准分布的方差，也就是说，t分布比正态分布略“胖”些。 t分布与正态分布 当k增大时，t分布的方差接近于标准正态分布方差值1。 当k=10时，t分布的方差为10/8=1.25； 当k=30时，t分布的方差为30/28=1.07； 当k=100时，t分布的方差为100/98=1.02； 结论：随着自由度的逐渐增大t分布近似于正态分布。 注意：对于t分布，不要求其样本容量很大k=30时，t分布与正态分布已很近似。 t分布表的使用: 0 -1.812 1.812 例：自由度为10，P (t1.812)=P (t-1.812)=0.05 P (︱t︱1.812)=P (t1.812)+P(t-1.812)=0.1 0.05 0.05 例：已知20名10岁男孩的跳远成绩的平均数为1.65m,标准差为0.2m，求出其总体平均数的95%的置信区间。 （三） ?2分布 1、?2分布是统计学中常用的一种概率分布，它与正态分布有紧密的关系。 统计理论证明：标准正态变量的平方服从自由度为1的?2分布，用符号表示为， 其中，Z是标准正态变量，即Z~N(0,1)； x2的下标(1)表示自由度。自由度是指平方和中独立观察值的个数。因为我们考虑的是一个标准正态变量的平方，故自由度为1。 现在令Z1，Z2,…，Zk为k个独立的标准正态变量（即每一个变量都是均值为0，方差为1的正态变量），现在对所有的变量Zs平方，则它们的平方和服从自由度为k的X2分布，即 公式里的自由度为k，因为在所有变量的平方和中 有k个独立的观察值。 ?2分布的几何图形： f(?2) 概率密度 ?2 K=2 K=5 K=10 ?2变量的密度函数 0 性质 ⑴与正态分布不同， ?2分布只取正值（它是平方和的分布），并且取值范围从0到无限大。 ⑵ 与正态分布不同， ?2分布是斜分布，其偏度取决于自由度的大小，自由度越小，越向右偏，但是随着自由度的增大，逐渐呈对称，接近于正态分布。 ⑶ ?2分布的期望值为k，方差为2k。k为?2分布的自由度。即?2分布的方差是其均值的2倍。 ⑷ 若E1、E2分别为自由度为k1,k2的两个相互独立的 ?2变量，则其和(Z1+Z2)也是一个?2变量，其自由度为(k1+k2)。 可以证明： 样本方差与总体方差的比值与自由度 (n-1)的积服从自由度为(n-1)的?2分布。公式表示为： 其中，?2为总体方差，S2为样本方差，样本容量为n。 （四） F分布 令随机样本X1，X2，X3，…，Xm来自均值为?x和方差为?x2的正态总体，其样本容量为m；随机样本Y