第9 概率与概率分布.pptVIP

其分布的重要特征值为： 期望值：E(x)= μ 方 差：V(x)= μ 偏态系数： β1= 峰态系数：β2=3+ 期望值与方差均为 u 是普哇松布的一大特性。 当β1 0， β2 3时，普哇松分布为具有高狭峰的右偏分布； 当β1随 μ 增加而趋向于0时，其偏斜程度则随 μ 的增加而逐渐减小，最终成对称分布；β2随 μ 增加而趋向3时，则高狭峰态会随 μ 的增加而逐渐减慢，最终成为常态峰。 9.5 连续型随机变量概率分布 9.5.1 正态分布 正态分布: 又称常态分布或高斯分布，是一种非常重要的连续型随机变量的概率分布。其定义为：若连续型随机变量x的分布具有下列概率密度函数： 则称为正态分布。式中μ和σ为此分布的参数。(μ为总体均值， σ为总体标准差)，e =2.71828，π=3.1416。 正态分布的重要特征值为： (1)期望值：E(x)= μ，且=Me=M0 (2)方 差：V(x)= (3)偏态系数：β1 =0 (4)峰态系数： β2 =3 正态分布具有下列重要性质： 1．正态分布具有常态峰，即以μ为中心的左右对称分布，左右二者面积相等，均为 。 2．正态分布曲线左右两尾与横轴渐近，但不与横轴相交，即-∞＜ x ＜∞。 3．当 x =μ值时，正态分布的概率密度函数值最大，当x ≠μ时，f（x）的值随|x|的值递增而递减。 4．正态分布曲线有两个拐点，分别在横轴 所对应的曲线上。 5．正态分布曲线下的面积(区间概率)是固定的。 标准正态分布 在实践中，由于不同现象的随机变量有不同的参数μ和σ，且不同随机变量的计量单位也不同，因而有不同的正态分布形状，从而给正态分布的应用带来了不便之处。为此，可令正态分布概率密度中的 ，则有： 因此，新的随机变量z仍服从正态分布，且该正态分布的参数μ=0，σ=1。同时，无论x的计量单位如何，新变量以σ为计量单位，则称z为标准正态随机变量，称z的分布为标准正态分布。其重要的特征值为： 期 望 值：E(z)=0 方 差：V(z)=1 偏态系数：β1=0 峰态系数：β2=3 最高纵轴： 图10 标准正态分布图 由于任何正态分布都可以通过 的变量转换化为标准正态分布(z分布)，因此，只要计算出正态随机变量z的取值区间[-∞，z]，就可求出相应的区间概率P( z≤zi )，并将其编成z分布表，从而利用z分布表就可求出任何正态随机变量x的取值区间[x1，x2]的概率。 即： 正态分布在统计方法应用或统计推断的抉择上，占有非常重要的地位； 1．许多客观现象的分布大多为正态分布，如成年人的身高、机械零件的长度、学童的智力、误差分布等等。 2．正态分布可作为一些离散型随机变量的概率分布的近似，例如二项分布、普哇松分布、超几何分布等，当n 增大时，均可转换为正态分布。 3．在统计标准中，许多问题均可在正态分布的假设下获得解决。例如，小样本抽样分布(卡方分布、t 分布、F 分布等)常假设总体呈正态分布。 4．许多大样本的抽样分布通常将正态分布视为极限，以便进行统计推断。 9.5.2 指数分布 指数分布主要应用于产品寿命的分析，是一种连续型随机变量的概率分布。其定义为：若连续型随机变量x的分布具有下列概率函数： 则称为指数分布。式中λ＞0，为此分布的参数。 指数分布的重要特征值为： 期望值： 方 差： 众 数： M0=0 9.5.3 均匀分布 均匀分布是连续型随机变量x在有限区间(a，b)内取值较为均匀的概率分布。其定义为：若随机变量x在有限区间(a，b)内取值满足下列概率函数： 则称 x 在区间(a，b)上服从均匀分布。式中a，b为此分布的参数。均匀分布的两个重要特征是 期望值： 方 差： 9.6 抽样分布 抽样分布是指从总体中抽取的所有可能的样本的统计量(样本指标) 构成的概率分布，又称统计量分布。研究抽样分布在于揭示统计量的分布规律，测量抽样推断误差的大小和不确定程度的大小。为依据样本统计量以推断总体的数量特征作出依据。 9.6.1 样本平均数的抽样分布与中心极限定理 1.中心极限定理: 2.样本平均数的抽样分布 样本平均数的抽样分布是指从总体中抽取的所有可能的样本平均数构成的概率分布.具有如下特征: 【例9.30】 【例9.31】 【例9.32】 9.6.2 样本比率的抽样分布 从二项分布总体中抽样，样本中成功的单位数占样本容量的比率，称为样本比率(p)。样本比率是个随机变量，当样本容量n足够大时(np和n（1-p）均大于5)，根据中心极限定理