第二讲数理统计基础1.pptVIP

0—1分布 若随机变量X只能取0，1两个值，且P（X=1）=p，P（X=0）=1－p=q（0＜p＜1），则称X服从参数为p的0—1分布; 若一随机试验只有两种可能结果，则称该试验为伯努利（Bernoulli）试验 二项分布（Binominal Distribution） 独立重复进行n次伯努利试验称为n重伯努利试验 ,在n重伯努利试验中，A出现的次数设为X，则随机变量X的分布律为 其中0＜p＜1，称X服从参数为n，p的二项分布或伯努利分布，记为X~B（n，p） 当n=1时，二项分布即为0—1分布 (1)当p值较小且n值不大时图形是偏倚的。随着n值的增大，分布逐渐趋于对称 (2)当p≠q时，分布图为偏态; p值趋于0.5,分布趋于对称,p、q相差越小，n越大，图形的对称性越强;当p=q时即,p=0.5,分布图对称. (3)当n适当大，如大于30，p值又不过于小，并且np与nq均不小于5时，二项分布将趋近于正态分布。但当n很大，p很小时，二项分布则趋近于泊松分布 二项分布的正态近似 概率论证明:当n→∞时,二项分布B(n,p)趋于正态分布N(np,npq). 一般当n≥30，p值又不过于小,通常p＞0.1，并且np与nq均不小于5时，此结论可近似应用. 或: 泊松分布（Poisson Distribution） 若随机变量X的分布律为 其中λ0为常数，则称X服从参数为λ的泊松分布，记为X～ P（ λ） 即 （1）当λ较小时，泊松分布是偏倚的，随λ增大，分布逐渐对称。 （2）当λ无限增大时，泊松分布逼近正态分布N(λ，λ)；当λ＝20时，泊松分布已和正态分布非常接近；当λ＝50时，除一种是离散型的和一种是连续型的之外，已无多大区别，一般n6即可近似应用。 （3）数理统计证明，泊松分布是二项分布在一定条件下的极限分布。当n较大，p较小时，二项分布的概率可用泊松分布近似计算，实际应用中，一般当n≥10，p≤0.1和np≤5时，有下面的近似计算公式 形状与特征 当n≥10，p≤0.1和np≤5时 当n≥30，p＞0.1，并且np、nq≥5时 当n6 ,λ→∞时,趋于N(λ,λ) (卡方)分布 设随机变量X1，X2，…，Xn相互独立，且Xi ~ N（0，1），（i=1,2,…, n），则称随机变量 服从自由度为n的 分布，记为 的概率密度函数为： （1）以x轴为渐近线，为单峰右偏斜曲线，其形状依赖于自由度n，随着n的增大，曲线逐渐趋于对称。当df＞30时， 分布已接近正态分布。 （2）μ = n σ2 =2n （3）为计算方便，对不同自由度、不同α值（0＜α＜1），按 计算结果列于附表5，供查阅 t分布 设随机变量X ~ N（0，1）， ，且X与Y相互独立，则称随机变量 服从自由度为n的t分布，记为T~t（n） t（n）的概率密度函数为 （1）t分布曲线是左右对称的，围绕平均数μt＝0向两侧递降。 （2）t分布受自由度df＝n-1的制约，每个自由度都有一条t分布曲线。 （3）t（n）与N（0，1）的密度曲线形状相似，曲线中部是t（n）低于N（0，1），而两尾是t（n）高于N（0，1）。t（n）曲线的形状由自由度n决定，随着n的增大，t（n）与N（0，1）的差别越来越小。当n→∞时，t（n）分布趋近于正态分布。n≥30，t（n）与N（0，1）就基本重合。 F分布 设， ，且X、Y相互独立，则称随机变量 服从自由度为（n1，n2）的F分布，记为F ~ F（n1，n2） F（n1，n2）的概率密度函数为 (1)F分布的平均数μF＝1，F的取值区间为[0， ∞)； (2)F分布曲线的形状仅决定df1，df2 （ n1，n2 ） 。在df1 ＝l或2时、F分布曲线呈严重倾斜的反向J型，当df2 ≥3时转为左偏曲线