正态分布及抽样分布.pptVIP

第三章 正态分布与抽样分布 1 正态分布（normal distribution） 1.1 正态分布的定义及其特征 正态分布的定义：若连续型随机变量X的概率密度函数为 其中，σ0，μ、σ均为常数，则称随机变量X服从参数为μ和σ2的正态分布，记作X ～N （μ，σ2 ）。 其正态分布的概率分布函数为： 正态分布的特征 （1）曲线ｆ(x)位于x轴的上方（即ｆ(x)是非负函数） ，曲线相对于直线x=μ对称； （2）当x=μ时，ｆ(x) 得到最大值；在x=μ±σ处有拐点；当x→±∞处，曲线以x轴为渐近线；即呈中间高、两边低的钟型曲线。 （3）如果固定σ，随μ值的不同，曲线沿x轴平移，但形状不变，故称μ为位置参数；如图：3-2 　 图3-2σ相同而μ不同的3个正态总体 如果固定μ ，当σ大时，曲线平缓；当σ小时，曲线陡峭。故称σ为形状参数。如图：3-3 　 图3-3 μ相同而σ不同的3个正态总体 （4）正态分布的次数多数集中于均数μ的附近，离均数越远，其相应的次数越少，而在∣x－μ∣≥3σ外次数极少，这也是食品工业上所用的工业控制3σ原理的基础。 （5）正态曲线ｆ(x)与横轴之间所围成的面积等于（或100%）。 1.2 标准正态分布 （standard normal distribution） 参数μ=0，σ2 =1时的正态分布称为标准正态分布。一般地，若随机变量X～N(μ，σ2)，则都可以通过标准化转换：u=(x-μ)/σ，将X转化为标准正态变量U（U的取值为u ），记为 U ～N(0，1)。 标准正态分布的概率密度函数为 　　　　　　　　　　　 （－∞＜ｕ＜＋∞） 标准正态分布的概率分布函数为： 　　　　　　　　　 　　 （－∞＜ｕ＜＋∞） 　 图3-4 正态分布与标准正态分布的面积与纵高 1.3 正态分布的概率计算 正态分布密度曲线和横轴围成的整个区域面积为1，这实际上表明了随机变量x在（－∞，＋∞）之间取值，是一个必然事件，其概率为1。若随机变量x服从正态分布N(μ，σ2)，则x的取值落在任意区间[x1，x2)的概率，记作：P（x1≤x＜x2），等于图3-5中阴影部分的面积。 关于正态分布，有几个概率应记住： 一般正态分布： P（μ－1.96σ≤x＜μ+1.96σ）＝0.95 P（μ－2.58σ≤x＜μ+2.58σ）＝0.99 P（μ－σ≤x＜μ+σ）＝0.6826 P（μ－2σ≤x＜μ+2σ）＝0.9545 P（μ－3σ≤x＜μ+3σ）＝0.9973 标准正态分布： P（－1.96σ≤u＜1.96σ）＝0.95 P（－2.58σ≤u＜2.58σ）＝0.99 P（－1≤u＜1）＝0.6826 P（－2≤u＜2）＝0.9545 P（－3≤u＜3）＝0.9973 　　　　 　 图3-6 正态分布与标准分布的概率 图3-7 两尾概率 对于标准正态分布，其两尾概率为： P（∣u∣≥1.96）＝0.05 P（∣u∣≥2.58）＝0.01 P（∣u∣≥1）＝0.3174 P（∣u∣≥2）＝0.0455 P（∣u∣≥3）＝0.0027 2 抽样分布 从总体中随机地抽取若干个体组成样本，即使每次抽取的样本含量相等，其统计量（如 ，S）也将随样本的不同而有所不同，因而样本统计量也是随机变量，也有其概率分布。我们把统计量的概率分布称为抽样分布。 2.1 样本均值的抽样分布 抽样误差：设有一个总体，总体均数为μ，方差为σ2，总体中各变数为x，将此总体称为原总体。现从这个总体中随机抽取含量为n的样本，样本均数记为 。假设，从原总体可抽出很多甚至无穷多个含量为n的样本，由这些样本算得的均数有大有小，不尽相同，与原总体均数μ相比往往表现出不同程度的差异。这种差异是由随机抽样造成的，称为抽样误差。 显然，样本均数也是一个随机变量，其概率分布叫做样本均数的抽样分布。由样本均数 构成的总体称为样本均数的抽样总体，其均数和标准差分别记为 和 。 是样本均数抽样总体的标准差，简称标准误差，它表示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： 表 　的抽样分布形式与原总体X分布形式的关系 2