第五章 正态分布常用统计分布和极限定理.pptVIP

切贝谢夫不等式（例题） ? 某地进行了收入情况调查。收入的分布不清楚。但知道平均收入为 80 元，标准差为 10 元。问 60 元 -100 元之间的概率是多少？ ? 解：由于切贝谢夫不等式是不受分布限制的，因此本题在分布不清楚的情况下，可带入公式 进行估算。根据题意， E( ξ )=80( 元 ) ， ε 取 20 （元），则 ? 即收入在 60-100 元之间的概率值将大于 0.75 。 ? 为了比较，不妨设本题的收入情况满足正态分布，那么根据正 态分布可以计算： 2 2 2 D( ) P( 80 20) 1 1 10 / 20 0.75 ? ? ? ? ? ? ? ? ? ? P( 80 20) (60 100) 60 80 100 80 ( ) 10 10 ( 2 2) 0.9544 P P Z P Z ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2. 贝努里大数定律 ? 设 m 是 n 次独立观测中事件 A 出现的次数，而 p 是事件 A 在每次 观测中出现的概率，那么对于任何一个正数 ε，有 ? 从数量上说明，在相同条件下进行多次观察时，随机事件的 频率 m/n 有接近于它概率的趋势。 ? 贝努里大数定律为用抽样成数（ m/n ）来估计总体成数 p 奠定了基础。 n lim ( )=1 m P p n ? ?? ? 3. 切贝谢夫大数定律 ? 设随机变量 ξ 1 ，ξ 2 ，ξ 3 ， … 相互独立且服从同一分布， E( ξ i )= μ ， D( ξ i )= σ 2 ，那么，对于任何一个正数ε，有 ? 切贝谢夫大数定律表示，当试验次数 n 足够大时， n 个随机变 量的平均值 与单个随机变量的数学期望 μ 的差可以任意地小 ，这个事实以接近于 1 的很大概率来说是正确的，即 趋近 于数学期望 μ 。因此在实际抽样调查时，可以用抽样的均值 作为总体均值 μ 的近似值。 n 1 2 n lim ( )=1 1 ( ) n P ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? 二、 中心极限定理 一旦统计的学习进入到推论统计，我们就必须同时与三 种不同的分布概念打交道，即总体分布、样本分布、抽样分 布。为了不产生混淆，视分布不同，将统计指标的符号加以区 别是完全必要的。对那些反映标志值集中趋势和离中趋势的综 合指标，尤其对均值和标准差 ( 或方差 ) 。 均值 标准差 总体分布 样本分布 抽样分布 抽样分布特指样本统计量作为 随机变量的概率分布。用数学语言 来说，抽样分布是运用数理统计的 方法，把具体概率赋予样本的所有 可能结果的一种理论分布。 在一个总体中可以产生无 数个样本，所以样本统计量 （比如均值 ） 必定是随机变量。 这样就提出一个问题：如果样本 统计量作为随机变量，它的概率 分布是什么样呢？ 1 ．中心极限定理 我们知道，概率论中用来阐明大量随机现象平均 结果的稳定性的定理，是著名的 大数定理 。其具体内 容是：频率稳定于概率，平均值稳定于期望值。但 是，大量随机现象的稳定性不仅表现在平均结果上， 同时也表现在分布上，这就是 中心极限定理 所要阐明 的内容。显然，推论统计需要有一座能够架通抽样调 查和抽样分布的桥梁。 中心极限定理 告诉我们： 如果 从任何一个具有均值 μ 和方差 σ 2 的总体 ( 可以具有任 何分布形式 ) 中重复抽取容量为 n 的随机样本，那么当 n 变得很大时，样本均值的抽样分布接近正态，并具 有均值 μ 和方差 。 三种不同性质的分布 1. 总体分布 2. 样本分布 3. 抽样分布 1. 总体中各元素的观察值所形成的分布 2. 分布通常是未知的 3. 可以假定它服从某种分布 总体分布 (population distribution) 总体 1. 一个样本中各观察值的分布 2. 也称经验分布 3. 当样本容量 n 逐渐增大时，样本分布逐渐接近总 体的分布 样本分布 (sample distribution) 样 本 1. 从一个给定的总体中抽取容量（或大小）为 n 的所有可 能的样本，对于每一个样本，计算出某个统计量（如样 本均值或标准差）的值，不同的样本得到的该统计量的 值是不一样的，由此得到这个统计量的所有可能值的概 率分布，称之为抽样分布。 2. 样本统计量的概率分布，是一种理论分布 , ? 在重复选取容量为 n 的样本时，由该统计量的所有 可能取值形成的相对频数分布 3. 随机变量是 样本统计量 ? 样本均值 , 样本比例，样本方差等 4. 结果来自容量相同的所有可能样本 5. 提供了样本统计量长远而稳定的信息，是进行推断的理 论基础，也是抽样推断科学性的重要依据 抽样分布 (sampling distribution)