资源预览内容
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
第9页 / 共13页
第10页 / 共13页
亲,该文档总共13页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
第三章 重要的概率分布(1)正态分布;(2) 分布;2(3) t分布; (4) F分布。3.1 正态分布 对于连续型随机变量而言,正态分布(normal distribution)是最重要的一种概率分布。 经验表明:对于依赖于众多微小因素;且每一因素均产生微小的或正或负影响的连续 型随机变量来说,正态分布是一个相当好的描述模型。 如人的体重,因为遗传、骨骼结构、饮食、锻炼、等都对人的体重有影响,但又没有 一种因素起到压到一切的主导作用。与此相类似,人的身高、考试分数等都近似地服从正 态分布。 通常用:XN(u, ) (3 - 1)2表示随机变量X服从正态分布。N表示正态分布,括号内的参数u, 称为正态分布的2总体均值(或期望)和方差。3.1.1 正态分布的性质 (1) 正态分布曲线以均值u为中心,对称分布。 (2) 正态分布的概率密度函数呈中间高、两边低,在均值u处达到最高,向两边逐渐降 低,即随机变量在远离均值处取值的概率逐渐变小。(3) 正态曲线下的面积约有68%位于u 两值之间;约有95%的面积位于u2之间;2而约有99.7%的面积位于u3之间。 (4) 两个(或多个)正态分布随机变量的线性组合仍服从正态分布。令X和Y相互独立:XN(uX,)2 xYN(uY,)2 y现在考虑两个变量的线性组合:Wa X+b Y则 WN(uW,) ( 3 - 2 )2 w其中, uW =(auXbuY) ( 3 - 3 )= (+) (3 - 4)2 w22 xa22 yb例3.1 令X表示在下沙高教区一花店每日出售玫瑰花数量, Y表示在下沙镇一花店每日出售 玫瑰花的数量,假定X和Y服从正态分布,且相互独立,并有: XN( 100,64 ),YN( 150,81 )求两天内两花商出售玫瑰花数量的期望及方差?W2X2Y根据式( 3 - 3 ) E(w)E( 2X+ 2Y) = 5 0 0, Var (w) = 4var(X) + 4var(Y) = 5 8 0因此,W服从均值为5 0 0,方差为5 8 0的正态分布,即WN( 5 0 0,5 8 0 )。3.1.2 标准正态分布 两个正态分布可能因为期望或方差的不同,或是期望和方差均不同而相区别。如何比 较各种不同的正态分布呢?定义一个新的变量Z: X uZ如果变量X的均值为u,方差为,则根据式(3 - 4),变量Z的均值为0,方差为1。称2之为标准正态变量(standard normal variable) 。即若XN(u,),那么变量Z就是标准正态变量,用符号表示为:2ZN(0,1) (3 - 5) 证明: (1)均值为0 因为有E (aX+b) = a E(X) + b,所以1EEXuXu ()()=0(2)方差为1 因为有var ( aX +b ) = a2var ( X ) ,所以 21varvar XuX ()()=1图3 - 3a和3 - 3b分别给出标准正态分布的概率密度函数和累积分布函数。例3.2 变量x表示花房每日出售的玫瑰花量,假定它服从均值为70、方差为9的正态分布,即 XN( 70,9 ),求任给一天,出售玫瑰花数量大于75支的概率。75 701.763Z服从标准正态分布,求P(Z 1 . 6 7 )。 从附录表可知, Z位于区间( 0 , 1.3 )的概率为0.4032,位于( 0,2.5 )的概率为0.4938。 由正态分布的对称性可知,Z位于区间(-1.3 , 0 )的概率也为0.4032,位于(-2.5 , 0 )的概率为 0.4938。由于这种对称性,在标准正态分布表中一般仅给出Z取正值的情形。也就是说,标 准正态密度函数,在Z=0的左右面积均为0.5,整个面积(或概率)为1。 根据正态分布表得:P( 0Z1.67)=0.4525 因此, P(Z1.67)=0.50000.4257=0.0475 即每天出售玫瑰花的数量超过75支的概率为0.0475。(参见图3-3a )例3.3 继续例3. 2 ,现假定要求每天出售玫瑰花数量小于或等于7 5支的概率。 概率为: 0.500 0+0.452 5=0.952 5 (见图3-3b )。 例3.4 求每天出售玫瑰花数量在在65与75支之间的概率。 65 701.673Z75 701.673Z查表得, P(1.67Z0)=0.4525P(0Z1.67)=0.4525 由正态分布的对称性得到, P(1.67Z1.67)=0.9050 即每天出售面包的数量介于65条与75条之间的概率约为90.5% (见图3-3a )。上面的例子表明:一旦知道某一正态变量的期望与方差,先将其转化为标准正态变量, 然后根据正态分布表求得相应的概率。3.2样本均值的抽样分布或概率分布X 样本均值是总体均值的估计量,但由于样本均值是依据某一给定样本而定,因此其值 也会因随机样本的不同而变化。也就是说,样本均值也是随机变量,并且有其自己的概率 分布函数。 称X1,X2,Xn构成一个容量为n的独立同分布随机变量(independently and identically distributed random variables,i.i.d.random variables),即所有的X是从同一概率密度 (即每个Xi有相同的概率密度函数)中独立抽取得到的。 如果XiN(u,)且每个Xi独立抽取得到,则称X1,X2, ,Xn是 i.i.d.随机变量,2 正态概率密度函数是其共同的概率密度。估计量(比如样本均值)的概率密度。 例3.6 正态分布的均值为10,方差为4,即N( 10,4 )。从这个正态总体中抽取20个随机样本, 每个样本包括2 0个观察值。对抽取的每一个样本,得到其样本均值,因而共有20个样本X 均值,见表3-3。图3- 的条线图描绘了样本均值的经验概率分布。如果列出更多这样的样本,那么样本均值的概率分布服从正态分布。 若X1,X2, ,Xn是来自于均值为u,方差为的正态总体的一随机样本。则样本均值,2也服从正态分布,其均值为u,方差为,即X2 n(3 - 6)2 ( ,)un样本均值(u的估计量)的抽样(或概率)分布,同样服从正态分布。其均值与每一个XiX 的均值相同,但方差等于Xi的方差()除以样本容量n。2证明:因为= (X1 + X2 + Xn )XnE() = E(X1) + E(X2) + E(Xn )Xn = u + u + u n = uVar() = var(X1 + X2 + Xn )/ nX= var( X1 + X2 + Xn ) n2 = var(X1 )+ var(X2) + var(Xn)n2 (独立变量方差性质)= ( + + ) / n2222= n / n22= / n2 N(u,) 可以转化为标准正态分布X2 nX uZn中心极限定理 从正态总体中抽样,其样本均值同样服从正态分布。但是如果从其他总体中抽样又如 何呢? 中心极限定理(central limit theorem,CLT):如果X1,X2,Xn是来自(均值为u方差为的)任一总体的随机样本,随着样本2容量无限增大,则其样本均值趋于正态分布,其均值为u,方差为/n。X2注意样本方差的公式,分母是n-1,因为要求估计量是无偏的。 证明:( 222222222222()1 1=()1 1=()2() 1 1 ()2()()() 1 () 2 (), 1 ()2 ()() 1 211()()111XXESEnEX uX unEX uX u X uX unEX uX uX uX un X un X uEX un X uX un nE X uE X uEnnn 因为所以()2222222222() 21()()()111 1=()()11 1=11 (1)=1=X unnE X uE X uE X unnn nE X uE X unn nnnnn n n 注:如果为样本均值,则为)XXXX3.3 分布2如果随机变量X服从均值为u,方差为的正态分布,即XN(u,),则随机变量22Z= (Xu) / 是标准正态变量,即ZN(0,1)。标准正态变量的平方服从自由度(degrees of freedom,d.f.)为1的分布,即是一种特殊2的分布,用符号表示为,2Z2= (3 - 7)2 (1)其中的下标(1)表示自由度(d.f.)为1,这里定义自由度是平方和中独立观察值的个2数。 令Z1,Z2,ZK为K个独立的标准正态变量(即每一个变量均是均值为0,方差为1的正态变量),对所有的变量Z平方,它们的平方和服从自由度为K的分布,即2( 3 - 8 )2222212( )ikkZZZZZ:这里的自由度为k,因为在式(3 - 8)的平方和中,有K个独立的观察值。分布的性质2(1) 如图3 - 8示, 与正态分布不同, 分布只取正值(它是平方和的分布)且取值范围2从0到无限大。(2)与正态分布不同,分布是斜分布,其偏度取决于自由度的大小,自由度越小,2越向右偏,但随着自由度的增大,逐渐呈对称,接近正态分布。( 3 ) 分布的期望为k,方差为2k。2( 4 ) 若E1、E2分别为自由度为k1,k2的两个相互独立的变量,则其和(Z1+Z2)也是2一个变量,其自由度为(k1+k2)。2 3.4 t分布 运用最广泛的另一个概率分布是t分布,t分布又称为学生t分布(Students t distribution), 与正态分布也密切相关。 (注:学生是统计学家W.S.Gosset的笔名,他于1908年发现了这一概率分布。 )若 N(u,)X2 n则变量Z服从标准正态分布:(3 - 9)X uZn假定仅知道u及的估计量的值,用样本标准差S代替总体标准差,得到22s一个新的变量(3 -10) /X ut sn变量t服从自由度为(n-1)的学生t分布。与分布类似,t分布也与参数自由度有关,2自由度为n-1。 t分布的性质 (1)t分布与正态分布类似,具有对称性。(2) t分布均值,与标准正态分布均值相同为0,但方差为k / (k2)。 (注:在求t分布的方差时定义自由度必须大于2。 )标准正态分布方差总为1,表明t分布方差总比标准正态分布方差大t分布比正态分 布略“胖”一些。但是当k增大时, t分布的方差接近于标准正态分布方差值1。 如果自由度k=10,则t分布方差为10/8 = 1.25; 如果自由度k30,则其方差为30 / 28 = 1.0; 如果自由度k=100,则其方差为100 / 98 = 1.02因此与分布类似,随着自由度的逐渐增大时, t分布近似正态分布。2(注:当k为30,t分布的方差已与标准正态分布方差相差不大。 )例3.7 假定真实的出售平均数量为70支,那么15天内出售玫瑰花平均数量为74支的概率是多 少?(样本方差为4)如果知道真实的标准差,则可通过标准正态分布变量Z来解答。但是,现在仅知道真实标准差的估计量S,则可以利用式(3 - 10)来计算t值。74 70 /4/ 15X ut sn3.873自由度为14
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号