第一章 绪论(三) 一些重要的概率分布

根据上述公式，得：
E(W)=2E(X)+2E(Y)=500
Var(W)=4Var(X)+4Var(Y)=580
因此，W服从均值为500，方差为580的正态分布，即
W~N(500,580)
1.3 标准正态分布

由于期望和方差的不同，正态分布之间会存在一定 的区别（见下图），如何将其简单化，从而引入标

t分布与正态分布：
当k增大时，t分布的方差接近于标准正态分布方 差值1。 例如：当k=10时，t分布的方差为10/8=1.25；
当k=30时，t分布的方差为30/28=1.07； 当k=100时，t分布的方差为100/98=1.02； 结论：随着自由度的逐渐增大，t分布近似于正 态分布。 注意：对于t分布，不要求其样本容量很大， k=30时，t分布与正态分布已很近似。

t分布表举例：
查t分布表，自由度为(n-1)=15-1=14 当自由度为14时，查表得，t值大于等于 2.977的概率为0.005，大于等于4.140的概 率为0.0005，所以，t值大于等于3.873的 概率介于0.0005~0.005之间。 练习1：
上例中其他条件不变，现假定15天 内出售面包的平均数量为72条，求获得 此数量的概率。
假定X和Y相互独立，设a、b为常数， 考虑线性组合：W=aX+bY 则有：
2 W ~ N ( w , w )
其中， w a x b y
2 2 2 2 2 w a x b y
例：令X表示在曼哈顿非商业区一花商每日出售玫瑰花数 量，Y表示在曼哈顿商业区一花商每日出售玫瑰花的数量， 假定X和Y均服从正态分布，且相互独立。已知： X~N(100,64)，Y~N(150,81)，求两天内两花商出售玫瑰花 数量的期望和方差。 W=2X+2Y
3.1

何谓² 分布？
² 分布是统计学中常用的一种概率分布，它与正
态分布很相似。 统计理论证明：标准正态变量的平方服从自由度 为1的² 分布，用符号表示为，
Z x
2
2
(1)
其中，Z是标准正态变量，即Z~N(0,1)； x² 的下 标(1)表示自由度。自由度是指平方和中独立观察 值的个数。因为我们考虑的是一个标准正态变量 的平方，故自由度为1。
⑵ t分布表具有对称性，t值大于等于 某一特定值的概率与t值小于等于该特
按照上述步骤，首先运用t变量公式，求出 t变量。
72 70 t 1.936 4 / 15
查t分布表，当自由度为14时，t值大于等于 1.761的概率为0.05，大于等于2.145的概率为 0.025，因此，t值取1.936的概率介于0.025与 0.05之间。
查t分布表的注意事项：
⑴ 自由度为（n-1），而不是n。
可以证明： 样本方差与总体方差的比值 与自由度(n-1)的积服从自由度为(n-1)的
² 分布。公式表示为：
S (n 1) ~ (n 1)
2 2 2
其中，² 为总体方差，S² 为样本方差，
样本容量为n。
§4、 t分布
回忆：若样本均值 X ~ N ( ,
_ 2
n) ，则
变量Z服从标准正态分布。
X 即： Z ~ N (0,1) n
_
假定已知和² 的估计量S² ，则可以 用样本标准差（S）代替总体标准差 （），得到一个新的变量t。
X t S n
_
根据统计理论得知：变量t服从自由度为 (n-1)的t分布。 注意：在这里，自由度为(n-1)，而不是n。 结论：从正态总体中抽取随机样本，若该 正态总体的均值为，但方差² 用其估计 量S² 来代替，则其样本均值服从t分布。 通常用符号tk表示，其中k表示自由度。
来自N(10,4)总体的20个样本均值的分布
样本均值
理论依据：
若X1，X2，X3，…，Xn是来自于均值为， 方差为² 的正态总体的一随机样本。则样本 均值 也服从正态分布，其均值为，方差 为² /n，即：
X ~ N ( ,
_
2
n)
也就是说，样本均值 的抽样（或概率） 分布，同样服从正态分布。
² 分布的几何图形：
f(² )
概 率 密 度
K=2
K=5
Байду номын сангаасK=10
0
²
² 变量的密度函数
3.2 ² 分布的性质

⑴与正态分布不同， ² 分布只取正值（它是平 方和的分布），并且取值范围从0到无限大。 ⑵ 与正态分布不同， ² 分布是斜分布，其遍度 取决于自由度的大小，自由度越小，越向右偏， 但是随着自由度的增大，逐渐呈对称，接近于 正态分布。 ⑶ ² 分布的期望值为k，方差为2k。k为² 分布 的自由度。即² 分布的方差是其均值的2倍。 ⑷ 若E1、E2分别为自由度为k1,k2的两个相互独 立的 ² 变量，则其和(Z1+Z2)也是一个² 变量， 其自由度为(k1+k2)。
现在令Z1，Z2,…，Zk为k个独立的标准正态变 量（即每一个变量都是均值为0，方差为1的正 态变量），现在对所有的变量Zs平方，则它们 的平方和服从自由度为k的X² 分布，即
Z Z Z Z ~ x
2 2 2 2 i 1 2 k
2
(k )
公式里的自由度为k，因为在所有变量的平方 和中，有k个独立的观察值。
一些重要的概率分布
§1、正态分布
§2、样本均值的抽样分布或概率分布
§3、 x² 分布
§4、 t分布
§5、 F分布 §6、 x² 分布、 t分布、 F分布与正态分布
的关系
§1、正态分布
1.1
什么是正态分布？
对于连续型随机变量而言，正态分布是最
重要的一种概率分布，其形状似“钟型”。
经验表明：对于其值依赖于众多微小因素
t分布表的使用:
例：自由度为10，P(t>1.812)=P(t<-1.812)=0.05 P(︱t︱>0)=P(t>1.812)+P(t<-1.812)=0.1
0.05 0.05
-1.812
0
1.812
例：变量X表示面包房每日出售的面包量， 在15天内，出售面包的样本方差为16。假 定真实的出售量为70条，求任意15天内出 售面包平均数量为74条的概率。 分析：本例中已知样本方差S² =16，则S=4， 总体均值（真实的出售量）=70，运用t变量 公式得： 74 70 t 3.873 4 15
2.3 中心极限定理
引言：从正态总体中抽样，其样本均值
服从正态分布，那么，如果从其他总体 中抽样，情况如何呢？
中心极限定理：如果X1，X2，…，Xn是
来自(均值为，方差为² )任一总体的 随机样本，随着样本容量的无限增大， 其样本均值趋于正态分布，其均值为， 方差为² /n。
§3、 ² 分布
Z ~ N(0,1 )
任一给定均值和方差的正态变量都可转化为标准正 态变量，将其标准化可以大大简化计算。
例：变量X表示面包房每日出售的面包量，假 定它服从均值为70、方差为9的正态分布，即 X~(70,9)，求任给一天，出售面包数量大于75 条的概率。 首先，定义变量Z，Z=(75-70)/3≈1.67 求：P(Z>1.67) 查正态分布表得： P(0≦Z≦1.67)=0.4525 则：P(Z>1.67)=0.5-0.4525=0.0475 即每天出售面包的数量超过75条的概率为 0.0475。
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。如身高、体重、考试成 绩等。
为了方便，通常用：
X ~ N ( , 2 )
表示随机变量X服从正态分布。 符号~表示随机变量服从什么样的分布； N表示正态分布； ，² 为正态分布的（总体）均值（或期望）和 方差。 X是一个连续型随机变量，可在区间（－∞,+∞） 内任意取值。

f(Z)
0.4525
0.0475
0
1.67
标准正态变量概率密度函数
§2 样本均值的抽样分布或概率分布
引言：样本均值是总体均值的估计量，但是由于 样本均值是依靠某一给定样本而定，因此它的值 会因随机样本的不同而变化。由此，我们将样本 均值看作随机变量，在样本是随机抽取得到的条 件下，求样本均值的概率密度函数。 随机抽样：表示总体中每一个个体有同等机会被 选入样本。 独立同分布随机变量：由X1、X2，…，Xn构成容 量为n的随机样本Xs，如果所有的Xs是从同一个 概率密度（Xi有相同的概率密度函数）中独立抽 取得到的，称Xs为独立同分布随机变量。
正态曲线下的区域示意图
68%（近似） 95%（近似） 99.7%（近似）

-3
-2
-

2
3
1.2 正态分布的性质：

⑴ 正态分布曲线以均值为中心，对称分布。 ⑵ 正态分布的概率密度函数呈中间高、两边 低，在均值处达到最高，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。 ⑶ 正态曲线下的面积约有68%位于± 两 值之间；约有95%面积位于±2之间；约有 99.7%的面积位于± 3之间。这些区域可用 作概率的度量。
20个样本的频率分布
样本均值范围 频数 频率
8.5~9.0
9.0~9.5
1
2
0.05
0.10
9.5~10.0
10.0~10.5 10.5~11.0 11.0~11.5
5
9 2 1
0.25
0.45 0.10 0.05
0.50
0.25
0.05
8.75 9.25 9.75 10.25 10.75 11.25