河北经贸大学《计量经济学》专题二：一些重要的概率分布.

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。

2.1 样本均值的概率密度

例：已知正态分布的均值为10，方差为4，即 N(10,4)。现在从这个正态总体中抽取20个随机样 本，每个样本包括20个观察值，对抽取的每一个样 本，得到其样本均值，因此，共有20个样本均值。
来自N(10,4)的20个样本均值
9.641 10.321 9.740 9.765 10.134 10.480 9.739 10.334 10.040 9.504 9.937 10.410 求和=201.05 10.249 11.386 10.184 10.57 9.174 8.621 10.250 10.57
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
X 20 X 20 Z ~ N (0,1) 0.4 4 25
_
_
Z服从标准正态分布，求：
21 20 P( X 21) P( Z ) P( Z 2.5) 0.4
_
查标准正态概率密度表得：
P( Z 2.5) 0.0026
即每消耗一加仑汽油所行驶的平均距离
大于21英里的概率为0.0026。

⑷
正态分布可由两个参数，² 来描 述，即一旦知道，² 的值，就可以根 据附录表查到随机变量X落于某一区 间的概率值。 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。该性质 很重要，解释如下：
正态分布的偏度为0，峰度为3。
⑸
⑹
2 X ~ N ( X , X ) 令： 2 Y ~ N ( Y , Y )
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 ( ,
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
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。
k=120(正态） K=20 K=5
0 不同自由度下的分布
t分布的性质

⑴ t分布与正态分布相类似，具有对称性。 ⑵ t分布的均值与标准正态分布均值相同， 为0，但方差为k/(n-2)。由此，在求t分布的 方差时定义自由度必须大于2。 标准正态分布的方差等于1，因此，t分布方 差总大于标准分布的方差，也就是说，t分布 比正态分布略“胖”些。
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。
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
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。
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
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
t分布表举例：
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
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。
_ 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
_பைடு நூலகம்
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。
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。
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。
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。
2.2 样本均值概率分布的标准正态变量：
X Z n
将样本均值的概率密度转化为标准正态 分布后，可以从标准正态分布表中计算 某一给定样本均值大于或小于给定的总
_
体均值的概率。
例：令X代表某一型号汽车每消耗一加仑汽油所 行驶的距离（英里）。已知X~(20,4)。则对于由 一个25辆汽车组成的随机样本，求：每消耗一 加仑汽油所行驶的平均距离大于21英里的概率。 分析：由于X服从均值为20，方差为4的正态分 布，则样本均值也服从正态分布，其均值为20， 方差为4/25。那么，