抽样分布-正态分布
抽样方法、正态分布
抽样方法、正态分布本页仅作为文档封面，使用时可以删除This document is for reference only-rar21year.March抽样方法、正态分布重点、难点讲解：1．抽样的三种方法：简单随机抽样、系统抽样、分层抽样。
后两种方法是建立在第一种方法基础上的。
2．了解如何用样本估计总体: 用样本估计总体的主要方法是用样本的频率分布来估计总体分布，主要有总体中的个体取不同数值很少和较多甚至无限两种情况。
3．正态曲线及其性质：N()，其正态分布函数：f(x)=, x∈(-∞,+∞)。
把N(0,1)称为标准正态分布，相应的函数表达式：f(x)=, x∈(-∞,+∞)。
正态图象的性质：①曲线在x轴的上方，与x轴不相交。
②曲线关于直线x=μ对称。
③曲线在x=μ时位于最高点。
④当x<μ时，曲线上升；当x>μ时，曲线下降，并且当曲线向左、右两边无限延伸时，以x轴为渐近线，向它无限靠近。
⑤当μ一定时，曲线的形状由确定，越大，曲线越“矮胖”，表示总体的分布越分散；越小，曲线越“瘦高”，表示总体的分布越集中。
4．一般正态分布与标准正态分布的转化对于标准正态分布，用表示总体取值小于x0的概率，即=p(x<x0)，其几何意义是由正态曲线N(0,1)，x轴，直线x=x0所围成的面积。
又根据N(0,1)曲线关于y轴的对称性知，，并且标准正态总体在任一区间(a,b)内取值概率。
任一正态总体N()，其取值小于x的概率F(x)=。
5．了解“小概率事件”和假设检验的思想。
知识应用举例：例1．从503名大学一年级学生中抽取50名作为样本，如何采用系统抽样方法完成这一抽样思路分析：因为总体的个数503，样本的容量50，不能整除，故可采用随机抽样的方法从总体中剔除3个个体，使剩下的个体数500能被样本容量50整除，再用系统抽样方法。
解：第一步：将503名学生随机编号1，2，3，……，503第二步：用抽签法或随机数表法，剔除3个个体，剩下500名学生，然后对这500名学生重新编号。
正态总体下的抽样分布
§1.2数理统计中常用的分布正态总体是最常见的总体, 本节介绍的几个抽样分布均对正态总体而言.1.标准正态分布2. 2分布3.t分布4.F分布o xϕ(x )定义:设X ~N (0,1),对任给的α, 0<α<1,称满足条件1、标准正态分布αϕαα==>⎰+∞dx x z X P z )(}{的点z α为标准正态分布的上α分位点.z αα例：求z0.05解:P{X≤z0.05}=1−P{X>z0.05}=1−0.05=0.95∵P{X≤1.64}=0.9495P{X≤1.65}=0.9505∴z0.05≈(1.64+1.65)/2=1.645公式: Φ(zα)=1−α常用数字575.296.1645.1005.0025.005.0===zzz定义:设X i ~N (0,1) (i =1,2,...,n ), 且它们相互独立,则称随机变量2、χ2分布221nii X χ==∑服从自由度为n 的χ2分布,记为χ2~χ2(n ).χ2分布最常用的是拟合优度检验.其中，在x > 0时收敛，称为Γ函数，具有性质1()tx te dtx +∞−−Γ=⎰(1)(),(1)1,(1/2)(1)!()x x x n n n N πΓ+=ΓΓ=Γ=Γ+=∈一般自由度为n 的χ2(n )的密度函数为12221,0()2()20,xnnn ex ng x x x −−⎧>⎪⎪=Γ⎨⎪⎪≤⎩χ2分布的密度函数图χ2~χ2(n)D Y =Di=1nX i 2=i=1n D(X i 2)=i=1n [E(X i 4)−(E(X i 2))2]=i=1n2=2n .χ2分布的基本性质（1）设Y 1~χ2 (m ), Y 2~χ2 (n ), 且Y 1 , Y 2 相互独立，则χ2 分布的可加性（2）若Y ~χ2 (n ), 则E (Y )=n ，D (Y )=2n.= 1;)(~221n m Y Y ++χY 1=i=1mX i 2，Y 2=i=m+1m+nX i 2，)(~2n m +χY 1+Y 2=i=1m+nX i2E Y =Ei=1nX i 2=i=1nE(X i 2)=i=1n[D(X i )+(E(X i ))2]=i=1n1=n ,E(X i 4)=12πන−∞+∞x 4e −x 22dx =3故（3）设X 1,…, X n 相互独立,且都服从正态分布N (μ,σ2),则;)(~)(12122n X Y ni i χμσ∑=−=（4）若Y ~χ2 分布,则当n 充分大时,近似服从N (0,1).n n Y 2−应用中心极限定理oχ2α(n )xf (x )α设χ2~χ2(n ),其密度函数为f (x ),对于给定的正数α(0<α<1),称满足条件αχχαχα==>⎰+∞dx x f n P n )(222)()}({的点χ2α(n )为χ2(n )分布的上α分位点.χ2分布的上α分位点当n 充分大时,22)12(1)(−+≈n z n ααχ例：设X ~N (μ,σ2), (X 1,X 2,...,X 16)是取自总体X 的样本,求概率:}2)(1612{216122σμσ≤−≤∑=i iX P 解:∵X 1,X 2,...,X 16相互独立且)1,0(~N X i σμ−)16(~)(21612χσμ∑=−∴i i X}2)(1612{216122σμσ≤−≤∑=i iX P }32)(8{1612≤−≤=∑=i i X P σμ}32)({}8)({16121612>−−≥−=∑∑==i i i i X P X P σμσμ≈0.95−0.01=0.94定义:设X ~N (0,1)，Y ~χ2(n )，且X 与Y 相互独立,则称随机变量3、t 分布服从自由度为n 的t 分布,记为T ~t (n )./X T Y n=T 的密度函数为：22112()1,.2n n n t x x n n n x π+−+⎛⎫Γ ⎪⎛⎫⎝⎭=+−∞<<∞ ⎪⎛⎫⎝⎭Γ ⎪⎝⎭1908年英国统计学家W.S. Gosset （笔名Student ）t分布的密度函数图T~t(n)t 分布的上α分位点设T ~t (n ),其密度函数为f (x ),对于给定的正数α(0<α<1),称满足条件(){()}()t n P T t n f x dt ααα+∞>==⎰的点t α(n )为t 分布的上α分位点.f (x )xt α(n )αt *0f (x )1-αx-t *t 分布的双侧α分位点设T ~t (n ),其密度函数为f (x ),对于给定的正数α(0<α<1),称满足条件*{||}1P T t α<=−的数t *为t 分布的双侧α分位点.α/2t 分布的密度函数f (x )是偶函数，故**()()P T t P T t ≤−=≥***(||)()P T t P t T t <=−<<*(),2P T t α≥=于是得即*()2P T t α>=**()()P T t P T t =<−≤−**(1())()P T t P T t =−≥−≥*12()1,P T t α=−≥=−= t α/2(n )t 分布的性质(1) 其密度函数f (x )是偶函数(3) f (x )的极限为N (0,1)的密度函数,即221lim ()()2x n f x x e φπ−→∞==(2)t 1−α(n )= −t α(n )当n >45时,t α(n )≈z α例：设X , Y 1,Y 2,Y 3,Y 4 相互独立,且X ～N (2,1),令Y i ～N (0, 4),i =1, 2, 3, 4 ,解：∵X -2～N (0, 1),～t (4),即Z 服从自由度为4 的t 分布.求Z 的分布.由t 分布的定义Y i /2～N (0, 1),i = 1, 2, 3, 4 . ,)2(4412∑=−=i iY X Z ∑=−=412)2(4i i Y X Z 4)2(2412∑=−=i i Y X例：设随机变量X 与Y 相互独立，X ~ N (0,16),Y ~ N (0,9) , X 1, X 2,…, X 9与Y 1, Y 2 ,…, Y 16分别是取自X 与Y 的简单随机样本,求统计量所服从的分布.解：)169,0(~921⨯+++N X X X )1,0(~)(431921N X X X +++⨯ 2162191YY XX Z ++++=从而16,,2,1,)1,0(~31=i N Y i )16(~3122161χ∑=⎪⎭⎫ ⎝⎛i i Y 2162221921Y Y Y X X X ++++++ ()16314311612921∑=⎪⎭⎫ ⎝⎛+++⨯=i i Y X X X )16(~tt分布用于在小样本(n<30)场合下的正态分布(大样本(n≥30)场合下可以用正态分布来近似),有时候在信息不足的情况下,只能用t分布,比如在总体方差不知的情况下,对总体均值的估计和检验通常要用t统计量.12222,()2(),0()()()220,0m n m m nm n x x m nm n n m x m n f x x +−−+⎧Γ⎪+>⎪=⎨ΓΓ⎪⎪≤⎩F 的密度函数为:所服从的分布为第一自由度为m ，第二自由度为n 的F 分布，记作F ~ F (m , n ).4、F 分布则称统计量F 分布多用于比例的估计和检验！nY mX F =定义：设随机变量X 与Y 独立，且X~χ2(m),Y~χ2(n),F 分布的密度函数图F~F(m,n)F 分布的上α分位点设F ~F (m ,n ),其密度函数为f (x ),对于给定的正数α(0<α<1),称满足条件ααα==>⎰+∞dx x f n m F F P n m F ),()()},({的点F α(m ,n )为F 分布的上α分位点.0f (x )F α(m ,n )αxF 分布的性质(1) 若F ~F (m ,n )，则(2)()~,1F F n m ),(1),(1m n F n m F αα=−}),(11{1n m F F P α−≤=∵1−α=P {F ≥F 1−α(m ,n )}}),(11{11n m F F P α−>−=αα=>⇒−}),(11{1n m F F P ),(),(11m n F n m F αα=⇒−（3）若X ~ t (n ), 则X 2~ F (1, n );mX nY F=1例：设F ~ F (24, 15) ,求F 1,F 2,F 3,使其分别满足P (F >F 1 )= 0.025 , P (F <F 2 )= 0.025 , P (F >F 3 )= 0.95 .解：(1)由m =24，n =15，α= 0. 025 ，查P192 附表6(2)无法直接查表获得,但由F 分布性质知1/F ~F (15, 24)，查附表6知(3) ∵F 3 =F 0. 95(24,15), 查附表6知：∴ F 2 = 1/2.44 = 0.41 ; 由性质(2)知,025.0)11()(22=>=<F F P F F P 1F 2=F 0.025(15,24)=2.44⇒P(F <1/2.44)=0.025F 0.05(15,24)=2.11,,)24,15(1)15,24(95.0195.0−=F F .474.011.213==∴F 知F 1= F 0.025 (24, 15)= 2.70 ;抽样分布定理1. 单个正态总体的抽样分布2. 两个正态总体的抽样分布定理：设X 1,X 2,...,X n 是来自正态总体N (μ,σ2)的样本,则1. 单个正态总体的抽样分布(1)),(~2n N X σμ)1,0(~N n X σμ−⇒(2)与S 2相互独立X (3))1(~)1(222−−n S n χσ(4))1(~−−n t n S X μ1σ2n(X i −μ)2~χ2(n)(5)(1)∑==ni i X n X 11)1,0(~N n X σμ−⇒为n 个相互独立的正态X ∴服从正态分布∑==ni i X E n X E 1)(1)(=μ∑==n i i X D n X D 12)(1)(n2σ=),(~2n N X σμ∴随机变量的线性组合(4)),1,0(~N n X σμ− 且它们相互独立由t 分布的定义,)1(~1)1(22−−−−n t n S n nX σσμ)1(~−−n t n S X μ即22)1(σS n −~χ2(n −1)例：设(X 1,X 2,…,Xn )是取自总体X 的样本, 是样本均值,如果总体X ~N (μ,4),则样本容量n 应取多大才能使X 95.0}1.0|{|≥≤−μX P 解:)1,0(~ N n X σμ− }21.02||{}1.0|{|n n X P X P ≤−=≤−∴μμ}05.02)(05.0{n X n n P ≤−≤−=μ)05.0()05.0(n n −Φ−Φ=1)05.0(2−Φ=n ≥0.95975.0)05.0(≥Φ⇒n 96.105.0≥⇒n ⇒n ≥1536.64⇒n ≥1537解：),1(~)1(222−−n S n χσ由),,(~2nN X σμ又()⎪⎭⎫⎝⎛+−+n n N X X n 211,0~σ)1,0(~11N n n X X n +−+σ故212(1)~(1)1(1)n X Xn n St n n n σσ+⎛⎫−−−⎪+−⎝⎭于是)1(~11−+−+n t n nS X X n 即例：总体X ~N (μ,σ2)，(X 1,X 2,…,X n ,X n +1)为样本，，求X n+1−തX S n n+1的分布.S 2=1n −1i=1n(X i −തX)2തX=1n i=1nX i定理：设总体X ~N (μ1,σ12),总体Y ~N (μ2,σ22).X 1,X 2,...,是总体X 的样本,Y 1,Y 2,...,是总体Y 的样本, 且这两个样本相互独立.则1n X 2n Y 2. 两个正态总体的抽样分布(1)),(~22212121n n N Y X σσμμ+−−(2))1,1(~2122222121−−n n F S S σσ)2(~11)()(212121−++−−−n n t n n S Y X ωμμ其中2)1()1(212222112−+−+−=n n Sn S n S ω称为混合样本方差.进一步,若σ12=σ22 =σ2,有(3)),(~221221n n N Y X σσμμ+−− )1,0(~11)()(2121N n n Y X +−−−∴σμμ2211)1(σSn −~χ2(n1−1),2222)1(σSn −~χ2(n2−1)且它们相互独立22222211)1()1(Sn Sn −+−∴~χ2(n1+n 2−2)由t 分布的定义,2)1()1(11)()(21222222112121−+−+−+−−−n n Sn Sn n n Y X σσσμμ22221121112)1()1()()(n n n n Sn S n Y X +−+−+−−−−μμ即~t (n 1+n 2−2)~t (n 1+n 2−2)小结1.理解总体、个体、样本和统计量的概念,掌握样本均值和样本方差的计算及基本性质2.掌握 2分布、t分布、F分布的定义,会查表计算3.理解正态总体的某些统计量的分布。
抽样分布的概念及重要性
抽样分布的概念及重要性抽样分布是统计学中一个重要的概念，它描述了从总体中抽取样本的过程中，统计量的分布情况。
在统计学中，我们通常无法对整个总体进行研究，而是通过抽取样本来推断总体的特征。
抽样分布的概念帮助我们理解样本统计量的变异性，并为统计推断提供了理论基础。
本文将介绍抽样分布的概念及其重要性。
一、抽样分布的概念抽样分布是指在相同条件下，重复从总体中抽取样本，并计算样本统计量的分布情况。
在抽样过程中，每次抽取的样本可能不同，因此样本统计量也会有所不同。
抽样分布描述了这些样本统计量的分布情况。
常见的抽样分布包括正态分布、t分布和F分布。
其中，正态分布是最常见的抽样分布，它在大样本情况下逼近于正态分布。
t分布适用于小样本情况，它相对于正态分布具有更宽的尾部。
F分布用于比较两个样本方差是否相等。
二、抽样分布的重要性1. 参数估计抽样分布为参数估计提供了理论基础。
在统计学中，我们通常通过样本统计量来估计总体参数。
抽样分布告诉我们，样本统计量的分布情况，从而帮助我们确定参数估计的可靠性和精确度。
例如，通过样本均值来估计总体均值，我们可以利用抽样分布计算置信区间，从而确定估计值的范围。
2. 假设检验抽样分布在假设检验中起着重要的作用。
假设检验是统计学中常用的推断方法，用于判断总体参数是否满足某种假设。
抽样分布提供了计算检验统计量的分布情况，从而帮助我们确定拒绝域和计算p值。
通过与抽样分布进行比较，我们可以判断样本统计量是否显著，从而对总体参数进行推断。
3. 抽样方法选择抽样分布对于选择合适的抽样方法具有指导意义。
不同的抽样方法会对样本统计量的分布产生影响。
通过了解抽样分布的特点，我们可以选择合适的抽样方法，从而提高样本的代表性和可靠性。
例如，在总体分布未知的情况下，我们可以选择使用无偏估计的抽样方法，以减小抽样误差。
4. 统计模型建立抽样分布为统计模型的建立提供了基础。
在建立统计模型时，我们通常需要假设样本统计量服从某种分布。
生物统计学课件--3正态分布和抽样分布
变为
n
t
x
s
n
u 符合 N（0，1）分布， t 则不服从标准正态分布，
而是服从具有（n-1）自由度的 t 分布，其中 s
称为样本标准误差。 精选ppt课件
n
28
t 分布的密度函数 ：
fd f(t)
(df1) 2
(1t2
d f1
)2
df()(df) df
2
t
精选ppt课件
29
t 分布也是一种对称分布，它只有一个参量，即自由度，以 df 表示。
当152<X<162时，
P(152X16) 2(161 25.26 )(151 25.26 )
4.82
4.82
(1.2)(0.8)70.8840 9.13921 0.65927
精选ppt课件
19
五、正态分布的分位数
1、单侧分位数 上侧分位数： 当 P(Uu)时的 u 下侧分位数： 当 P(Uu)时的 u
本容量进行抽样，求出 x1,s12;x2,s22
研究
x1 x2
和
s
2 1
s
2 2
形的不同而不同。
附表 2 列出了对于 -2.99 U 2.99时的（u）的值。
附表2 正态分布表
u
0 .0 0
0 .0 1 0 .0 2 0 .0 3 0 .0 4 0 .0 5
-1 .2 0 .11 5 0 7 0 .11 3 1 4 0 .111 2 3 0 .1 0 9 3 5 0 .1 0 7 4 9 0 .1 0 5 6 5
0.05
u0.05
2、双侧分位数
当 P(U u)
2
时的 u
正态总体的抽样分布
2π −∞
−
3
x2 ∞−
x2
∫ xe 2 d (− ) = −
2π −∞
2
∫ 3
∞
x2 −
xde 2
=−
2π −∞
3 2π
⎛ x2 −
⎜⎜ xe 2 ⎝
+∞
⎞ ⎟⎟ ⎠ −∞
∫ ∫ + 3
x2 ∞−
e 2 dx =
3
x2 ∞−
e 2 d(
x
)=
3
2π −∞
π −∞
2
f
(x)
χ
2 n
分布分位点
对于给定的 α∈(0,1), 称满足条件
{ } ∫ α P
χ
2 n
>
χ
2 n
(α
)
∞
=
f (x)dx =
χn2 (α )
的点 χn2(α)为 χn2分布的上(右)α分位点。
χn2 分布上α 分位点有表可查见附表4。
n = 10 α
χ•210(0.005)
例如 由P215查得
P
(
χ
由度为n的F分布，F ~ Fm,n 又称：df1 = m, df2 = n.
其密度函数为：
f (x)
=
⎛ ⎜ ⎜ ⎜ ⎜ ⎜⎜⎝
Γ
⎛ ⎜⎝
m
+ 2
Γ
⎛ ⎜ ⎝
m 2
⎞ ⎟ ⎠
Γ
0，
n⎞ ⎟⎠
⎛n⎞
⎛ ⎜⎝
m n
π
⎞2 ⎟ ⎠
x
π 2
−1
⎛⎜1
+
⎝
m n
正态总体的常用抽样分布
特点
卡方分布在正态分布两侧有更多的面 积，即其尾部比正态分布更重。随着 自由度n的增加，卡方分布趋近于正 态分布。
04
抽样分布的应用
参数估计
1 2
参数估计
通过抽样分布，我们可以估计总体参数，如均值 和方差。常用的估计方法有矩估计和最大似然估 计。
置信区间
基于抽样分布，我们可以构建总体参数的置信区 间，从而对总体参数进行区间估计。
03
样本方差的数学期望等于总体方差，其方差随 着样本量的增加而减小。
样本偏度与峰度
样本偏度是总体偏度的无偏估计，用于衡量数据的对称性。 样本峰度是总体峰度的无偏估计，用于衡量数据分布的尖锐程度。 在正态分布中，偏度和峰度均为0，但在非正态分布中，偏度和峰度可能不为0。
03
其他常用抽样分布
t分布
中心极限定理
中心极限定理的基本思想
中心极限定理表明，无论总体分布是什么类型，只要样本量足够大，从该总体中随机抽取的样本均值将趋近于正 态分布。这意味着我们可以利用正态分布的性质来分析和推断样本均值。
中心极限定理的应用
中心极限定理在统计学中具有广泛的应用价值。例如，在制定置信区间、假设检验和回归分析等统计方法时，都 需要利用中心极限定理来处理样本数据和推断总体参数。因此，正确理解和应用中心极限定理对于统计推断的准 确性和可靠性至关重要。
THANKS
样本量大小的影响
样本量大小
样本量的大小对抽样分布的形状和稳 定性有显著影响。随着样本量增加， 抽样分布的形状逐渐接近正态分布， 且分布的离散程度逐渐减小。
样本量与精度
样本量越大，估计的精度越高，即估 计的参数值越接近真实值。因此，在 制定抽样计划时，应充分考虑样本量 的大小，以确保估计的精度满足要求。
生物统计学课件-3正态分布和抽样分布
近似性
当样本量足够大时，样本 统计量近似服从正态分布。
抽样分布在生物学中的应用
01
实验设计
在生物学实验中，常常需要从总体中随机抽取一定数量的样本进行实验，
以评估实验结果的可重复性和可靠性。抽样分布理论为实验设计提供了
理论基础。
02
数据处理和分析
在生物学数据分析和统计推断中，常常需要利用样本统计量来估计总体
生物统计学课件-3正态分布 和抽样分布
目录
• 正态分布 • 抽样分布 • 正态分布与抽样分布的关系 • 实例分析
01
正态分布
正态分布的定义
正态分布是一种连续概率分布，其概率密度函数呈钟形，对称轴为均值所在直线。
在正态分布中，数据点在均值附近最为集中，向两侧逐渐减少，形成钟形曲线。
正态分布是自然界和人类社会中最为常见的分布形态之一，许多随机变量都服从或 近似服从正态分布。
02
抽样分布
抽样分布的定义
01
02
03
抽样分布
描述样本统计量（如样本 均值、样本方差等）的概 率分布。
样本统计量
从总体中随机抽取的样本 所计算出的各种统计指标， 如样本均值、样本方差等。
总体
研究对象全体个体的集合。
抽样分布的性质
独立性
样本统计量之间相互独立。
随机性
样本统计量的取值具有随 机性。
中心极限定理
在大量独立随机抽样的前提下，不论总体分布如何，样本均值的分布趋近于正态分布。
样本均值的方差与总体方差的关系
样本均值的方差随着样本量的增加而趋近于总体方差的1/n，其中n为样本量。
正态分布与抽样分布的区别
定义不同
正态分布是对总体特征的描述，而抽样分布是对样本统计 量的描述。
第3节 正态总体下的抽样分布定理
(4) X和S2相互独立.
数理统计
n取不同值时 (n 1)S 2 的分布
2
数理统计
n取不同值时样本均值 X 的分布
数理统计
推论 设X1,X2,…,Xn是取自正态总体 N (, 2 )
的样本, 则有
X和S2 分别为样本均值和样本方差,
X ~ t(n 1)
Sn
X ~ N (0,1), / n
证
(1)
由定理2,
X
~
N (1
,
2 1
n1
)，
Y
~
N (2
,
2 2
n2
)，
且 X 与Y 相互独立，由正态分布的可加性,可得
X
Y
~
N (1
2
,
2 1
n1
2 2
)
.
n2
标准化,即得
U ( X Y ) (1 2 ) ~ N (0,1) .
2 1
2 2
n1 n2
10
数理统计
(2) 由定理2,
(n1
数理统计
第三节 正态总体下的抽样 分布定理
数理统计
定理1 设总体 X 的均值和方差均存在,EX ,
DX 2 ,对样本 ( X1, X2 ,, Xn ) 及其样本均值 X 和样本
方差 S2 ,
有 E(X) ,
2
D( X )
，
E(S2) 2
.
n
证 X1, X 2 ,, X n 相互独立,且与总体 X 同分布,故有
8
定理3
设两个正态总体 X
~
N
(
1
,
2 1
)
,Y
~
三大抽样分布
F(n1, n2)为F(n1, n2)的上侧分位点；
1 注： F1 (n1 , n2 ) F (n2 , n1 )
F (n1 , n2 )
若X 1 , Y1 ,
, X n1 来自正态总体X, X ~ N ( 1 , 12 ),
2 , Yn2 来自正态总体Y, Y ~ N ( 2 , 2 ), 且两样本独立.
当
2 ( n)
2.t 分布
关于t分布的早期理论工作，是英国统计学家威廉· 西利· 戈塞 特（Willam Sealy Gosset）在1990年进行的。 t分布是小样本分布，小样本一般是指n＜30。t分布适用于 当总体标准差未知时用样本标准差s代替总体标准差σ，由
样本平均数推断总体平均数及两个小样本之间差异的显著性
χ2 分布是海尔墨特（Hermert）和卡· 皮尔生（K· Pearson） 分别于1875年和1890年导出的。它主要适用于对拟合优度检 验和独立性检验，以及对总体方差的估计和检验。 χ2 分布是一种抽样分布。当我们对正态随机变量随机地重 复抽取个数值，将每一个值变换成标准正态变量，并对这个 新的变量分别取平方再求和之后，就得到一个服从χ2分布的 变量，即
F分布的主要性质有： ①F分布是一种非对称的分布，呈右偏态； ② F分布两个自由度：n1-1和n2-1，相应的分布记作F(n1-1,n2-
1)。通常n1-1称为分子自由度， n2-1称为分母自由度。
③随n1,n2的不断增大，F分布的右偏程度逐渐减弱，但不会趋向 正态；
④具有倒数性质即若X～F(n1,n2)，则1/X～F(n1,n2)；
(4) t 分布是一个分布族，对于不同的样本容量对应不同的 分布，且均值都为0；随着自由度的增大，分布也逐渐趋 于标准正态分布。
正态总体的常用抽样分布
么么么么方面
• Sds绝对是假的
返回 上页 下页 结束
(4) 当
未知时,
其中
8
返回 上页 下页 结束
例1 设总体 X的一个样本. 统计量
为来自总体
试确定C, 使CY 服从 分布, 并指出其自由度.
解 因为
从而有
即
故
自由度为2.
9
返回 上页 下页 结束
例2 设
与
分别为来自
正态总体
和
的样本, 且X和Y
则有
2
返回 上页 下页 结束
定理1 设
为来自总体
的样本, 与 分别是样本均值和样本方差. 则有
ห้องสมุดไป่ตู้
(1) 与 相互独立;
(2)
(3)
推论 设
为来自总体
的样本, 是样本均值. 则有
3
返回 上页 下页 结束
定理2 设
为来自总体
的样本, 与 分别是样本均值和样本方差. 则有
证明 由定理1和推论, 有
且两者相互独立. 由t分布定义可知
相互独立. 试判断以下统计量服从什么分布:
(1)
(2) 解 (1) 因为
10
返回 上页 下页 结束
由 分布的可加性可知
即
(2) 由题设条件和正态分布的性质可得
从而有
11
返回 上页 下页 结束
由正态分布的性质可得 即 从而有 又因为
12
返回 上页 下页 结束
并且U和V相互独立, 由F 分布的定义可得
化简可得结论成立.
4
返回 上页 下页 结束
二. 两个正态总体的样本均值差和样本方差比的分布
定理3 设
常用的三种抽样分布
常用的三种抽样分布
概述
在统计学中，抽样分布是指从总体中抽取一定数量的样本，并计算样本统计量的分布。
根据中心极限定理，当样本数足够大时，样本的均值和标准差会呈正态分布。
然而，并非所有的抽样分布都符合正态分布。
本文将介绍统计学中常用的三种抽样分布，包括正态分布、t分布和χ²（卡方）分布。
1. 正态分布（Normal Distribution）
正态分布是最常见的一种抽样分布，也被称为高斯分布。
它具有以下特点： - 均值为μ，标准差为σ； - 对称分布，其曲线呈钟型，两侧尾部逐渐下降； - 总体分布和抽样分布均为正态分布； - 标准正态分布
的均值为 0，标准差为 1。
可以通过标准化计算将任意正态分布转换为标准正态分布。
正态分布在实际应用中非常重要，尤其是在假设检验和置信区间计算中的应用广泛。
2. t分布（Student’s t-Distribution）
t分布是由英国统计学家William Sealy Gosset（也被称为。
抽样分布公式的详细整理
抽样分布公式的详细整理抽样分布是统计学中的一个重要概念，它描述的是在特定条件下，从总体中抽取的样本所形成的样本统计量的分布情况。
在实际应用中，我们常常需要根据已知的总体参数来估计未知的总体参数。
此时，抽样分布公式能够帮助我们进行相应的推断统计。
以下是常见的抽样分布公式的详细整理：1. 抽样分布公式在统计学中，常见的抽样分布公式有以下几种：1.1. 正态分布如果总体近似服从正态分布，那么从中抽取的样本均值就近似服从正态分布。
抽样分布公式如下所示：\[ \bar{X} \sim N(\mu, \frac{\sigma}{\sqrt{n}}) \]其中，\(\bar{X}\) 表示样本均值，\(\mu\) 表示总体均值，\(\sigma\)表示总体标准差，\(n\) 表示样本量。
1.2. t分布在实际应用中，当总体近似服从正态分布但总体标准差未知时，我们使用t分布进行推断统计。
抽样分布公式如下所示：\[ t = \frac{\bar{X} - \mu}{\frac{s}{\sqrt{n}}} \]其中，\(\bar{X}\) 表示样本均值，\(\mu\) 表示总体均值，\(s\) 表示样本标准差，\(n\) 表示样本量。
1.3. 卡方分布在某些情况下，我们需要估计总体方差或总体标准差，此时可以使用卡方分布进行推断统计。
抽样分布公式如下所示：\[ \chi^2 = \frac{(n-1)s^2}{\sigma^2} \]其中，\(\chi^2\) 表示卡方统计量，\(s\) 表示样本标准差，\(\sigma^2\) 表示总体方差，\(n\) 表示样本量。
1.4. F分布在某些情况下，我们需要进行总体方差比较或回归分析，此时可以使用F分布进行推断统计。
抽样分布公式如下所示：\[ F = \frac{MSB}{MSW} \]其中，\(MSB\) 表示组间平均平方和，\(MSW\) 表示组内平均平方和。
2. 应用案例为了更好地理解抽样分布公式的应用，以下是一个具体的案例：假设我们从一批电子产品中随机抽取了20个样品，测得平均寿命为3000小时，样本标准差为200小时。
正态总体下的抽样分布
中心极限定理是抽样分布的理论基础， 它表明无论总体分布是什么，只要样 本量足够大，样本均值的分布近似正 态分布。
样本均值的性质
无偏性
样本均值的数学期望等于总体均值， 即$text{E}(bar{x}) = mu$。
最小方差性
在所有可能的样本统计量中，样本均 值具有最小的方差，即 $text{Var}(bar{x}) = frac{sigma^2}{n}$。
数学表达式
正态分布的数学表达式为$f(x) = frac{1}{sqrt{2pisigma^2}} e^{-frac{(x-mu)^2}{2sigma^2}}$，其中$mu$是均值， $sigma$是标准差。
抽样分布的概念
抽样分布
抽样分布描述的是从某一总体中随机 抽取一定数量的样本后，这些样本统 计量（如均值、方差等）的分布情况。
大样本下样本方差的分布
卡方分布
在大样本下，样本方差通常呈现卡方分布。
方差的无偏估计
在大样本下，样本方差是总体方差的无偏估计。
方差的同方差性
在大样本下，来自不同总体的样本方差通常具有同方差性，即它们具有相同的 方差。
04
小样本下的抽样分布
小样本的定义
小样本是指从总体中随机抽取的样本 量较小，通常在30个样本以下。
THANKS
感谢观看
正态分布的性质
Байду номын сангаас01
02
03
集中性
正态分布的曲线关于均值 所在直线对称，数据值主 要集中在均值附近。
均匀性
正态分布的曲线在均值两 侧均匀下降，且下降速度 逐渐减缓。
平坦性
正态分布的曲线在均值的 两侧逐渐接近水平线，表 现出平坦的趋势。
第三章 正态分布与抽样分布
图3-5 正态分布的概率
关于正态分布，有几个概率应记住： 关于正态分布，有几个概率应记住： 一般正态分布： 一般正态分布：
P（µ－1.96σ≤x＜µ+1.96σ）＝0.95 1.96σ≤x＜µ+1.96σ）＝ ）＝0.95 P（µ－2.58σ≤x＜µ+2.58σ）＝0.99 2.58σ≤x＜µ+2.58σ）＝ ）＝0.99 P（µ－σ≤x＜µ+σ）＝0.6826 σ≤x＜µ+σ）＝ ）＝0.6826 P（µ－2σ≤x＜µ+2σ）＝0.9545 2σ≤x＜µ+2σ）＝ ）＝0.9545 P（µ－3σ≤x＜µ+3σ）＝0.9973 3σ≤x＜µ+3σ）＝ ）＝0.9973
对于大样本资料，常将样本标准差S 对于大样本资料，常将样本标准差S 与样本均数配合使用，记为 X ± S ，用 与样本均数配合使用， 以说明所考察性状或指标的优良性与稳 定性。对于小样本资料， 定性。对于小样本资料，常将样本标准 误 SX 与样本均数 X 配合使用，记 配合使用， 为 X ± S ，用以表示所考察性状或指 标的优良性与抽样误差的大小。 标的优良性与抽样误差的大小。
学上已证明 总体的两个参数与x总体的两 总体的两个参数与x 个参数有如下关系： 个参数有如下关系：
µx = µ
σx =
σ
n
表 X 的抽样分布形式与原总体X分布形式的关系 的抽样分布形式与原总体X
2.2 均数标准误
均数标准误 σx = 的大小反映样本均数 X n 抽样误差的大小 标准误大， 的大小。 的抽样误差的大小。标准误大，说明各样本均 间差异程度大；反之，亦然。 数 X 间差异程度大；反之，亦然。 在实际工作中，总体标准差σ往往是未知的， 在实际工作中，总体标准差σ往往是未知的， σx 此时，可用样本标准差S 因而无法求得 。此时，可用样本标准差S估 S 于是， 计σ 。于是，以 估计 n 。记σx 为 n， S SX 称作样本标准误或均数标准误。 称作样本标准误或均数标准误。 是均数抽样 SX 误差的估计值。 误差的估计值。
抽样分布的名词解释
4.F分布：F分布是指F统计量的分布情况。F分布常用于F检验，用于比较两组样本的方差差异是否显著。
抽样分布的类型和使用场景不同，但都在统计学中扮演着重要的角色。通过对抽样分布的了解，可以帮助我们更加准确地进行统计分析，更好地掌握数据的分布情况。
抽样分布是指根据总体数据的抽样结果的分布情况。在统计学中，通过对样本的观察，可以推断出总体的分布情况。
常见的抽样分布包括正态分布、t分布、卡方分布、F分布等。
1.正态分布：正态分布是指数据呈现出高峰在中间，两侧逐渐递减的分布形态。正态分布常用于表示自然界中许多变量的分布情况，例如人群身高、体重等。
2.t分布：t分布是指在总体方差未知的情况下，样本方差的分布情况。t分布常用于统计分析中的t检验，用于比较两组样本的差异是否显著。
2.5 正态总体的抽样分布
Yi ai j , i 1, 2, , n,
j 1
故Y1，Y2，...，Yn仍为正态随机变量，且
E (Yi ) aij E ( Z j ) 0.
j 1
n
由
0, i j , cov( Z i , Z j ) ij 1, i j ,
n n
i 1, 2, , n,
53.852 50.852 (1.7143) (1.1429) 6.3/ 6 6.3/ 6 0.8239
定理2 设 X ~ N ( , 2 ), X 1 , X 2 , , X n 为X的样本，则
2
证明
Yi N (0,1),
而
i 1, 2, , n. 1 Z j nZ , n
n i 1
Y1 a1 j Z j
j 1 j 1 n
n
n
2 T T T T T 2 Y Y Y ( AZ ) ( AZ ) Z ( A A ) Z Z Z Z i i, i 1
2 例6 设总体 X ~ N ( , )，从总体中抽取样本 X 1 , X 2 , , X n , X n 1 , 记 n 2 1 n 1 2 X n X i , Sn Xi X , n i 1 n 1 i 1 证明统计量
n X n 1 X n t (n 1). n 1 Sn
X 1 , X 2 , , X n为X的样本， 定理4 设总体 X ~ N ( , 2 ) ， 样本均值和样本方差分别为 X 和 S 2 ，则随机变量 X t n ~ t ( n 1). S X N 0,1， 证明 根据定理1，可得 u / n
第54讲随机抽样正态分布
点评求此概率需将问题化为正态随机变
题型三 频率分布表与频率分布直方图
( 表示纤维粗细的一种量 ) 共有100 个数据， 数据分组如下表
分 组 [1.30, [1.34 [1.38 [1.42 [1.46 [1.50 合计 , , , , , 1.34) 1.38 1.42 1.46 1.50 1.54 ) ) ) ) ) 4 25 30 29 10 2 100
点评1. 解答本题时，第 (1) 问首先需计
题型三 样本的数字特征估计总体
行了6次测试，测得他们的最大速度(m/s)的数据 如下表：
甲 乙 27 33 38 29 30 38 37 34 35 28 31 36
例3 对甲、乙两名自行车赛手在相同条件下进
(1)画出茎叶图,由茎叶图你能获得哪些信息? (2) 分别求出甲、乙两名自行车赛手最大速 度 (m/s) 数据的平均数、中位数、标准差，并判 断选谁参加比赛更合适.
(3)正态曲线的性质
(ⅰ)曲线在x轴的上方，与x轴不相交；
(ⅱ)曲线关于直线x=μ对称；
（ⅲ）曲线在x=μ时位于最高点；
（ ⅳ ）当 x<μ 时，曲线上升；当 x>μ 时 , 曲线下降 , 并且当曲线向左、右两边无限延 伸时,以x轴为渐近线向它无限靠近；
（ⅴ）当μ一定时，曲线的形状由σ确定， σ 越大，曲线越“矮胖”，表示总体的分布 越分散； σ 越小，曲线越“瘦高”，表示总 体的分布越集中.
因为Eη=0,Dη=1,Eξ=-5,Dξ=4,
而Eη=E(aξ+b)=aEξ+b,Dη=D(aξ+b)=a2Dξ. 又a>0,所以 所以η=
1 ξ+ 2
-5a+b=0 4a2=1
第54讲随机抽样正态分布
则新数据的平均数x是-3.1 ,方差s是2 .
设=
1 n
(x1+x2+…+xn),
则
x?=
1［(x
n
1-3.1)+(x
2-3.1)+…+(x
n-3.1)］
=-3.1.
s′ 2=
? 1
n
n
(xi′-
i?1
)2x?
? 1 n
新课标高中一轮总复习
理数
第七单元 计算原理、概率与统计
第54讲
随机抽样、正态分布
1.了解分布的意义和作用，会列频 率分布表，会画频率分布直方图、频率 折线图、茎叶图，理解它们各自的特点 .
2.理解样本数据标准差的意义和作 用，会计算数据标准差.
3.能从样本数据中提取基本的数字 特征（如平均数、标准差），并做出合 理的解释.
(4)总体密度曲线：随着样本容量的增加 , 作频率分布折线图时所分的组数增加 ,组距减 小,相应的频率折线图会越来越接近于一条光 滑曲线,则称这条光滑曲线为总体密度曲线.
(5)茎叶图：中间的数字表示数据的十位 数字，旁边的数字分别表示两组数据中各个 数据的个位数字.
3.抽样方法
(1)简单随机抽样：从含有 N个个体的总 体中逐个不放回地抽取 n 个个体作为样本 (n≤N)，如果每次抽取时总体内的各个个体 被抽到的机会都相等，就把这种抽样方法叫 做③ 简单随机抽样 .有两种常用方法：
点评求此概率需将问题化为正态随机变
量的几种特殊值的概率形式，然后利用 对称性求解.
题型三 频率分布表与频率分布直方图
例3在生产过程中，测得纤维产品的纤度
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
总体分布：总体内个体数值的次数分布 样本分布：样本内个体数值的频数分布 抽样分布：某一种统计量的
1 ～ 13 号 81 99 66 98 55 92 100 84 69 74 77 66 100 14 ～ 25 号 84 100 68 59 71 60 94 91 92 95 78 84 一共可以抽取 255 = 9765625 个样本，每个样本都有一个平均 数，了解样本平均数的次数分布规律，以便更好地对总体均值 进行估计或推断。
[例]
为方便举一很小的总体：1 1 1 1 2 2 2 3 3 4，这是一个 正偏态分布，其均值为2，方差为1。我们从这一总体里抽 取出容量为 2 的所有样本， 则有（下页）。
作业：
24，25，28，30
抽样分布--本节简介
抽样误差：由于抽样随机性而导致样本统计量和总体参数 不一致，即样本对总体的代表性误差。
抽样分布－－示例
区分三种不同性质的分布
本节主要内容： 样本平均数服从什么分布？ 两个样本平均数之差服从什么分布？ 样本方差服从什么分布？ 两样本方差之比服从什么分布？ 等
区分三种不同性质的分布
一、正态分布及渐进正态分布
⑴总体正态分布，且方差（σ2）已知，则一切可能样本平 均数的分布也呈正态分布，且有：
X
X
2 2 X n
X X Z X n
( X 标准误，或SE)
2
n
n
⑵方差（σ2）已知，总体不呈正态分布，样本容量n够大 （n>30），则一切可能样本的平均数趋近正态分布，同上。 示例