第5章 几种常见概率分布

第5、6、7章
概率分布、抽样分布及参数估计
Probability Distributions & Sampling Distributions
& Parameter Estimation
Wednesday, January 16, 2019
Statistical Research Office
1
本部分主要研究的问题有：
● 遵循随机性原则 --- 体现在在每一层抽选中；
● 每一层内应包含足够多的个体；
● 在同等条件下，抽样误差要小于简单随机抽 样和系统抽样的抽样误差。
Wednesday, January 16, 2019 Statistical Research Office 12
Wednesday, January 16, 2019
Statistical Research Office
7
●
常用的随机抽样组织方式
► 简单随机抽样（Simple random sampling)
►分层随机抽样（Stratified sampling)
►系统随机抽样（Systematic sampling)
►整群随机抽样 (Cluster sampling) 常用的随机抽样方法： ►重复抽样 (Sampling with replacement) ►不重复抽样（Sampling without replacement)
8
Wednesday, January 16, 2019
Statistical Research Office
★ 简单随机抽样 -定义：从总体中，按照随机的原则，使得总体 中每个个体都有同等被选中的机会，而先后抽 出的n个个体作为一个容量为n的样本。

加法法则
P ( − Eξ ε ) = ξ ≥
P(ξ ≥ Eξ + ε ) + P (ξ ≤ Eξ − ε )
k
=
≤
k : xk ≥ E +
∑ξ ε p
k
+
k : xk ≤ E −
∑ξ ε p
pk +
k :xk ≥ E +
∑ξ ε
( x − Eξ ) 2
ε
2
k :xk ≤ E −
∑ξ ε
( x − Eξ ) 2
， 方差 Dξ n ( n = 1, 2,L)，且 Dξi < l (i = 1, 2,L) 其中 l 与 i 无关的
1 Eξ = (1 + 2 + 3 + L + 6) 6
35 7 故 Eξ = Dξ = 12 2
4 2 = P (ξ = 5) + P(ξ = 6) + P (ξ = 1) + P (ξ = 2) = = 6 3 7 1 P( − 2 ) = P(ξ ≥ 5.5) + P(ξ ≤ 1.5) = P (ξ = 6) + P (ξ = 1) = ξ ≥
即
lim P ( − p < ε ) = 1 n →∞ n
ξ
此定理表明：当试验在不变的条件下重复进行很多次时， 随机事件的频率 频率在它的概率 概率附近摆动。 频率 概率 由贝努里大数定律可知，若事件A的概率很小很小时，则 它的频率也很小很小，即事件A很少发生或几乎不发生， 这种事件叫小概率事件。反之，若随机事件的概率很接近1， 则可认为在个别试验中这事件几乎一定发生。 同分布的两个或多个随机变量: 同分布的两个或多个随机变量 离散型: 它们的概率分布律相同. 离散型 它们的概率分布律相同 连续型: 它们的概率密度函数相同. 连续型 它们的概率密度函数相同 所以它们的期望与方差一定相同. 所以它们的期望与方差一定相同

一、常见数据类型在正式的解释分布之前，我们先来看一看平时遇到的数据。

数据可大致分为离散型数据和连续型数据。

离散型数据离散型数据顾名思义就是只取几个特定的值。

例如：当你掷骰子的时候，结果只有1,2,3,4,5,6，不会出现类似1.5,2.5。

连续型数据在一个给定的范围内，连续型数据可以取任意值。

这个范围可以是有限的或者是无穷的。

例如：一个人的体重或者身高，可以取值54kg,54.4kg,54.33333kg等等都没有问题。

下面就开始介绍分布的类型。

二、分布类型伯努利分布（Bernoulli Distribution）首先从最简单的分布开始，伯努利分布实际上是一个听起来最容易理解的分布。

伯努利分布一次实验有两个可能的结果，比如1代表success及0代表failure。

随机变量X X一个取值为1并代表成功，成功概率为p p，一个取值为0表示失败，失败概率为q q或者说1−p1−p。

这里，概率分布函数为p x(1−p)1−x px(1−p)1−x，其中x∈(0,1)x∈(0,1)，我们也可以写成如下形式：P(x)={1−p，p，x=0x=1P(x)={1−p，x=0p，x=1成功和失败的概率没必要相同，也就是没必要都是0.5，但是这俩概率加和应该为1，比如可以是下面的图：这个图就是p(success)=0.15，p(failure)=0.85p(success)=0.15，p (failure)=0.85。

下面说一下随机变量的期望，一个分布的期望就是这个分布的均值。

服从伯努利分布的随机变量X X的期望值就是：E(X)=1∗p+0∗(1−p)=p E(X)=1∗p+0∗(1−p)=p服从伯努利分布的随机变量的方差是：V(X)=E(X2)−[E(X)]2=p−p2=p(1−p)V(X)=E(X2)−[E(X)]2=p−p2=p(1−p)还有许多伯努利分布的例子，比如说明天是否会下雨，今天会不会去健身，明天乒乓球比赛是不是会赢。

T X Y n
其中X ~ N(0,1), Y ~ 2(n), 且X与Y相互独立。
0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 -3.5 -1.5 0.5 n=5 2.5 n=20 n=120
t分布的均值为0，方差为n/(n-2)。
3. F分布
F分布变量是由两个2变量之比组成的：
5.1.4 格利文科(Glivenko)定理 （样本分布与总体分布的关系）
格利文科定理：当n趋于无穷大时，Fn(x)依概率1 （关于x）均匀地收敛于总体分布F(x).
格利文科定理的数学表达如下：
P(lim
n x
sup
Fn ( x) F ( x) 0) 1
这表明当n充分大时，样本分布Fn(x)是总体分布F(x) 的一个良好近似。 格利文科定理是用样本特征推断总体特征的依据。
2 2
e
正态分布是一种最常见的分布。通常如果一个随机 变量只受到大量小的独立因素的影响，则它服从正 态分布。
正态分布有许多特点： 例如它是对称的。 正态变量大约有68%的可 能性在离均值一个标准 差的范围内取值； 大约有95%的可能性在离 均值1.96倍标准差的范 围内取值。 几乎不在离均值3倍标准 差以外的地方取值。


s
2
1 n 1
( xi x )
i 1
n
2
5.1.5 随机样本的均值函数
对于随机样本X1, X2, … , Xn, 定义样本的均值函数 （简称为样本均值）为
X
1
X n
i 1
n
n
i
由于式中Xi是随机样本（随机变量），因此作为 随机样本函数的 X 是随机变量 比较样本数据的均值