《概率与数理统计.ppt》由会员分享，可在线阅读，更多相关《概率与数理统计.ppt（14页珍藏版）》请在三一办公上搜索。
1、,6.2 三大统计分布,本节介绍数理统计中的三个著名分布，它们在参数估计和假设检验等统计推断问题中有广泛应用.一、X平方-分布定义6.1 设随机变量 独立且服从相同分布，则称(6-8)所服从的分布是自由度为n的-分布，记为，称 为-变量.为纪念英国著名统计学家皮尔（K.Pearson，1857-1936）,-分布也称为皮尔逊-分布.这是数理统计中一个十分重要的概率分布.根据独立随机变量和的密度公式(3-27)和数学归纳法，可以证明：-分布的概率密度函数为（详见5），（6-9）其中 是-函数，定义见第四章附录2 图6.1是-变量的概率密度函数(6-9)在几种不同参数下的图像.,特别地，当 时，服
2、从参数 的指数分布.此外，-分布具有以下性质：（1）数字特征.若，则，.（2）可加性.若 且 与 独立，则.(6-10),为便于今后的应用，现在我们引入上侧分位数的概念.所谓一个分布的-上侧分位数就是指这样一个数，它使相应分布的随机变量不小于该数的概率为.比如，若记-变量 的-上侧分位数为，则满足（见图6.2）.,对不太大的n，如 60，可用附表3查 的值，而对较大的n，则可用（6-11）近似计算,(6-12)其中 是标准正态分布 的-上侧分位数，可通过附表2查出.,二、t-分布,定义6.2 设，X与Y独立，则称(6-13)所服从的分布是自由度为n的t-分布，记作.t-分布也称为学生分布，是英
3、国统计学家戈塞特（Goset，1876-1937）在1908年“Student”的笔名首次发表的，这个分布在数理统计中也占有重要的地位.根据独立随机变量商的密度公式(3-32)，可以证明（过程从略）：(6-13)中的 概率密度函数为,根据独立随机变量商的密度公式(3-32)，可以证明（过程从略）：(6-13)中 的概率密度函数为,.(6-14)另外，t-分布具有以下性质：（1）（近似标准正态）当 时，这就是说，当n充分大时，t-分布 近似于标准正态分布，但如果n较小，这两个分布的差别还是比较大的，见图6.3，,其中粗虚线是 的密度函数.我们看到，所有的t-分布密度函数值在 附近均未超过的值，而
4、在两边的尾部均超过 了的值.这就是统计学中所谓的“重尾”（Heavy Trails）现象.,（2）（数字特征）若，则 顺便指出，自由度为1的t-分布也称为柯西（Cauchy）分布，它以其数学期望和方差均不存在而闻名（见例4.3）.记t-分布 的-上侧分位数为，附表4给出了不同n和 所对应的 数值.另外，由性质（1）知，对较大的n（比如 60），可用下式近似.(6-15),三、F-分布,定义6.3 设 且X与Y独立，则称(6-16)所服从的分布是自由度为 的F-分布，记作，这是为纪念英国著名统计学家费歇（R.A.Fisher，1890-1962）而命名的F-分布也是数理统计的一个重要分布.注意到(6-16)的商结构，则根据随机变量商的密度计算公式（3-34）可求得F-分布 的概率密度函数为（过程从略，详见3,4）,(6-17)图6.4是四组不同参数下该密度函数的图像.,另外，由定义6.3，立即有以下结论：若，则.这个结论可用于计算分布 的-上侧分位数.具体地说，我们有.(6-18)事实上，由、以及上侧分位数的定义可推出,故(6-18)式成立.对较小的（如0.1、0.05、0.025等），的数值可由附表5查得.但附表5并未给出较大时的数值，此时，可用公式(6-18)求出.,
