工程数学 课件 第6、7章 概率论、数理统计

第6章

概率论第1节

随机事件第2节

概率的定义与性质第3节

条件概率第4节

独立性第5节

随机变量的分布第6节

数学期望与方差第7节

常见随机变量的分布

第1节

随

机

事

件

一、

随机事件

1.随机试验满足下列三个条件的试验称为随机试验：

(1)试验可在相同条件下重复进行；

(2)试验的可能结果不止一个，且所有可能结果是已知的；

(3)每次试验哪个结果出现是未知的。

随机试验以后简称为试验，并常记为E。

例如：

E1：掷一骰子，观察出现的点数；

E2：上抛硬币两次，观察正反面出现的情况；

E3：观察某电话交换台在某段时间内接到的呼唤次数。

2.随机事件

在试验中可能出现也可能不出现的事情称为随机事件，常记为A,B,C

等。

例如，在E1

中，A

表示“掷出2点”，B

表示“掷出偶数点”均为随机事件。

3.必然事件与不可能事件

每次试验必发生的事情称为必然事件，记为Ω。每次试验都不可能发生的事情称为不可能事件，记为⌀。

例如,在E1

中，“掷出不大于6点”的事件便是必然事件，而“掷出大于6点”的事件便是不可能事件。

随机事件，必然事件和不可能事件统称为事件。

4.基本事件

试验中直接观察到的最简单的结果称为基本事件。由基本事件构成的事件称为复合事件。

例如，在E1

中，“掷出1点”，“掷出2点”,…,

“掷出6点”均为此试验的基本事件；“掷出偶数点”便是复合事件。

5.样本空间

从集合观点看，称构成基本事件的元素为样本点。试验中所有样本点构成的集合称为样本空间，记为Ω。

例如，在

E1

中，Ω={1,2,3,4,5,6}；在

E2

中，Ω={(H,H)，(H,T)，(T,H)，(T,T)}；在E3

中，Ω={0,1,2,…}

二、

事件间的关系与运算

1.包含关系

若事件A

的发生必导致事件B

发生，则称事件B

包含事件A，记为A⊂B

或B⊃A。

例如，在E1

中，令A

表示“掷出2点”的事件，即A={2},B

表示“掷出偶数”的事件，即B={2,4,6}，则A⊂B。

2.相等关系

若A⊂B

且B⊂A，则称事件A

等于事件B，记为A=B(图6.1)。

例如，从一副54张的扑克牌中任取4张，令A

表示“取得至少有3张红桃”的事件；B表示”取得至多有一张不是红桃”的事件，显然A=B。

图6.1

3.和关系

称事件A

与B

至少有一个发生的事件为A与B

的和事件，简称为和，记为

A∪B

或A+B(图6.2)。

例如，甲、乙两人向目标射击，令A

表示“甲击中目标”的事件，B

表示“乙击中目标”的事件，则A∪B

表示“目标被击中”的事件。

图6.2

4.积关系

称事件A

与事件B

同时发生的事件为A

与B的积事件，简称为积，记为A∩B

或AB(图6.3)。

例如，在E3中，观察某电话交换台在某时刻接到的呼唤次数中，令A={接到2的位数次呼唤}，B={接到3的倍数次呼唤}，则A∩B={接到6的倍数次呼唤}。

图6.3

5.差关系

称事件A

发生但事件B不发生的事件为A

减B

的差事件，简称为差，记为

A-B(图6.4)

例如，测量晶体管的β参数值，令

A={测得β

值不超过50}，B={测得β

值不超过100}，则A-B=⌀，B-A={测得β值为50<β≤100}。

图6.4

6.互不相容关系

若事件A

与事件B不能同时发生，即AB=⌀，则称A

与B

是互不相容的事件，或称A

与B

为互斥事件(图6.5)。

例如，观察某交通路口在某时刻的红绿灯：若A={红灯亮}，B={绿灯亮}，则A

与B便是互不相容的。

图6.5

图6.6

第2节

概率的定义与性质

一、

概率的定义所谓事件A的概率是指事件A

发生可能性程度的数值度量，记为P

(A)。规定P(A)≥0，P(Ω)=1。以下从不同角度给出概率的定义。

1.古典概型中概率的定义

满足下列两个条件的试验模型称为古典概型。

(1)所有基本事件是有限个；

(2)各基本事件发生的可能性相同。

定义6.1

在古典概型中，设其样本空间Ω所含的样本点总数，即试验的基本事件总数为

NΩ

，而事件

A

所含的样本数，即有利于事件

A

发生的基本事件数为NA

，则事件

A的概率便定义为

古典概型中所定义的概率有以下基本性质：

(1)P(A)≥0；(2)P(Ω)=1

例6.1

将n

个球随机地放到n

个瓶子中去，问每个瓶子恰有1个球的概率是多少?

例6.2

将3个不同的球随机地放入4个不同的盒子中,问盒子中球的个数的最大数分别为1、2、3的概率各是多少?

例6.3

将一枚质地均匀的硬币抛三次，求恰有一次正面向上的概率。

解

用

H

表示正面，T

表示反面，则该试验的样本空间

2.概率的统计定义

频率：在n次重复试验中，设事件A

出现了nA

次，则称

为事件A

的频率。

频率具有一定的稳定性，示例如表6.1所示。

频率有以下基本性质:

(1)fn(A)≥0；

(2)fn(Ω)=1；

(3)若A1A2,…Ak，两两互不相容，则

定义6.2

在相同条件下，将试验重复n

次，如果随着重复试验次数n

的增大，事件A的频率fn(A)越来越稳定地在某一常数p

附近摆动，则称常数p

为事件A

的概率，即P(A)=p。

3.概率的公理化定义

定义6.3

设某试验的样本空间为Ω，对其中每个事件A

定义一个实数P(A)，如果它满足下列三条公理：(1)P(A)≥0(非负性)；

(2)P(Ω)=1，P(⌀)=0(规范性)：

(3)若A1,A2,…,An两两互不相容，则

(称为可加性)；则称P(A)为A

的概率。

例6.7甲、乙两城市在某季节内下雨的概率分别为0.4和0.35，而同时下雨的概率为0.15，求在此季节内甲、乙两城市中至少有一个城市下雨的概率。

解

令A={甲城下雨}，B={乙城下雨},按题意所要求的是

第3节

条

件

概

率

一、

条件概率的概念及计算

例6.8

一盒子内有10只晶体管，其中4只是坏的，6只是好的，从中无放回地取二次晶体管，每次取一只，当发现第一次取得的是好的晶体管时，问第二次取得的也是好的晶体管的概率为多少?

例6.9某种集成电路使用到2000小时还能正常工作的概率为0.94，使用到3000小时还能正常工作的概率为0.87。有一块集成电路已工作了2000小时，问它还能再工作1000小时的概率为多大?

二、

条件概率的三个重要公式

1.乘法公式

定理6.1

如果P(B)>0，那么

同样，如果P(A)>0，则

例6.10

已知某产品的不合格品率为4%，而合格品中有75%的一级品，今从这批产品中任取一件，求取得的为一级品的概率。

解

令A={任取一件产品为一级品}，B={任取一件产品为合格品}，显然

A⊂B，即有AB=A，故P(AB)=P(A)。于是，所求概率为

2.全概率公式

定义6.5

如果一组事件

H1,H2,…,Hn

在每次试验中必发生且仅发生一个，即则称此事件组为该试验的一个完备事件组。

定理6.2设

H1,H2,…,Hn

为一完备事件组，且P(Hi)>0(i=1,2,…,n)，则对于任意事件A

有

例6.11

某届世界女排锦标赛半决赛的对阵如图6.7所示，根据以往资料可知，中国胜美国的概率为0.4，中国胜日本的概率为0.9，而日本胜美国的概率为0.5，求中国得冠军的概率。

图6.7

3.贝叶斯公式

定理6.3

设

H1,H2,…,Hn为一完备事件组，且P(Hi)>0(i=1,2,…,n)，又设A为任意事件，且P(A)>0，则有

例6.12某种诊断癌症的实验有如下效果：患有癌症者做此实验反映为阳性的概率为0.95，不患有癌症者做此实验反映为阴的概率也为0.95，并假定就诊者中有0.005的人患有癌症。已知某人做此实验反应为阳性，问他是一个癌症患者的概率是多少?

第4节

独

立

性

一、

事件的独立性如果事件B

的发生不影响事件A

的概率(例如：某人掷一颗骰子两次，第一次骰子出现的点数A

并不会影响第二次骰子出现的点数B)，且P(B)>0时，有P(A|B)=P(A)，则称事件A对事件B

独立；反之，如果事件A

的发生不影响事件B

的概率，且P(A)>0时，有P(B|A)=P(B)，则称事件B

对事件A

独立．当P(A)>0，P(B)>0，上述两个式子是等价的，因此有下面定义：

定义6.6对任意两个事件A

与B，若P(AB)=P(A)·P(B)，则称事件

A

与B

相互独立．

定理6.4事件A

与B

独立的充要条件是

例6.13

袋中有3个白球2个黑球，现从袋中分别有放回、无放回的各取两次球，每次取一球，令A={第一次取出的是白球}，B={第二次取出的是白球}，问A,B是否独立?

例6.14

统计浙江浦阳江甲乙两地在1964-1966年3年内6月份90天中降雨的天数。甲地降雨46天，乙地降雨45天，两地同时降雨42天．假定两地6月份任一天为雨日的频率稳定，试问：

(1)6月份两地降雨是否相互独立?

(2)6月份任一天至少有一地降雨的概率为多少?

定义6.7

设A,B,C

为三个事件，如果P(AB)=P(A)P(B)，P(AC)=P(A)P(C)，P(BC)=P(B)P(C)，P(ABC)=P(A)P(B)P(C)，则称A,B,C

是相互独立的。

定义6.8设A1,A2,…,An为n个事件，如果对任意正整数k(k≤n)及上述事件中的任意k

个事件Ai1

，Ai2,…,Aik，有P(Ai1Ai2…Aik)=P(Ai1)P(Ai2)…P(Aik)，则称这n

个事件A1,A2,…,An是相互独立的。

例如：(1)将一骰子掷10次观察出现6点的次数——10重伯努利试验；(2)在装有8个正品，2个次品的箱子中，有放回地取5次产品，每次取一个,观察取得次品的次数——5重伯努利试验；(3)向目标独立地射击n

次，每次击中目标的概率为p,观察击中目标的次数——n

重伯努利试验等等。

在n

重伯努利实验中，假定每次实验事件A

出现的概率为p(0<p<1)，则在n

重伯努利试验中，事件A

恰好出现了k次的概率为

其中q=1-p。

例6.18

某彩票每周开奖一次，每次只有百万分之一中奖的概率。若你每周买一张彩票，尽管你坚持十年(每年52周)之久，但你从未中过奖的概率是多少?

解

每周买一张彩票,不中奖的概率是1-10-6，十年中共购买520次，且每次开奖都相互独立，所以十年中从未中过奖的概率为

例6.19一副扑克牌(52张)，从中任取13张，求至少有一张”A”的概率.

解

设A={任取的13张牌中至少有一张”A”}，并设Ai={任取的13张牌中恰有i张”A”}，i=1,2,3,4,则A=A1∪A2∪A3∪A4,且A1,A2,A3,A4

两两互斥.

因此

用另一方法来计算这一概率：

从而

例6.20某射手向某目标射击5次，每次击中目标的概率为p，不击中目标的概率为q，且每次是否击中目标是相互独立的，求5次射击当中恰好击中目标3次的概率P5(3)

第5节

随机变量的分布

一、

随机变量定义6.9一个变量

X

的取值取决于随机试验E(现象)的基本结果ω，则该变量X(ω)称为随机变量。随机变量常用大写字母X、Y、Z

等表示，其取值用小写字母x、y、z

等表示。例如：掷一颗骰子得到的点数，分别用1、2、3、4、5、6来表示；测试一个灯泡的使用寿命，结果对应着(0,+∞)中的一个实数；投篮一次”命中”可用1表示，”没有命中”可用0表示；从一批产品中随机抽取一个检验，”次品”用0表示，”合格品”用1表示等等。

定义6.10

设X

是一个随机变量，对于任意实数x，令F(x)=P{X≤x}，称F(x)为随机变量

X

的概率分布函数，简称分布函数。

分布函数的性质：

二、

离散型随机变量的分布

定义6.11

设

X

为离散型随机变量,其可能取值为x1,x2,…,且

称上式为随机变量

X

的概率分布或分布列.

随机变量

X的概率分布可用如下形式的表格来表示:

离散型随机变量的概率分布有如下的性质:

例6.21

设随机变量的

X

的概率分布为

试确定常数a。

三、

连续型随机变量的分布

定义6.12如果对于随机变量X

的分布函数F(x)，存在函数f(x)≥0(-∞<x<+∞)，使得对于任意实数x，有

则称X为连续型随机变量，函

数f(x)称为

X的概率密度函数(简称密度函数)。

密度函数的性质和意义:

定义6.13

设X是一个随机变量，g(x)为连续实函数，则Y=g(X)称为一维随机变量的函数，显然Y

也是一个随机变量。

离散型随机变量函数分布的求法如下：首先将

X

的取值代入函数关系式，求出随机变量Y

相应的取值yi=g(xi)(i=1,2,…)。如果yi(i=1,2,…)的值各不相等，则Y

的概

率分布为

如果yi=g(xi)(i=1,2,…)中出现相同的函数值，如yi=g(xi)=g(xk)(i≠k)，则在Y

的概率分布列中,Y

取yi

的概率为

例6.23

设随机变量X

的概率分布为

求Y=2X+1和Z=X2的概率分布。

解

由Y=2X+1和

X

可能的取值，得Y

相应的取值为-3，-1,1,3,5,7,又由Y=2X+1中Y与X

是一一对应关系可得Y

的概率分布为

Z=X2

可能取的值为0,1,4,9,相应的概率值为

即Z

的概率分布为

第6节

数学期望与方差

一、

数学期望的概念分布函数在概率意义上给随机变量以完整的刻画，但在许多实际问题的研究中，要确定某一随机变量的概率分布往往并不容易。就某些实际问题而言，我们更关心随机变量的某些特征。例如：在研究水稻品种的优劣时，往往关心的是稻穗的平均稻谷粒数；在评价两名射手的射击水平时，通常是通过比较两名射手在多次射击试验中命中环数的平均值来区别水平高低。

例6.25

某商店从工厂进货,该货物有四个等级：一等、二等、三等和等外，产品属于这些等级的概率依次是：0.5、0.3、0.15、0.05.若商店每销出一件一等品获利10.5元，销出一件二、三等品分别获利8元和3元，而销出一件等外品则亏损6元,问平均销出一件产品获利多少元?

二、

离散型随机变量的数学期望

三、

连续型随机变量的数学期望

例6.28

设

X

的概率分布为

求E[X-E(X)]2。

五、

数学期望和方差的性质

1.数学期望的性质

(1)设c为任意一个常数，则E(c)=c；

(2)设

X

为一随机变量，且E(X)存在，c为常数，则有E(cX)=cE(X)。

由(1)、(2)可得E(aX+b)=aE(X)+b(a,b

为任意常数)。

2.方差的性质

(1)设c为常数，则D(c)=0；

(2)如果

X

为随机变量，c为常数，则D(cX)=c2D(X)；

(3)如果

X

为随机变量，c为常数，则有D(X+c)=D(X)。

由(2)、(3)可得

D(aX+b)=a2D(X)(a,b

为任意常数)。

第7节

常见随机变量的分布

一、

离散型随机变量的分布

1.一点分布(退化分布)一个随机变量

X

以概率1取某一常数a，即P{X=a}=1，则称X服从点a

处的一点分布(退化分布)。数学期望E(X)=a，方差D(X)=0。

2.两点分布(伯努利分布)

若随机变量X只有两个可能的取值0和1,其概率分布为

或

则称

X

服从参数为p(p>0)的两点分布(也称0-1分布)。

数学期望E(X)=p，方差D(X)=p(1-p)=pq(q=1-p)。

3.二项分布

设X

表示n

重伯努利试验中事件A

发生的次数，则X

所有可能的取值为0,1,…,n,且相应的概率为

则称

X服从参数为n、p的二项分布，记作

X~B(n,p)。

数学期望E(X)=np，方差D(X)=npq(q=1-p)。

4.两点分布、

二项分布的关系及应用

例6.30

假设某篮球运动员投篮命中率为0.8，X

表示他投篮一次命中的次数，求

X的概率分布.

解

投篮一次只有”不中”和”命中”两个结果，命中次数X

只可能取0、1两个值，且概率分别为

也可表示为

例6.31甲、乙两名棋手约定进行10盘比赛，以赢的盘数较多者为胜。假设每盘棋甲赢的概率都为0.6，乙赢的概率都为0.4，且各盘比赛相互独立，问甲、乙获胜的概率各为多少?甲平均赢得的盘数是多少?

5.泊松分布

若一个随机变量

X

的概率分布为

其中λ>0为参数，则称

X

服从参数为λ

的泊松分布，记作

X~p(λ)。

数学期望E(X)=λ，方差D(X)=λ。

6.泊松分布的应用

例6.32某商店根据过去的销售记录知道某种商品每月的销售量可以用λ=10的泊松分布来描述。为了以95%以上的把握保证不脱销，问商店在月底应存有多少件该种商品?

(假设只在月底进货)

二、

连续型随机变量的分布

1.均匀分布

一个随机变量

X，如果其密度函数为

则称

X

服从(a,b)上的均匀分布,记作

X~U(a,b)。

例6.33某公共汽车站每隔5分钟有一辆车通过，可将车站上侯车的乘客全部运走。设乘客在两趟车之间的任何时刻到站都是等可能的，求乘客侯车时间不超过3分钟的概率和乘客平均候车时间。

2.指数分布

一个随机变量

X，如果其密度函数为

其中λ>0为参数，则称

X

服从参数为λ

的指数分布，记作

X~Exp(λ)。

例6.34假

设

某

种

热

水

器

首

次

发

生

故

障

的

时

间

X(单

位：小

时)服

从

指

数

分

布Exp(0.002)，求：

(1)该热水器在100小时内需要维修的概率；

(2)该热水器平均能正常使用的时间。

3.正态分布

一个连续型随机变量

X，如果其密度函数为

其中μ,σ为常数，-∞<μ<+∞，σ>0，则称

X服从参数为μ和σ2

的正态分布，记作X~N(μ,σ2)。

数学期望E(X)=μ，方差D(X)=σ2。

例6.36设随机变量

X~N(10,22)，求P{8<X<14}.

解

易知μ=10,σ=2，则

正态随机变量

X

的取值位于均值μ

附近的密集程度可用标准差σ为单位来度量，而且X

的取值几乎全部落在区间(μ-3σ,μ+3σ)之内，所以有时称3σ为极限误差。

第7章

数理统计第1节

样本及抽样分布第2节

参数的点估计第3节

参数的区间估计第4节

假设检验

第1节

样本及抽样分布

一、

样本

1.总体与样本在数理统计中,将研究对象的全体称为总体(或母体)；组成总体的每个元素称为个体。从总体中抽取的一部分个体，称为总体的一个样本；样本中个体的个数称为样本的容量。

例如，研究某城市人口年龄的构成时，可以把该城市所有居民的年龄看作一个整体.若该城市有1000万人口，那么该总体就是由1000万个表示年龄的数字构成的，而每一个人的年龄即是一个个体。

总体中所含的个体数不一定是个定值，它可以是很小的有限值，也可以是很大的值,甚至是无限值。

例如，研究棉花的纤维长度时，每根棉花的纤维长度就是一个个体,若研究对象为一个棉包，则总体中所包含的个体数目可视为无穷大。而如果测量一个班100名学生的体重，则总体中所包含的个体数目只有有限多个。

如果从总体X中抽取n个个体X1,X2,…,Xn

组成一个样本，则记为(X1,X2,…,Xn)，其中Xi(i=1,2,…,n)表示第i次从总体X

中取得的个体.很明显，每个Xi(i=1,2,…,n)都是随机变量。所以，称(X1,X2,…,Xn)为随机样本。对样本(X1,X2,…,Xn)的每一次观察所得到的n

个数(x1,x2,…,xn)，称为样本观察值(或样本值)。

为了研究方便,常常假定样本满足以下两个性质：

(1)独立性：X1,X2,…,Xn

是n个相互独立的随机变量。

(2)代表性：每个

Xi(i=1,2,…,n)与总体

X

有相同的分布。

具有上述两个性质的随机样本(X1,X2,…,Xn)称为简单随机样本。以后讨论的样本都指简单随机样本。

2.样本的联合分布

对于简单随机样本(X1,X2,…,Xn)，其联合概率分布可以由总体

X

的分布完全确定。若总体

X的分布函数为F(x)，则样本(X1,X2,…,Xn)的联合分布函数为

又若X

具有概率密度f(x)，则(X1,X2,…,Xn)的联合概率密度为

若

X

的分布律为P{X=xi}=pi，i=1,2,…,则(X1,X2,…,Xn)的联合分布律为

二、

统计量

从统计学的观点来看，总体的分布一般是未知的。有时总体的分布类型已知，但其中包含着未知参数，如总体

X~N(μ,σ2)中μ，σ2

未知。统计学的方法是进行抽样得到样本，利用样本提供的信息对总体中的未知参数进行推断，这就是统计推断。然而，我们实际上观察得到的是样本值，即一批数据，我们对这批数据进行处理，最常用的方法就是构造一个样本函数，这种样本函数称为统计量。

定义7.1

设(X1,X2,…,Xn)为来自总体

X

的样本，g(X1,X2,…,Xn)是(X1,X2,…,Xn)的函数，若g

中不含任何未知参数，则称g(X1,X2,…,Xn)为统计量，称统计量的概率分布为抽样分布。

设(x1,x2,…,xn)是相应于样本(X1,X2,…,Xn)的样本值，则称g(x1,x2,…,xn)是g(X1,X2,…,Xn)的观察值。

定理7.1

设总体X~N(μ,σ2)，(X1,X2,…,Xn)为来自总体

X

的样本，则

三、

抽样分布

1.χ2分布

定义7.2设随机变量X1,X2,…,Xn

相互独立，且均服从标准正态分布N(0,1)，则

的分布称为自由度为n的χ2

分布，记为χ2~χ2(n)。

2.t分布

定义7.2

设随机变量

X、Y

相互独立,且

X~N(0,1),Y~χ2(n),则称随机变量服从自由度为n

的t分布(又称学生氏分布)，记作T~t(n)。

t分布的概率密度函数为

t分布的性质如下:

3.F分布

定义7.4

设随机变量

X、Y

相互独立，且

X~χ2(m)，Y~χ2(n)，则称随机变量F=服从自由度为(m,n)的F

分布，记作F~F(m,n)。

F

分布的概率密度函数为

对于给定的α(0≤α≤1)，称满足等式

的点Fα(m,n)为F

分布的α

分位点。

F

分布的性质如下：

第2节

参数的点估计

二、

矩估计法

矩估计法的思想是用样本矩作为总体矩的估计。当总体

X

的分布类型已知，但含有未知参数时，可以用矩估计法获得未知参数的估计。

设X

的分布函数为F(x,θ),θ=θ1,θ2,…,θk

为待估参数，并设总体X

的前k

阶矩存在，且它们均是θ1,θ2,…,θk

的函数，则求待估参数θi(i=1,2,…,k)的矩估计的步骤如下：

例7.4

设总体

X

的二阶矩存在且未知，(X1,X2,…,Xn)为来自总体的样本，求μ=E(X)和σ2=D(X)的估计量。

三、

最大似然估计法

定义7.6

设总体X具有概率密度函数f(x;θ)或分布律函数

p(x;θ)，θ=θ1,θ2,…,θm

为待估参数，样本(X1,X2,…,Xn)的联合概率密度(或联合分布律函数)

称为似然函数.假定在x1,x2,…,xn

给定的条件下，存在m

维统计量

图7.1

2.有效性

图7.2

3.相合性

定义7.9的直观含义是：只要样本容量充分大，作为一个好的估计量，它的估计值应以最大的可能性接近于所估参数的真值。

第3节

参数的区间估计

二、

正态总体均值的区间估计

1.方差已知时,均值的区间估计

设总体X

是正态分布,X~N(μ,σ2),且σ2

已知,若(X1,X2,…,Xn)是来自正态总体

X~N(μ,σ2)的简单随机样本,则一定有

对于给定的一个置信水平α，由标准正态分布表可以查得Zα/2(称为临界值)使得

则有

都仅是样本的函数，是统计量。

2.方差未知时,均值的区间估计

由于方差是未知的，可以用样本标准差S来估计总体标准差σ。利用前面讲过的抽样分布来求μ的区间估计。前面讲过t分布的形状接近于标准正态分布，

也是一个对称分布。

由上面的方法，对于给定的α，可以通过查t分布表,得临界值tα/2(n-1)，则有

由此得到μ

的1-α

置信区间为

例7.10某车间生产滚球，已知其直径

X~N(μ,σ2)，现从某一天生产的产品中随机抽取出6个，测得直径如下(单位：mm)：

试求滚球直径

X

的均值μ

的置信概率为95%的置信区间.

解

因为

所以

因此置信区间为(14.95-0.24,14.95+0.24)，即(14.71,15.19)。

三、

正态总体方差的区间估计

设(X1,X2,…,Xn)是来自正态总体

X~N(μ,σ2)的样本，则有

当给定α时，

整理得

可通过查χ2(n-1)表，求得临界值χα/22(n-1)和χ21-α/2(n-1)，由此可得σ2

的1-α

置信区间为

从而σ的1-α的置信区间为

例7.11投资的回收利润率常用来衡量投资风险。随机地调查了26年的回收利润率(%)，标准差s=15(%)，设回收利润率服从正态分布，求它的方差的区间估计。(取α=0.05)。

解

本题中n=26，s=15,α=0.05，χ20.025(25)=40.646，χ20.975(25)=13.120，则得方差的区间估计：

置信下限

置信上限

故方差的95%的区间估计是

标准差的95%的区间估计是

第4节

假

设

检

验

例7.13某制药商称自己有90%的把握能保证他们的药对缓解过敏症状有效。现从患有过敏症的人群中随机抽取200人，服药后，有160人的症状得到了缓解，据此判定制药商的声明是否真实。

由上面的例子可知,假设检验是对总体的分布函数的形式或分布中的某些参数作出某种假设，然后通过抽取样本，构造适当的统计量，对假设的正确性进行判断的过程。

要对总体作出判断，常常要先对所关心的问题作出某些假定(或是猜测)，这些假定可能是正确的，也可能是不正确的，它们一般是关于总体分布或其参数的某些陈述，称之为统计假设。

一般要同时提出两个对立的假设，即原假设和备择假设(与原假设对立的假设称为备择假设)，分别记为

H0和

H1。在很多情况下，我们给出一个统计假设仅仅是为了拒绝它。例如，要判断一枚硬币是否均匀，一般假设硬币是均匀的(在研究这类问题时，通常是已经怀疑该结论的真实性)。将检验硬币均匀性的原假设记为

H0:p=0.5(p

为出现正面的概率)。

备择假设的选取通常要和实际问题相符，如上面检验硬币均匀性的备择假设可以是H1:p≠0.5；当我们已经肯定是p偏大时，也可选p>0.5，或其他确定的值。

假设检验的基本依据是“小概率原理”，即概率很小的随机事件在一次试验中一般是不会发生的。根据这一原理,先假定原假设

H0

是正确的,在此假设下构造关于样本的小概率

事件A，例如P{A

发生|

H0

为真}=0.05。

若在一次试验(抽样)中事件

A

竟然发生了,就有理由怀疑

H0

的正确性，从而拒绝

H0；反之，若事件A

没有出现，则可以认为假设

H0

与试验结果是相容的，即没有理由怀疑

H0，因此接受原假设。

二、

两类错误

在根据样本作推断时，由于样本的随机性，难免会作出错误的决定。当原假设

H0

为真时，而作出拒绝

H0

的判断，称为犯第一类错误；当原假设

H0

不真时，而作出接受

H0

的判断，称为犯第二类错误。控制犯第一类错误的概率不大于一个较小的数α(0<α<1)，α

称为检验的显著性水平。

假设检验的基本步骤如下：

(1)根据实际问题的要求，提出相应的原假设

H0和备择假设

H1；

(2)给定显著性水平α,通常α

取0.1、0.05或0.01等；

(3)根据已知条件和统计假设构造适当的统计量，并在原假设成立的条件下确定其分布；

(4)根据给定的α

和统计量所服从的分布，查分位点值，确定原假设的拒绝域；

(5)计算统计量的值，