计算----->概率分布----->卡方分布----->逆累积概率----->自由度=10----->常数=0.95----->确定
逆累积分布函数
卡方分布,10自由度
P(X<=x)x
0.9518.307
✧自由度=10,求Pχ2≤28。
计算----->概率分布----->卡方分布----->累积概率----->自由度=10----->常数=28----->确定
累积分布函数
卡方分布,10自由度
xP(X<=x)
280.998195
4)两个独立的正态样本方差之比的分布——F分布
两个独立的正态样本方差之比的分布是F分布。
设有两个独立的正态总体N(μ1,σ2)和N(μ2,σ2),它们的方差相等。
又设X1,X2,…,Xn是来自N(μ1,σ2)的一个样本Y1,Y2,…,Yn是来自N(μ2,σ2)的一个样本,这两样相互独立。
它们的样本方差之比是自由度为n-1和m-1的F分布:
n-1称为分子自由度;m-1为分母自由度;F分布的概率密度函数在正半轴上呈正偏态分布。
实际上,F统计量就是由两个卡方随机变量相除所构成的,如果Χ∼χ2ν1,Y∼χ2ν2,且二者相互独立,则称二者比值的分布为F分布,即
其密度函数是:
F分布的应用非常广泛,尤其是在判断两正态总体方差是否相等以及方差分析(ANOVA)等问题上面。
✧计算F0.95(8,,18)的数值。
计算----->概率分布----->F分布----->逆累积概率----->分子自由度=8----->分母自由度=18----->常数=0.95----->确定
逆累积分布函数
F分布,8分子自由度和18分母自由度
P(X<=x)x
0.952.51016
2.参数的点估计
1)点估计的概念
用单个数值对于总体参数给出估计的方法称为点估计。
设Ɵ是总体的一个未知参数,X1,X2,…,Xn是从总体中抽取的样本量为n的一个随机样本,那么用来估计未知参数Ɵ的统计量Θ(X1,X2,…Xn)称为Ɵ的估计量,或称为Ɵ的点估计。
我们总是在参数上方画一个帽子“∧”表示该参数的估计量。
在工程中经常出现的点估计问题之最好结果是:
Ø对于总体均值μ,μ=X;
Ø对于总体方差σ2,σ2=S2;
Ø对于比率p,p=Xn,X是样本量为n的随机样本中我们感兴趣的那类出现的次数;
Ø对于μ1-μ2,μ1 -μ2=X1-X2(两个独立随机样本均值之差);
Ø对于p1-p2,估计为P1 -P2(两个独立随机样本比率之差);
2)点估计的评选标准
3.参数的区间估计
设Ɵ是总体的一个待估参数,从总体中获得样本量为n的样本是X1,X2,…,Xn,对给定的显著性水平α(0﹤α﹤1),有统计量:
ƟL=ƟL(X1,X2,…,Xn)与ƟU=ƟU(X1,X2,…,Xn),若对于任意Ɵ有P(ƟL≤Ɵ≤ƟU)=1-α,则称随机区间[ƟL,ƟU]是Ɵ的置信水平为1-α的置信区间,ƟL与ƟU分别称为置信下限和置信上限。
置信区间的大小表达了区间估计的精确性,置信水平表达了区间估计的可靠性,1-α是区间估计的可靠程度,而α表达了区间估计的不可靠程度。
在进行区间估计时,必须同时考虑置信水平与置信区间两个方面。
对于置信区间的选取,一定要注意,决不能认为置信水平越大的置信区间就越好。
实际上,置信水平定的越大,则置信区间相应也一定越宽,当置信水平太大时,则置信区间会宽得没有实际意义了。
这两者要结合在一起考虑,才更为实际。
通常我们取置信水平为0.95,极个别情况下可取0.99或0.90,一般不取其他的置信水平。
1)单正态总体均值的置信区间
当X~N(μ,σ2)时,正态总体均值的置信区间有以下三种情况:
a)当总体方差σ2已知时,正态总体均值μ的1–α置信区间为:
式中,Z1-α2是标准正态分布的1-α2分位数,也就是双侧α分位数。
例如α=0.05时,Z0.975=1.96。
在MINITAB中,我们通过:
统计----->基本统计量----->单样本Z来实现的。
由于实际情况中,已知标准差的情况很少见,因此我们这里重点关注的是标准差位置时的情况。
b)当总体方差σ2未知时,σ用样本标准差S代替,此时正态总体均值μ的1–α置信区间为:
式中,t1-α2n-1表示自由度为n–1的t分布的1-α2分位数,也就是t分布的双侧α分位数。
例如α=0.05时,样本量n=16时,t0.97515=2.131,其值略大于Z0.975=1.96。
在MINITAB中,我们通过:
统计----->基本统计量----->单样本t来实现的。
✧某集团公司正推进节省运输费用活动,下表为20个月使用的运输费用调查结果数据:
1742
1827
1681
1742
1676
1680
1792
1735
1687
1852
1861
1778
1747
1678
1754
1799
1697
1664
1804
1707
假设运输费用是服从正态分布的,求运输费用均值的95%置信区间。
统计----->基本统计量----->单样本t----->样本所在列=运输费用----->选项----->置信水平=95----->确定。
单样本T:
运输费用
均值标
变量N均值标准差准误95%置信区间
运输费用201745.261.913.8(1716.2,1774.2)
c)前两种情况讨论的是当总体为正态分布时,μ的区间估计,然而当总体不是正态分布时,如果样本量n超过30,则可根据中心极限定理知道:
X仍近似服从正态分布,因而仍可用正态分布总提示的均值μ的区间估计方法,而且可以直接用样本标准差代替总体标准差,即采用公式:
在MINITAB中,通常直接采用:
统计----->基本统计量----->图形化汇总中得到总体均值的置信区间结果。
只不过要注意的是:
总体非正态时,在小样本情况下此结果并不可信,只有当样本量超过30后,由于中心极限定理的保证,此结果才是可信的。
2)单正态总体方差和标准差的置信区间
当X~N(μ,σ2)时,正态总体方差的置信区间是:
式中,χ1-α22n-1和χα22n-1分别是1-α2分位数与α2分位数。
当X~N(μ,σ2)时,正态总体标准差的置信区间是:
✧某集团公司正推进节省运输费用活动,下表为20个月使用的运输费用调查结果数据:
1742
1827
1681
1742
1676
1680
1792
1735
1687
1852
1861
1778
1747
1678
1754
1799
1697
1664
1804
1707
假设运输费用是服从正态分布的,求运输费用方差和标准差的95%置信区间。
统计----->基本统计量----->单方差----->样本所在列=运输费用----->选项----->置信水平=95----->确定。
单方差检验和置信区间:
运输费用
方法
卡方方法仅适用于正态分布。
Bonett方法适用于任何连续分布。
统计量
变量N标准差方差
运输费用2061.93830
95