【正文】 均勻分布、對數(shù)正態(tài)分布和指數(shù)分布等三個分布，其中指數(shù)分布已在〔]中作了介紹，其他兩個分布將在下面介紹。　　　　均勻分布在兩端點a與b之間有一個平坦的概率密度函數(shù)，它的全稱是“在區(qū)間(a，b)上的均勻分布”，常記為U(a，b)。這里“均勻”是指隨機點落在區(qū)間(a，b)內(nèi)任一點的機會是均等的，從而在相等的小區(qū)間上的概率相等?！　　　　　±?，一個隨機變量X服從均勻分布U(10，15)((a))，則X在小區(qū)間(11，12)與小區(qū)間(，)上的面積相等，即:　　P(11X12)=P(X)=10.=(a，b)的均值、方差與標準差分別為:　　　　(a)上所示的均勻分布U(10，15)，它的均值、方差與標準差分別為:　　　　　　對數(shù)正態(tài)分布可用來描述很多隨機變量的分布，如化學反應時間、絕緣材料被擊穿時間、產(chǎn)品維修時間等都是服從對數(shù)正態(tài)分布的隨機變量。它們有如下共同特點:　　(1)這些隨機變量都在正半軸(0，∞)上取值?！　?2)這些隨機變量的大量取值在左邊，少量取值在右邊，并且很分散，這樣的分布稱為“右偏分布”((a))。如機床維修中，大量機床在短時間內(nèi)都可修理好，只有少量機床需要長時間維修，個別機床可能需要更長的修理時間?！　　　?3)最重要的特征是:若隨機變量X服從對數(shù)正態(tài)分布，則經(jīng)過對數(shù)變換Y=lnX(ln是自然對數(shù))后服從正態(tài)分布，即原來X的分布是(右)偏態(tài)分布，經(jīng)對數(shù)變換后，成為正態(tài)分布，或者說對數(shù)正態(tài)變量經(jīng)對數(shù)變換后為正態(tài)變量?！　?4)若記正態(tài)分布的均值為μY，方差為σ2Y，則相應的對數(shù)正態(tài)分布的均值μX與方差σ2X分別為μX=E(X)=exp{μY+σ2Y/2}σ2X=Var(X)=μ2X{exp(σ2Y)1}()　　(5)尋求對數(shù)正態(tài)變量X的有關事件的概率，經(jīng)過對數(shù)變換后可轉(zhuǎn)化為求正態(tài)變量Y=lnX的相應事件的概率，如:　　P(Xa)=P(lnXlna)　　=P(Ylna)　　(a)(b)上的兩塊陰影面積?！　　瞉絕緣材料在正常電壓下被擊穿的時間X為服從對數(shù)正態(tài)分布的隨機變量，若令Y=lnX，則Y為服從正態(tài)分布的隨機變量。若已知Y的均值、方差與標準差分別為:　　μY=，σ2Y=4，σY=2由上述公式知，X的均值、方差與標準差為:　　μx=exp{+4/2}== σ2X=()2(e41)=e19(e4一1)=109　　105小時，104小時，標準差是平均時間的7倍多，可見對數(shù)正態(tài)分布是很分散的分布?！　∥?、中心極限定理　　中心極限定理是統(tǒng)計中常用到的一個結論。它告訴人們:在一定條件下，多個相互獨立隨機變量的平均值(仍然是一個隨機變量)，服從或近似服從正態(tài)分布。中心極限定理較完整的敘述如下:　　設X1，X2，…，Xn為n個相互獨立同分布隨機變量，均值μ和方差σ2都存在，則在n較大時，其樣本均值近似服從正態(tài)分布N(μ，)?！　∵@里相互獨立的隨機變量是指一個變量的取值不影響其他變量的取值。中心極限定理表明，當n比較大，樣本均值的分布總是近似于正態(tài)分布。第四節(jié)常用統(tǒng)計量及其分布　　一、隨機樣本與統(tǒng)計量　　在第一節(jié)中介紹了總體與樣本這兩個重要的統(tǒng)計概念，在第三節(jié)中又介紹了隨機變量及其分布的概念。這些概念之間相互之間是有聯(lián)系的，而要將它們表達清楚，又必須借用第二節(jié)中所引進的概率這個工具。　　總體是人們研究對象的全體，它由個體所組成，當從總體中隨機抽取一個個體進行觀測時，所得的觀測值隨個體而異，因此總體對應于一個隨機變量。這個隨機變量的分布也就是總體的分布。因此統(tǒng)計中的總體與概率中的隨機變量是對應的，通常用統(tǒng)一的記號，例如X，Y，…等來記?！　≡賮碛懻摌颖?，一個樣本量為n的樣本是從總體中抽取的n個個體，這n個樣本觀測值x1，x2，…，xn可以看成為隨機變量X的n次實現(xiàn)值?！　∪藗儚目傮w中抽取樣本是為了認識總體，即從樣本推斷總體。如推斷總體是什么類型的分布?推斷總體均值為多少?推斷總體的標準差是多少?為了使此種統(tǒng)計推斷有所依據(jù)，推斷結果有效，對樣本的抽取應有所要求?！　M足下面兩個條件的樣本稱為簡單隨機樣本，簡稱隨機樣本?！　?1)隨機性?？傮w中每個個體都有相同的機會入樣。譬如，按隨機性要求抽出5個樣品，記為X1，X2，…，X5，則其中每一個都應與總體分布相同。這只要隨機抽樣就可保證此點實施?！　?2)獨立性。從總體中抽取的每個樣品對其他樣本的抽取無任何影響，假如總體是無限的，獨立性容易實現(xiàn)；若總體很大，特別與樣本量n相比是很大的，這時即使總體是有限的，此種抽樣獨立性也可得到基本保證。　　綜上兩點，隨機樣本X1，X2，…，Xn可以看做n個相互獨立的、同分布的隨機變量，其分布與總體分布相同。今后的樣本都是指滿足這些要求的簡單隨機樣本。在實際中抽樣時，也應按此要求從總體中進行抽樣。這樣獲得的樣本能夠很好地反映實際總體。，圖上用虛線畫出的曲線是兩個未知總體。若是按隨機性和獨立性要求進行抽樣，則機會大的地方(概率密度值大)被抽出的樣品就多；而機會少的地方(概率密度值小)，被抽出的樣品就少。分布愈分散，樣本也很分散；分布愈集中，樣本也相對集中些?！　　　〕闃忧屑筛蓴_，特別是人為干擾。某些人的傾向性會使所得樣本不是簡單隨機樣本，從而使最后的統(tǒng)計推斷失效?！　∪鬤1，X2，…，Xn是從總體X中獲得的樣本，那么X1，X2，…，Xn是獨立同分布的隨機變量。樣本的觀測值用x1，x2，…，xn表示，這也是我們常說的數(shù)據(jù)。有時為方便起見，不分大寫與小寫，樣本及其觀測值都用x1，x2，…，xn表示，今后就將采用這一方法表示。　　二、統(tǒng)計量與抽樣分布　　(一)統(tǒng)計量的概念　　樣本來自總體，因此樣本中包含了有關總體的豐富信息。但是不經(jīng)加工的信息是零散的，為了把這些零散的信息集中起來反映總體的特征，需要對樣本進行加工，一種有效的辦法就是構造樣本的函數(shù)，不同的函數(shù)可以反映總體的不同的特征。　　不含未知參數(shù)的樣本函數(shù)稱為統(tǒng)計量，統(tǒng)計量的分布稱為抽樣分布?！　]從均值為μ，方差為σ2的總體中抽得一個樣本量為n的樣本X1，X2，…，Xn，其中μ與σ2均未知?！　∧敲碭1+X2，max{X1，X2，…，Xn}是統(tǒng)計量，而X1+X22μ，(X1μ)/σ都不是統(tǒng)計量。　　第一節(jié)中討論過的樣本均值、樣本中位數(shù)、樣本極差、樣本方差、樣本標準差及樣本變異系數(shù)等都是統(tǒng)計量。只有樣本眾數(shù)例外，因為樣本眾數(shù)的確定在許多情形并不明確，它不能用樣本函數(shù)表示，因此那里定義的樣本眾數(shù)不能作為統(tǒng)計量。　　(二)樣本均值的分布　　樣本均值是表示樣本數(shù)據(jù)中心位置的，而樣本又是從總體中隨機抽取的，因此與表示總體的隨機變量X的均值μ之間一定存在某種內(nèi)在的聯(lián)系。注意作為一個統(tǒng)計量，是樣本的函數(shù)，是隨著所抽取的樣本不同而變的。因此本身也是一個隨機變量，因此有時也記為，也有自己的分布規(guī)律，也可以計算它的均值、方差等。而所有這些又必然與總體的分布、均值與方差有關。事實上E()=μ　　其中μ，σ2分別為總體X的均值和方差。　　上面的結果表明，樣本是總體均值μ的無偏估計，而它的方差與總體方差σ2成正比，但與樣本量n成反比。這表明當用估計μ時，n愈大，精度就愈高?！　]下面50個數(shù)據(jù)是從均值為10，方差為4的正態(tài)總體中隨機抽取出來的(根據(jù)正態(tài)總體的隨機數(shù)產(chǎn)生法用計算機得到)，按行分為10組，每組5個數(shù)據(jù):　　1)，，；　　2)，，；　　3)，，；　　4)，，；　　5)，，；　　6)，，；　　7)，，；　　8)，，；　　9)，，；　　10)，，；　　如果將每行數(shù)據(jù)看成是一個從該正態(tài)總體中抽取的樣本量為5的樣本，計算得到樣本均值分別為:　　(1)=，(2)=，(3)=，(4)=，(5)=，　　(6)=，(7)=，(8)=，(9)=，(10)=　　這10個平均數(shù)的平均數(shù)　　如果我們將每兩行數(shù)據(jù)看做是從總體中抽取的樣本量為10的樣本，則5個樣本的均值分別為:　　，， 。與總體的均值μ=10比較，可知用n=5的樣本均值來估計μ沒有用n=10的樣本的平均數(shù)來估計精確，但均值的平均數(shù)()都非常接近μ的真值10。實際上這個數(shù)字也是將上述數(shù)據(jù)看做為n=50的一個樣本均值?！　≈劣诘姆植?，根據(jù)上節(jié)討論過的中心極限定理，不論X的分布是哪種具體的分布，只要滿足一定條件，當n大時，樣本均值的分布即是近似正態(tài)的。根據(jù)前述給出的的均值與方差的結果，得知當n大時，近似N(μ，σ2/n)。當X本身服從正態(tài)分布，的分布也是嚴格正態(tài)的?！　∪?、有關正態(tài)總體的幾個重要的抽樣分布本小節(jié)進一步討論來自正態(tài)總體樣本均值、樣本方差以及來自兩個正態(tài)總體樣本均值差及方差比的抽樣分布。這里所涉及的抽樣分布在以后的區(qū)間估計、假設檢驗和方差分析中將起重要作用?！　?一)方差未知時，正態(tài)均值的分布——t分布上一小節(jié)已提到，對于正態(tài)總體N(μ，σ2)，樣本均值的分布為　　　　　　是已知的，否則在實際中并不能立即就可應用?！　‘敠乙阎獣r，通過標準化變換，可得:　　　　當σ未知時，很自然的，用樣本標準差s代替上式中的σ，此時統(tǒng)計量:　　服從自由度為n1的t分布，記為t(n1)?！　∽杂啥葹閚1的t分布的概率密度函數(shù)與標準正態(tài)分布N(0，1)的概率密度函數(shù)類似，亦為對稱分布，其峰比N(0，1)的峰略低一些，而兩側(cè)尾部要比N(0，1)的兩側(cè)尾部略粗一些。圖中畫出自由度為3的t分布t(3)與標準正態(tài)分布N(0，1)的概率密度曲線。當自由度超過30以后，兩者區(qū)別已不大?！　　　?二)正態(tài)樣本方差s2的分布——χ2分布正態(tài)樣本方差s2除以總體方差σ2的n1倍的分布是自由度為n1的χ2分布，記為χ2(n1)，即:　　自由度為n1的χ2分布的概率密度函數(shù)在正半軸上呈偏態(tài)分布?！　　　?三)兩個獨立的正態(tài)樣本方差之比的分布——F分布　　設有兩個獨立的正態(tài)總體N(μ1，σ2)和N(μ2，σ2)，它們的方差相等。又設X1，X2，…，Xn是來自N(μ1，σ2)的一個樣本；Y1，Y2，…，Ym是來自N(μ2，σ2)的一個樣本，這兩個樣本相互獨立。它們的樣本方差之比的分布是自由度為n1和m1的F分布:　　其中n1稱為分子自由度，m1稱為分母自由度。F分布的概率密度函數(shù)在正半軸上呈偏態(tài)分布?！　〉谖骞?jié)參數(shù)估計　　根據(jù)樣本對總體進行推斷是數(shù)理統(tǒng)計的核心，參數(shù)估計與假設檢驗是統(tǒng)計推斷的兩個基本內(nèi)容。本節(jié)著重討論參數(shù)估計問題?！　≡谇皫坠?jié)中已經(jīng)闡明特定產(chǎn)品的質(zhì)量特性可以用隨機變量來表示，而它的量值包括變化規(guī)律則用相應的分布來表示。在質(zhì)量活動和管理實際中，人們關心的是諸如特定產(chǎn)品的質(zhì)量水平究竟如何?例如特性的平均值，產(chǎn)品的不合格品率等等。這些都需要通過從總體中取樣本，從樣本觀測值來對此進行估計。在統(tǒng)計中，估計就是根據(jù)樣本來推斷總體分布的未知成分。例如若產(chǎn)品某個特性服從正態(tài)分布N(μ，σ2)，μ與σ2是未知的參數(shù)，就需要根據(jù)樣本對它們進行估計。估計也可以擴展成對分布類型、分布的某些特征數(shù)，例如均值、方差甚至對某個特定事件概率的估計，但由于這些待估計的量的未知部分都只是參數(shù)，因此任何一個估計問題都可以化成參數(shù)估計問題。例如二項分布b(n；p)的均值npq=np(1p)中的未知成分只是未知參數(shù)p，因此只要對p進行了估計，均值的估計也就完全解決了。　　參數(shù)估計有兩種基本形式，即點估計與區(qū)間估計?！　∫?、點估計　　(一)點估計的概念　　設θ是總體的一個未知參數(shù)，記與總體對應的隨機變量為X，從中抽取樣本量為n的一個樣本，X1，X2，…，Xn。根據(jù)這個樣本，構造一個統(tǒng)計量=(X1，X2，…，Xn)，用來對θ進行估計，稱為θ的估計量。對一個具體的樣本X1，X2，…，Xn，可計算的一個具體的數(shù)值，稱為θ的估計值。在本教材中，除討論統(tǒng)計量的分布及性質(zhì)外，不嚴格區(qū)分估計量及具體估計值，通稱為估計?！　?二)點估計優(yōu)良性標準　　點估計量是隨所抽取的樣本不同而不同的，它是一個隨機變量，評價一個估計量的優(yōu)劣不能從一個具體樣本獲得的估計值來評判，應該從多次使用中來評定?！　τ谝粋€特定的樣本，估計量與θ的真值之間總是有偏差的，但由于θ未知，因此偏差θ也未知。但是我們可以通過多次抽樣，對不同樣本，的不同具體估計值，對實際偏差θ進行“平均”。當然這種平均不能直接進行，因為θ有正有負，直接平均由于正負抵消反而不能反映誤差。與以前對方差處理的方法相仿，用估計偏差的平方θ)2代替，并對其求均值，于是用E(θ)2來表示估計量的優(yōu)劣。這個量稱為的均方誤差，簡記為MSE()，均方誤差實際上是平均平方誤差的意思。雖然由于θ是未知的，MSE()也并不是總能求得的。但是經(jīng)過簡單的代數(shù)推導，總有　　MSE=E(θ)2=〔E()θ]2+E〔E()]2()　　=〔B()]2+V()　　()式中的第一項表示的是的均值E()與未知參數(shù)θ的差，稱為偏倚；當B()=0，也即:　　E()=θ時，稱估計量是無偏的。無偏性是表示估計量優(yōu)良性的一個重要標準。只要有可能，應該盡可能選用無偏估計量，或近似無偏估計量?！　?)式中的第二項表示的是對其均值E()差的平方的均值，稱為估計量的方差。對于無偏估計量，當然方差愈小愈好。方差愈小，估計量就更有效。有效性是判定估計量優(yōu)良性的另一個標準?！　?三)求點估計的方法——矩法估計　　參數(shù)估計時，一個直觀的思想是用樣本均值作為總體均值的估計，用樣本方差作為總體方差的估計等。由于均值與方差在統(tǒng)計學中統(tǒng)稱為矩，總體均值與總體方差屬于總體矩，樣本均值與樣本方差屬于樣本矩。因此上面的做法是用樣本矩估計相應的總體矩，從而獲得有關總體參數(shù)的點估計，這種點估計方法稱為矩法估計。　　矩法估計簡單而實用，所獲得的估計量通常(盡管不總是如此)也有較好的性質(zhì)。例如對任何總體，樣本均值對總體均值μ的估計總是無偏的，樣本方差s2對總體方差σ2的估計