这些分布各自适用于不同的统计检验和估计场景:
- 正态分布:用于建模自然和社会现象的连续数据,呈对称钟形曲线。
- F分布:用于比较两个样本方差的比率,右偏分布。
- 卡方分布:用于方差一致性检验和独立性检验,右偏分布。
- t分布:用于小样本的均值检验和置信区间估计,类似正态分布但尾部较宽。
注意:其中正态分布包括有①正态分布表②分位数表,以及要留意判断题设的 “单/双侧检验条件”(图像是否关于 0坐标 左右对称)
1. 正态分布(Normal Distribution) ( p左 α右 ,p+α=1 )
定义:一种连续概率分布,其概率密度函数呈对称的钟形曲线。均值为 μ,标准差为 σ。
特点:
- 形状:钟形对称曲线,均值 μ 位于中心。
- 分布范围:从负无穷大到正无穷大。
- 特殊性质:68%的数据位于 μ±σ 内,95%的数据位于 μ±2σ 内,99.7%的数据位于μ±3σ 内。
应用:常用于自然现象和社会现象的数据建模,如身高、体重、考试成绩等。
例子:假设成年男性的身高服从正态分布,均值为175厘米,标准差为10厘米,那么大部分男性的身高会集中在165厘米到185厘米之间。
2. F分布(F Distribution)(一个 α ,两个k )( k 自由度分前后顺序)
定义:一种连续概率分布,主要用于比较两个样本的方差。它由两个自由度参数 d1 和 d2 决定。
特点:
- 形状:非对称,右偏。
- 分布范围:从0到正无穷大。
- 特殊性质:当自由度增大时,F分布趋向于正态分布。
应用:常用于方差分析(ANOVA),检验两个总体方差的比率。
例子:在比较两个不同教学方法的学生成绩变异性时,可以使用F分布来检验两个教学方法的成绩方差是否显著不同。
![](https://img-blog.csdnimg.cn/direct/b4e9fa7af41a49c78dc355dd24a89f32.png)
![](https://img-blog.csdnimg.cn/direct/510be1e5f5ac48669fd9650f01eab1f6.png)
3. 卡方分布(Chi-Square Distribution)
定义:卡方分布是一种连续概率分布,常用于检验样本方差与总体方差的一致性。由自由度参数 k 决定。
特点:
- 形状:右偏,随着自由度增加,分布趋向正态分布。
- 分布范围:从0到正无穷大。
- 特殊性质:当自由度增加时,卡方分布的形状越来越接近正态分布。
应用:常用于卡方检验(独立性检验、适配度检验)和估计总体方差。
例子:在进行调查时,检查不同性别对某种产品偏好是否独立,可以使用卡方检验来分析性别和产品偏好的独立性。
![](https://img-blog.csdnimg.cn/direct/f30489608c444bb7bd2f4dd747d50ce6.png)
因为卡方分布是不相对于 0 对称的,所以需要进行双侧检验,即要算出两个值,确定阈(判断落点)
4. t 分布(t Distribution)( 自由度、α值 )
定义:一种连续概率分布,总体标准差未知且样本量较小时估计总体均值。由自由度参数 v 决定。
特点:
- 形状:类似正态分布,但两尾较宽。
- 分布范围:从负无穷大到正无穷大。
- 特殊性质:随着自由度增加,t 分布趋向于正态分布。
应用:常用于小样本下的均值检验、建立置信区间。
例子:假设你要估计一个小样本(如20个学生)的平均考试成绩是否显著高于及格线(60分),可以使用 t 分布进行单样本t检验。
![](https://img-blog.csdnimg.cn/direct/ba7c1a7857474971bbe3ab32262193d3.png)