标签：... limits Chap07 dfrac 样本 BUAA overline 统计 sim
第七章 统计量及其分布
7.1 总体与样本
7.1.1 总体与个体
- 总体：具有一定共同属性的研究对象的全体；
- 个体：组成总体的每一个元素
在实际中我们主要关心的是：
研究对象的某一（或某几项）数量的指标 \(X=X(\omega)\)，它是一个随机变量。
总体：随机变量（数量指标） \(X\) 的全体取值构成的集合。
总体的分布：随机变量 \(X\) 的分布。
7.1.2 样本值与样本
从一个总体 \(X\) 中，随机抽取 \(n\) 个个体（有放回的重复抽样）：
\(x_1, x_2,...,x_n\) 是一次抽样观察（记录）的结果，称 \(x_1, x_2,...,x_n\) 为总体 \(X\) 的一组样本观察值，简称样本值。
由于抽样的随机性，每次抽样结果是变化的。引入随机变量 \(X_1, X_2, ...,X_n\)，每次抽样结果看成是随机变量的取值。
称 \(X_1, X_2, ...,X_n\) 为来自于总体 \(X\) 的样本容量为 \(n\) 的样本，\(x_1, x_2,...,x_n\) 是样本 \(X_1, X_2, ...,X_n\) 的一组观察值，称为样本值。
- 总体就是一个随机变量 \(X\)
- 样本就是 \(n\) 个相互独立的 \(X\) 同分布的随机变量 \(X_1,X_2,...,X_n\)
按机会均等的原则，从总体中选取一些个体进行实验或观察的过程，称为随机抽样。
获得简单随机样本的方法是简单随机抽样。
7.1.3 样本分布
若总体 \(X\) 具有分布函数 \(F(x)\)，设 \(X_1, X_2, ...,X_n\) 为来自于总体 \(X\) 的样本，则 \(X_1, X_2, ...,X_n\) 相互独立，且 \(X_i\) 的分布函数：
\[F_{X_i}(x_i)=P\{X_i\leq x_i\}=P\{X\leq x_i\}=F(x_i) \]\((X_1,X_2,...,X_n)\) 的分布函数称为样本分布，即
\[F(x_1,x_2,...,x_n)=\prod\limits^n_{i = 1}F(X_i) \]7.2 样本矩和统计量
定义
设 \(X_1, X_2, ...,X_n\) 为总体 \(X\) 的一个样本， \(g(x_1,x_2,...,x_n)\) 为一个不含总体未知参数的连续函数，则称 \(g(X_1,X_2,...,X_n)\) 为样本的一个统计量。
7.2.1 样本矩（样本的矩统计量）
设 \(X_1, X_2, ...,X_n\) 为来自于总体 \(X\) 的一个样本，称
-
样本均值：\(\overline{X}=\dfrac{1}{n}\sum\limits^n_{i=1}X_i\)
-
样本方差：\(S^2=\dfrac{1}{n-1}\sum\limits^n_{i=1}(X_i-\overline{X})^2\)
-
\(k\) 阶原点矩：\(A_k=\dfrac{1}{n}\sum\limits^n_{i=1}X_i^k\)
-
\(k\) 阶中心距：\(B_k=\dfrac{1}{n}\sum\limits^n_{i=1}(X_i-\overline{X})^k\)
样本矩都是随机变量。
如果 \(x_1, x_2,...,x_n\) 是样本 \(X_1, X_2, ...,X_n\) 的一组观察值，则：
\[\begin{aligned} &\overline{x}=\dfrac{1}{n}\sum\limits^n_{i=1}x_i&&s^2=\dfrac{1}{n-1}\sum\limits^n_{i=1}(x_i-\overline{x})^2\\ &a_k=\dfrac{1}{n}\sum\limits^n_{i=1}x_i^k&&b_k=\dfrac{1}{n}\sum\limits^n_{i=1}(x_i-\overline{x})^k \end{aligned} \]分别是 \(\overline{X},S^2,A_k,B_k\) 的观察值。
7.2.2 顺序统计量与经验分布函数
设 \(X_1, X_2, ...,X_n\) 为来自于总体 \(X\) 的一个样本，\(x_1, x_2,...,x_n\) （可以有相等的）是样本观察值，将观察值按大小次序排列，得到：
\[x_1^*\leq x_2^*\leq...\leq x_n^* \]规定 \(X_i^*\) 的取值为 \(x_i^*\)，得到 \(X_1^*,X_2^*,...,X_n^*\) 称为 \(X_1,X_2,...,X_n\) 的一组顺序统计量。
\(X_1^*\) 样本极大值，\(X_n^*\) 样本极小值
记函数：
\[F_n(x)=\left\{\begin{aligned} &0&&,x<x_1^*\\ &\dfrac{1}{n}&&,x_1^*\leq x\leq x_2^*\\ &\dfrac{k}{n}&&,x_k^*\leq x\leq x_{k+1}^*(k=1,...,n-1)\\ &1&&,x\geq x_n^* \end{aligned}\right. \]\(F_n(x)\) 是一单调不减，右连续函数，且满足 \(F_n(-\infty)=0\) 和 \(F_n(+\infty)=1\)，由此可见，\(F_n(x)\) 是一个分布函数，称它为总体 \(X\) 的经验分布函数。
\(F_n(x)\) 可作为 \(X\) 的未知分布函数 \(F(x)\) 的一个近似，\(n\) 越大，近似程度越好。
7.3 统计量的分布
7.3.1 正态总体的样本的线性函数的分布
设总体 \(X\sim N(\mu,\sigma^2)\)，\(X_1, X_2, ...,X_n\) 是来自于 \(X\) 的一个样本，则样本的线性函数：
\[Y=a_1X_1+a_2X_2+\cdots+a_nX_n+b\\ Y\sim N(EY,DY)\\ EY=\mu\sum\limits^n_{i=1}a_i+b\\ DY=\sigma^2\sum\limits^n_{i=1}a_i^2 \]特别地，当 \(a_i=\dfrac{1}{n},b=0\) 时，\(Y=\overline{X}=\dfrac{1}{n}\sum\limits_{i=1}^nX_i\)
\[\overline{X}\sim N(\mu,\dfrac{\sigma^2}{n}) \]均值与总体均值相等，方差等于总体方差的 \(\dfrac{1}{n}\)，\(n\) 越大，越向总体均值 \(\mu\) 集中。
常用结论：
\[\overline{X}\sim N(\mu,\dfrac{\sigma^2}{n})\\ \cfrac{\overline{X}-\mu}{\cfrac{\sigma}{\sqrt{n}}}\sim N(0,1)\\ \dfrac{X_i-\mu}{\sigma}\sim N(0,1) \]7.3.2 \(\chi^2(n)\) 分布
定义
设 \(X_1, X_2, ...,X_n\) 相互独立且都服从标准正态分布 \(N(0,1)\)，则 \(\chi^2=\sum\limits^n_{i=1}X_i^2\)。
称 \(\chi^2\) 服从自由度为 \(n\) 的 \(\chi^2\) 分布，记为 \(\chi^2\sim\chi^2(n)\)
\(\chi^2\) 的（下侧） \(\alpha\) 分位点：
对于给定的正数 \(\alpha\space(0<\alpha<1)\) ，使满足\(P\{\chi^2\leq \chi^2_\alpha(n)\}=a\) 的点 \(\chi^2_\alpha(n)\) 称为 \(\chi^2\) 分布的（下侧）\(\alpha\) 分位点。
性质
定理1:
若 \(X\sim\chi^2(n)\)，则 \(EX=n,DX=2n\)。
定理2:
若 \(X_1\sim\chi^2(n_1),\quad X_2\sim\chi^2(n_2)\)，且 \(X_1\) 与 \(X_2\) 相互独立，则 \(X_1 + X_2\sim \chi^2(n_1+n_2)\)
定理3:
设 \(X_1, X_2, ...,X_n\) 相互独立，且都服从 \(N\sim(\mu,\sigma^2)\)，则：
- \(\overline{X}\) 与 \(S^2\) 相互独立
- \(\dfrac{n-1}{\sigma^2}S^2\sim \chi^2(n-1)\quad =\dfrac{1}{\sigma^2}\sum\limits^n_{i=1}(X_i-\overline{X})^2\)
其中 \(\overline{X}=\dfrac{1}{n}\sum\limits^b_{i=1}X_i,\quad S^2=\dfrac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2\)
7.3.3 \(t\) 分布
定义
设 \(U\sim N(0,1),\quad V\sim \chi^2(n)\)，且 \(U\) 与 \(V\) 相互独立，随机变量 \(T=\dfrac{U}{\sqrt{V/n}}\) ，称 \(T\) 服从自由度为 \(n\) 的 \(t\) 分布，记作\(T\sim t(n)\)
\(t\) 分布的密度函数为偶函数。
\(t\) 分布的（下侧）\(\alpha\) 分位点：
对于给定的正数 \(\alpha\space(0<\alpha<1)\)，使满足 \(P\{T\leq t_\alpha(n)\}\) 的点 \(t_\alpha(n)\) 为 \(t\) 分布的（下侧）\(\alpha\) 分位点。
\(t\) 分布的（双侧）\(\alpha\) 分位点：
\[P\{|T|>t_{1-\frac{\alpha}{2}}\}=\alpha \]定理4:
设 \(X_1, X_2, ...,X_n\) 相互独立，且都服从 \(N(\mu,\sigma^2)\)，则
\[\cfrac{\overline{X}-\mu}{\cfrac{S}{\sqrt{n}}}=\dfrac{(\overline{X}-\mu)\sqrt{n}}{S}\sim t(n-1) \]定理5:
设 \(X_1, X_2, ...,X_m\) 和 \(Y_1,Y_2,...,Y_n\) 分别是从正态分布总体 \(N(\mu_1,\sigma^2)\) 和 \(N(\mu_2,\sigma^2)\) 中所抽取的独立样本，则
\[T=\dfrac{(\overline{X}-\overline{Y})-(\mu_1-\mu_2)}{\sqrt{(m-1)S_1^2+(n-1)S_2^2}}\cdot \sqrt{\dfrac{mn(m+n-2)}{m+n}}\sim t(m+n-2) \]7.3.4 \(F\) 分布
设 \(X\sim \chi^2(n_1),Y\sim \chi^2(n_2)\)，且 \(X\) 与 \(Y\) 相互独立，随机变量 \(F=\dfrac{X/n_1}{Y/n_2}\)
称 \(F\) 服从自由度为 \((n_1,n_2)\) 的 \(F\) 分布，记作 \(F\sim F(n_1,n_2)\)
\(F\) 的（下侧）\(\alpha\) 分位点：
对于给定的正数 \(\alpha\space(0<\alpha<1)\)，使满足 \(P\{F\leq F_\alpha(n)\}\) 的点 \(F_\alpha(n)\) 为 \(F\) 分布的（下侧）\(\alpha\) 分位点。
\[F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)} \]标签：...,limits,Chap07,dfrac,样本,BUAA,overline,统计,sim 来源： https://www.cnblogs.com/OnlyAR/p/15780207.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。