正态分布相关抽样分布和中心极限定理 Central Limit Theorem

DreamABCDEF

已于 2023-07-04 16:34:02 修改

阅读量351

点赞数

文章标签：概率论

于 2023-07-04 10:51:41 首次发布

本文链接：https://blog.csdn.net/DreamABCDEF/article/details/131505159

版权

7.1 简介
7.2 与正态分布相关的抽样分布
- $\bar{Y}$ 的分布
  - $Y_1, Y_2, ..., Y_n$ 是从一个均值为μ标准差为σ的正态分布中取的随机样本，那么这个样本的均值 $\bar{Y}=\frac{1}{n}\sum_{i=1}^n Y_i$ 的分布仍然是正态分布，其均值为 $\mu_{\bar{Y}}=\mu$ ，方差为 $\sigma_{\bar{Y}}^2=\sigma^2/n$ 。
- 卡方分布
  - $Y_1, Y_2, ..., Y_n$ 是从一个均值为μ标准差为σ的正态分布中取的随机样本，那么 $Z_i=\frac{Y_i-\mu}{\sigma}$ 是一系列独立的正态分布变量（均值为0，标准差为1）。Z的和 $\sum_{i=1}^n Z_i=\sum_{i=1}^n \frac{Y_i-\mu}{\sigma}$ 遵从一个自由度为n的 $\chi^2$ 分布。
  - 样本方差是对的一个很好的估计，其定义是。此外，遵从一个自由度为n-1的分布。
    - 至于为什么除以n-1，原因查询了网络，涉及到无偏性质，除以n-1的时候才是无偏差的点估计。
- T分布
  - Z是一个标准的正态分布变量，W是一个自由度为v的卡方分布变量。如果Z和W独立，那么 $T= \frac{Z}{\sqrt{W/v}}$ 遵从一个自由度为v的t分布。
- F分布
  - W1和W2是自由度分别为v1和v2的，且独立的卡方分布，那么 $F = \frac{W_1/v_1}{W_2/v_2}$ 遵从一个自由度为v1, v2的F分布。
7.3 中心极限定理
- 这是干什么用的？
  - 对于一个分布未知的样本，如果样本量足够大，那么就可以用中心极限定理算出均值的具体概率，详情见例题。
- 当样本量n足够大的时候，不管总体的分布是什么，样本的均值 $\bar{Y}$ 都趋向于正态分布。
- Y1, ...., Yn是独立，iid的随机变量，其均值为E(Yi)=μ，方差V(Yi)=σ^2<∞。定义 $U_n=\frac{\sum Y_i-n\mu}{\sigma\sqrt{n}}=\frac{\bar{Y}-\mu}{\sigma/\sqrt{n}}$ 。当n趋向于∞时，Un趋向于正态分布：对于所有u, $\lim_{n \rightarrow \infty} P(U_n \leq u)=\int_{-\infty}^u \frac{1}{2\pi}e^{-t^2/2}dt$ 。
- 例题一道：Y1, ..., Y100是一组遵从一个未知分布（期望值为60，方差为64）的iid随机变量, 另外已知为58。求。
  - $P(\bar{Y} \leq58)=P(\frac{\bar{Y}-\mu}{\sigma/\sqrt{n}} \leq \frac{58-\mu}{\sigma/\sqrt{n}})=P(\frac{\bar{Y}-60}{8/\sqrt{100}} \leq\frac{58-60}{8/\sqrt{100}})=P(Z \leq-2.5)=0.0062$
  - * 已知 $\bar{Y}\sim N(\mu, \sigma/\sqrt{n})$ ，可以得出 $Z=\frac{observed - expected}{sd}=\frac{\bar{Y}-\mu}{\sigma/\sqrt{n}}$ ，所以上述计算可以替换成Z。
7.4 中心极限定理证明
- 略
7.5 正态分布对二项分布的近似
- 略，详情见二项分布