学生定理(t分布的推论)

内容来源
数理统计学导论（原书第7版） 机械工业出版社

---

学生定理

设 $X_1,\cdots ,X_n$ 是 $\mathrm{iid}$ (独立同分布)随机变量，它们均服从均值 $\mu$ 与方差 ${\sigma }^2$ 的正态分布，定义随机变量

$$\begin{gathered} \overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i \\ {S}^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2 \end{gathered}$$

于是

1. $\overline{X}$ 服从 $N(\mu ,\frac{{\sigma }^2}{n})$ 分布.

2. $\overline{X}$ 与 $S^2$ 是独立的.

3. $(n-1)S^2/{\sigma }^2$ 服从 ${\chi }^2(n-1)$ 分布.

4. 随机变量

   $$T=\frac{\overline{X}-\mu }{S/\sqrt{n}}$$

   服从自由度 $n-1$ 的学生 $t$ 分布.

---

证明

1

就是正态分布可加性的推广，略

2

设 $X=(X_1,\cdots ,X_n{)}^{\prime }$

则 $X\sim N_n(\mu 1,{\sigma }^{2}I)$ ，其中 $1$ 表示分量全部为 $1$ 的向量（下面参与矩阵运算的数字也都是对应的 $n$ 维向量）

再设

$$\begin{gathered} v^{\prime }=(1/n,\cdots ,1/n) \\ Y=(X_1-\overline{X},\cdots ,X_n-\overline{X}{)}^{\prime } \end{gathered}$$

得到下述变换

$$W=\left[\begin{array}{c}\overline{X}\\ Y\end{array}\right]=\left[\begin{array}{c}{v}^{\prime }\\ I-1v^{\prime }\end{array}\right]X$$

因为 $W$ 是 $X$ 的线性变换，所以 $W$ 也服从多元正态分布

（$W$ 是 $n+1$ 维的）

其均值为

$$E[W]=\left[\begin{array}{c}{v}^{\prime }\\ I-1v^{\prime }\end{array}\right]\mu 1=\left[\begin{array}{c}\mu \\ 0\end{array}\right]$$

协方差为

$$\Sigma =\left[\begin{array}{c}{v}^{\prime }\\ I-1v^{\prime }\end{array}\right]{\sigma }^{2}I\left[\begin{array}{c}{v}^{\prime }\\ I-1v^{\prime }\end{array}\right]={\sigma }^2\left[\begin{array}{cc}1/n& 0\\ 0& I-1v^{\prime }\end{array}\right]$$

根据多元正态分布的性质，$X$ 与 $Y$ 是独立的

又 $S^2=(n-1{)}^{-1}{Y}^{\prime }Y$

所以 $X$ 与 $S^2$ 也是独立的

3

构造随机变量

$$V=\sum _{i=1}^n(\frac{X_i-\mu }{\sigma }{)}^2$$

此和式中每一项都是标准正态分布的平方

即每一项都服从 ${\chi }^2(1)$ 分布，而且各项相互独立

所以 $V\sim {\chi }^2(n)$ （伽马分布可加性）

然后把 $V$ 拆开

$$\begin{array}{rl}V& =\sum _{i=1}^n(\frac{(X_i-\overline{X})+(\overline{X}-\mu )}{\sigma }{)}^2\\ & =\sum _{i=1}^n(\frac{X_i-\overline{X}}{\sigma }{)}^2+2\sum _{i=1}^n(\frac{(X_i-\overline{X})(\overline{X}-\mu )}{\sigma }{)}^2+\sum _{i=1}^n(\frac{\overline{X}-\mu }{\sigma }{)}^2\\ & =\frac{(n-1)S^2}{{\sigma }^2}+0+(\frac{\overline{X}-\mu }{\sigma /\sqrt{n}}{)}^2\end{array}$$

最后等式右边两项是独立的，而且第二项是标准正态的平方，服从 ${\chi }^2(1)$ 分布

然后把可加性反过来用，得到结论 $3$

4

（书上这里写了个显然…）

把 $T$ 拆开看就行

一个是

$$\frac{\overline{X}-\mu }{\sigma /\sqrt{n}}\sim N(0,1)$$

另一个是

$$\frac{(n-1)S^2}{{\sigma }^2}\sim {\chi }^2(n-1)$$

让后再看看 $t$ 分布的定义

$$t(r)=\frac{N(0,1)}{\sqrt{{\chi }^2(r)/r}}$$

（确实显然）