总体与样本
总体:研究对象的全体
个体:组成总体的成员
样本:从总体中抽出的部分个体
样本容量:样本中样品个数
定义:
设X是具有分布函数F(x)的随机变量,若X1,X2……Xn是具有同一分布函数F(x)的相互独立的随机变量,称X1……Xn是来自总体X中的容量为n的简单随机样本,简称为样本
X1……Xn是一次实现x1……xn为样本观察值
经验分布函数
x1……xn是来自总体分布函数F(x)的样本
记
I
i
(
x
)
=
{
1
x
i
≤
x
0
x
i
>
x
I_i(x)=\left\{ \begin{aligned} 1& &x_i ≤x \\ 0& & x_i>x\\ \end{aligned} \right.
Ii(x)={10xi≤xxi>x
称函数
F
n
(
x
)
=
1
n
∑
i
=
1
n
I
i
(
x
)
F_n(x)=\frac{1}{n}\sum^n_{i=1}I_i(x)
Fn(x)=n1i=1∑nIi(x)是经验分布函数
统计量
X1……Xn是取自某总体的样本,若样本函数T=T(X1……Xn)不含未知参数,称T是统计量
若x1……xn是样本观测值,称T(x1……xn)是T的样本值
样本均值
X
‾
=
1
n
∑
i
=
1
n
X
i
\overline{X}=\frac{1}{n}\sum^n_{i=1}X_i
X=n1∑i=1nXi
样本方差
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
‾
)
2
S^2 = \frac{1}{n-1}\sum^n_{i=1}(X_i-\overline{X})^2
S2=n−11∑i=1n(Xi−X)2
样本标准差
S
=
S
2
S = \sqrt{S^2}
S=S2
r阶原点矩
A
r
=
1
n
∑
i
=
1
n
X
i
r
A_r=\frac{1}{n}\sum^n_{i=1}X^r_i
Ar=n1∑i=1nXir
r阶中心矩
B
r
=
1
n
∑
i
=
1
n
(
X
i
−
X
‾
)
r
B_r=\frac{1}{n}\sum^n_{i=1}(X_i-\overline{X})^r
Br=n1∑i=1n(Xi−X)r
统计量的分布称为抽样分布
抽样分布
卡方分布
设随机变量
X
1
…
…
X
n
X_1……X_n
X1……Xn独立同分布且服从标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1),称随机变量
χ
2
=
∑
i
=
1
n
X
i
2
\chi^2=\sum^n_{i=1}X_i^2
χ2=∑i=1nXi2服从自由度为n的
χ
2
\chi^2
χ2分布
记为
χ
2
∼
χ
2
(
n
)
\chi^2\sim\chi^2(n)
χ2∼χ2(n)
不难发现 E χ 2 = n V a r χ 2 = 2 n E\chi^2=n \quad Var\chi^2=2n Eχ2=nVarχ2=2n
定理
设随机变量
X
1
…
…
X
n
X_1……X_n
X1……Xn独立同分布且服从正态分布
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2),
有
∑
i
=
1
n
(
X
i
−
μ
σ
)
2
∼
χ
2
(
n
)
\sum^n_{i=1}(\frac{X_i-\mu}{\sigma})^2\sim\chi^2(n)
i=1∑n(σXi−μ)2∼χ2(n)
t分布
X
∼
N
(
0
,
1
)
Y
∼
χ
2
(
n
)
X\sim N(0,1)\quad Y\sim\chi^2(n)
X∼N(0,1)Y∼χ2(n)且X和Y相互独立
T
=
X
Y
/
n
∼
t
(
n
)
T=\frac{X}{\sqrt{Y/n}}\sim t(n)
T=Y/nX∼t(n)
- T ∼ t ( n ) T\sim t(n) T∼t(n),若 n ≤ 1 n\le 1 n≤1 期望ET不存在,若n>1 ET=0
-
T
∼
t
(
n
)
T\sim t(n)
T∼t(n),
n
>
1
n>1
n>1
E ∣ T ∣ k < ∞ , k < n E ∣ T ∣ k = ∞ , k ≥ n E|T|^k < \infty,k<n\\E|T|^k =\infty, k\ge n E∣T∣k<∞,k<nE∣T∣k=∞,k≥n - T ∼ t ( n ) T\sim t(n) T∼t(n), n > 2 n>2 n>2, V a r T = n n − 2 VarT=\frac{n}{n-2} VarT=n−2n
- t(1)为柯西分布
- n充分大可以用N(0,1)近似
F分布
X ∼ χ 2 ( n ) Y ∼ χ 2 ( m ) F = X / n Y / m ∼ F ( n , m ) X\sim \chi^2(n)\quad Y\sim\chi^2(m)\quad F=\frac{X/n}{Y/m}\sim F(n,m) X∼χ2(n)Y∼χ2(m)F=Y/mX/n∼F(n,m)
不难发现
- X ∼ t ( n ) X 2 ∼ F ( 1 , n ) X\sim t(n)\quad X^2\sim F(1,n) X∼t(n)X2∼F(1,n)
- F ∼ F ( n , m ) 1 / F ∼ F ( m , n ) F\sim F(n,m)\quad 1/F\sim F(m,n) F∼F(n,m)1/F∼F(m,n)
- F α ( n , m ) F 1 − α ( n , m ) = 1 F_\alpha(n,m)F_{1-\alpha}(n,m)=1 Fα(n,m)F1−α(n,m)=1
正态分布下的抽样总分步
Fisher定理
X
1
…
…
X
n
X_1……X_n
X1……Xn独立同分布且服从标准正态分布
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2)
X
‾
和
S
2
\overline{X}和S^2
X和S2是样本均值和样本方差且相互独立
X ‾ ∼ N ( μ , σ 2 n ) \overline{X}\sim N(\mu,\frac{\sigma^2}{n}) X∼N(μ,nσ2) ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) σ2(n−1)S2∼χ2(n−1) X ‾ − μ S n ∼ t ( n − 1 ) \frac{\overline{X}-\mu}{S}\sqrt{n}\sim t(n-1) SX−μn∼t(n−1)