机器学习|五个重要的抽样分布定理|15mins入门|概统学习笔记（二十一）-CSDN博客

本文链接：https://blog.csdn.net/SanyHo/article/details/105227217

重要的抽样分布定理

前提：都是单个总体的样本，样本的数学期望和方差都易求，以此来求总体的数学期望和方差

定理1（样本均值的分布）

定义：设 $X_1,X_2,...,X_n$ 是取自正态总体 $N(\mu,\sigma^2)$ 的样本，则有 $\overline X$ ~ $N(\mu,\frac{\sigma^2}{n})$

因此 $\frac{\overline X - \mu}{\sigma/\sqrt{n}}$ ~ $N (0, 1)$
作用：可推测总体的 $\mu、\sigma^2$ 值，但前提是至少有一个已知

证明：

$E(\overline X)=E(\frac{1}{n}\sum_{i=1}^nX_i)=\frac{1}{n}E(\sum_{i=1}^nX_i)=\frac{1}{n}(\sum_{i=1}^nEX_i)=\frac{1}{n}\times n \times\mu=\mu$

$D(\overline X)=D(\frac{1}{n}\sum_{i=1}^nX_i)=\frac{1}{n^2}D(\sum_{i=1}^nX_i)=\frac{1}{n^2}(\sum_{i=1}^nDX_i)=\frac{1}{n^2}\times n\times \sigma^2 = \frac{\sigma^2}{n}$

在这里插入图片描述

定理2 （样本方差的分布）

定义：设 $X_1,X_2,...,X_n$ 是取自正态总体 $N(\mu,\sigma^2)$ 的样本， $\overline X$ 和 $S^2$ 分别为样本均值和样本方差，则有 $\frac{(n-1)S^2}{\sigma^2}$ ~ $\chi^2(n-1)$ ，且 $\overline X$ 和 $S^2$ 相互独立。
作用：在总体的 $\mu$ 未知时，可推测总体的 $\sigma^2$ 的值。

在这里插入图片描述

定理3（样本的均值与方差的联合分布）

设 $X_1,X_2,...,X_n$ 是取自正态总体 $N(\mu,\sigma^2)$ 的样本， $\overline X$ 和 $S^2$ 分别为样本均值和样本方差，则有

$\frac{\overline X-\mu}{S/\sqrt{n}}$ ~ $t (n - 1)$
作用：在总体的 $\sigma^2$ 未知时，可推测总体的 $\mu$ 值
证明：

由定理一可知： $\frac{\overline X-\mu}{\sigma/\sqrt{n}}$ ~ $N (0, 1)$

由定理二可知： $\frac{(n-1)S^2}{\sigma^2}$ ~ $\chi^2(n-1)$

且两者相互独立，由t分布的定义可知

$\frac{\frac{\overline X-\mu}{\sigma/\sqrt n}}{\sqrt{\frac{(n-1)S^2}{\sigma^2(n-1)}}}$ ~ $\quad \to \quad \frac{\overline X-\mu}{S/\sqrt{n}}$ ~ $t (n - 1)$

定理4 （两总体样本均值差的分布）

设 $X\sim N(\mu,\sigma^2)$ ， $Y$ ~ $N(\mu_2,\sigma^2)$ ,且X与Y独立， $X_1,X_2,...,X_{n_2}$ 是取自X的样本， $Y_1,Y_2,...,Y_{n_2}$ 取自Y的样本， $\overline X$ 和 $\overline Y$ 分别是这两个样本的样本均值， $S_1^2$ 和 $S_2^2$ 分别是这两个样本的样本方差，则有

$\frac{\overline X-\overline Y-(\mu_1-\mu_2)}{\sqrt{\frac{(n-1)S_1^2+(n_2-1S_2^2)}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}$ ~ $t(n_1+n_2-2)$

定理5 （两总体样本方差比的分布）

设 $\sim N(\mu,\sigma^2)$ ， $Y$ ~ $N(\mu_2,\sigma^2)$ ,且X与Y独立， $X_1,X_2,...,X_{n_2}$ 是取自X的样本， $Y_1,Y_2,...,Y_{n_2}$ 取自Y的样本， $\overline X$ 和 $\overline Y$ 分别是这两个样本的样本均值， $S_1^2$ 和 $S_2^2$ 分别是这两个样本的样本方差，则有

$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ ~ $F(n_1-1,n_2-1)$
作用：可推测两个总体的方差比值