常用统计量

1. 统计量

• 统计量

  设$X_1,X_2,\cdots ,X_n$是来自总体$X$的一个样本，$g(X_1,X_2,\cdots ,X_n)$是$X_1,X_2,\cdots ,X_n$的函数，若$g$中不含未知参数，则称$g(X_1,X_2,\cdots ,X_n)$是一个统计量

• 常用统计量

  1. 样本均值

     $\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i$

  2. 样本方差

     未修正的样本方差 ：$S_0^2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2=\frac{1}{n}(\sum _{i=1}^n{X}_i^2-n{\overline{X}}^2)$

     修正的样本方差： $S^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2=\frac{1}{n-1}(\sum _{i=1}^n{X}_i^2-n{\overline{X}}^2)$

     不少人会有疑问，为啥修正样本方差的分母是$n-1$，这里给予数学证明

     证明

     我们首先假设总体$X$的期望和方差存在，有$E(X)=\mu ,D(X)={\sigma }^2$,此时有以下三个等式成立

     $$E(\overline{X})=\mu ,D(\overline{X})=\frac{{\sigma }^2}{n}$$，稍后会给予证明.

     为了证明修正的样本方差为无偏估计，也就是我们要证明样本方差和总体方差一样，即$E{S}^2={\sigma }^2$

     证明如下

     $\begin{array}{rl}E{S}^2& =E[\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2]\\ & =E\left\{\frac{1}{n-1}\sum _{i=1}^n\right[(X_i-\mu )-(\overline{X}-\mu ){]}^2\}\\ & =\frac{1}{n-1}E[\sum _{i=1}^n(X_i-\mu {)}^2-2\sum _{i=1}^n(X_i-\mu )(\overline{X}-\mu )+\sum _{i=1}^n(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}E[\sum _{i=1}^n(X_i-\mu {)}^2-2(\overline{X}-\mu )\sum _{i=1}^n(X_i-\mu )+n(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}E[\sum _{i=1}^n(X_i-\mu {)}^2-2(\overline{X}-\mu )(\sum _{i=1}^n{X}_i-\sum _{i=1}^n\mu )+n(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}E[\sum _{i=1}^n(X_i-\mu {)}^2-2(\overline{X}-\mu )(n\overline{X}-n\mu )+n(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}E[\sum _{i=1}^n(X_i-\mu {)}^2-n(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}[E\sum _{i=1}^n(X_i-\mu {)}^2-nE(\overline{X}-\mu {)}^2]\\ & =\frac{1}{n-1}[\sum _{i=1}^{n}E(X_i-\mu {)}^2-nD\overline{X}]\\ & =\frac{1}{n-1}[\sum _{i=1}^{n}D{X}_i-nD\overline{X}]\\ & =\frac{1}{n-1}(n{\sigma }^2-n\frac{1}{n}{\sigma }^2)\\ & ={\sigma }^2\end{array}$

  3. 样本标准差

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

  4. 样本$k$阶原点矩

     $A_k=\frac{1}{n}\sum _{i=1}^n{X}_i^k,k=1,2,\cdots$

     一阶原点矩$A_1=\frac{1}{n}\sum _{i=1}^n{X}_i=\overline{X}$ ，即 样本的一阶原点矩就是样本均值

  5. 样本$k$阶中心距

     $A_k=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^k,k=2,3,\cdots$

     $A_2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2=S_0^2=\frac{n-1}{n}{S}^2$ 即样本2阶中心距为样本的未修正方差

• 关于样本均值和样本方差的性质

  设总体$X$的均值和方差存在（不管总体$X$服从什么分布，只要它的均值和方差存在），且有$E(X)=\mu ,D(X)={\sigma }^2$，$X_1,X_2,\cdots ,X_n$是来自总体$X$的一个样本，则有$$E(\overline{X})=\mu ,D(\overline{X})=\frac{{\sigma }^2}{n},E{S}^2={\sigma }^2$$

  证明如下

  $\begin{array}{rl}E(\overline{X})& =E(\frac{1}{n}\sum _{i=1}^n{X}_i)=\frac{1}{n}\sum _{i=1}^{n}E(X_i)=\frac{1}{n}n\mu =\mu \end{array}$

  $\begin{array}{rl}D(\overline{X})& =D(\frac{1}{n}\sum _{i=1}^n{X}_i)=\frac{1}{n^2}\sum _{i=1}^{n}D(X_i)=\frac{1}{n^2}n{\sigma }^2=\frac{{\sigma }^2}{n}\end{array}$

  $E{S}^2={\sigma }^2$在样本方差时已经证明，不在重复。