6 总体与样本

6.1 总体与样本

• 在数理统计中，我们将所研究的对象的全体称为总体，而将总体中的每个成员称为个体。
• 总体中所包含的个体的数量称为样本的容量，如果一个总体所包含的个体数量是有限的，则称之为有限总体。如果总体所包含的个体数量是无限的，则称之为无限总体。
• 样本：被抽取的部分个体
• 简单随机样本
  • 随机样本$(X_1,X_2,\dots ，X_n)$中，每个$X_i$与$X_n$是相互独立的随机变量
  • 这些样本和总体$X$同分布
• 获得简单随机样本
  • 简单随机抽样
  • 对于有限个体采用放回抽样
  • 对于无限总体（或很大的总体）采用不放回抽样

6.2 统计量与抽样分布

一 、统计量

定义 设$(X_1,X_2,\dots ,X_n)$为来自总体$X$的一个样本，$g(x_1,x_2,\dots ,x_n)$是$X_1,X_2,\dots ,X_n$的函数，若$g$中不含位置参数，则称$g(X_1,X_2,\dots ,X_n)$是一统计量。

常用统计量：

• 样本平均值：
  $$\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i$$

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

• 样本标准差：
  $$S=\sqrt{\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X})}$$

• 样本$k$阶原点矩：
  $$A_k=\frac{1}{n}\sum _{i=1}^n{X}_i^k，k=1,2,3,\dots$$

• 样本$k$阶中心矩：
  $$B_k=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^k,k=1,2,3,\dots$$

在一次具体的观察中，统计量是具体的数值；但脱离具体的观察或试验，统计量应看作随机变量。

统计量的分布称为抽样分布

二 、正态总体的常用统计量的分布

( 一 ) ${\chi }^2$分布

定义 设$X_1,X_2,\dots ,X_n$为独立同分布的随机变量，均服从$N(0,1)$，则称随机变量
$${\chi }^2=\sum _{i=1}^n{X}_i^2$$
为服从自由度为n的${\chi }^2$分布，记为${\chi }^2\sim {\chi }^2(n)$.

自由度：独立变量的个数

概率密度（不重要）
$$f(y)=\{\begin{array}{ll}\frac{1}{2^{\frac{n}{2}\Gamma (\frac{n}{2})}}{y}^{\frac{n}{2}-1}{e}^{-\frac{y}{2}}& \text{y>0}\\ 0& \text{其他}\end{array}$$
其中，
$$\begin{gathered} \Gamma (\alpha )={\int }_0^{+\infty }{x}^{\alpha -1}{e}^{-x}dx \\ \Gamma (n)=(n-1)! \end{gathered}$$
性质:

• ${\chi }^2$分布的可加性 若${\chi }_1^2\sim {\chi }^2(n_1)，{\chi }_2^2\sim {\chi }^2(n_2)$，并且${\chi }_1^2$与${\chi }_2^2$相互独立，则有
  $${\chi }_1^2+{\chi }_2^2\sim {\chi }^2(n_1+n_2)$$

• ${\chi }^2$分布的期望和方差 若${\chi }^2\sim {\chi }^2(n)$，则有
  $$E({\chi }^2)=n,D({\chi }^2)=2n$$

${\chi }^2$分布的上分位点 对于给定的正数$\alpha$, $0<\alpha <1$, 满足条件
P { χ 2 > χ α 2 ( n ) } = ∫ 0 ∞ f ( y ) d y = α P\{ \chi^2>\chi^2_\alpha(n) \}=\int_0^{\infty}f(y)dy=\alpha P{χ2>χα2​(n)}=∫0∞​f(y)dy=α
的点${\chi }_{\alpha }^2(n)$就是${\chi }_2(n)$分布的上$\alpha$分位点。

（二）t 分布

定义 设 $X\sim N(0,1)，Y\sim {\chi }^2(n)$，且X与Y相互独立，则称随机变量
$$T=\frac{X}{\sqrt{Y/n}}$$
为服从自由度n的 t 分布，记为$T\sim t(n)$.

概率密度函数 ：
$$h(t)=\frac{\Gamma [(n+1)/2]}{\sqrt{\pi n}\Gamma (n/2)}(1+\frac{t^2}{n}{)}^{-(n+1)/2}$$
当$n\to +\infty$时,
$$\underset{n\to +\infty }{\lim }h(1)=\frac{1}{\sqrt{2\pi }}{e}^{-t^2/2}$$
故当n足够大时，t 分布近似于$N(0,1)$分布。

t 分布的上分位点 对于给定的$\alpha$, $0<\alpha <1$, 满足条件
P { t > t α ( n ) } = ∫ t α ∞ h ( t ) d t = α P\{ t>t_\alpha(n)\}=\int_{t_\alpha}^\infty h(t) dt=\alpha P{t>tα​(n)}=∫tα​∞​h(t)dt=α
的点$t_{\alpha }(n)$就是$t(n)$分布的上$\alpha$分位点。
$$t_{1-\alpha }(n)=-t_{\alpha }(n)$$

（三）F 分布

定义 设$U\sim {\chi }^2(n_1)，V\sim {\chi }^2(n_2)$，且U与V相互独立，则称随机变量
$$F=\frac{U/n_1}{V/n_2}$$
服从自由度为$(n_1,n_2)$的F分布，记为$F\sim F(n_1,n_2)$.

概率密度函数 :
$$\psi (y)=\{\begin{array}{ll}\frac{\Gamma [(n_1+n_2)/2](n_1/n_2{)}^{n_1/2}{y}^{(n_1/2)-1}}{\Gamma (n_1/2)\Gamma (n_2/2)[1+(n_{1}y/n_2){]}^{(n_1+n_2)/2}}& \text{y>0}\\ 0& \text{其他}\end{array}$$
性质：

• 若$F\sim F(n_1,n_2)$，则$\frac{1}{F}\sim F(n_2,n_1)$.
• 若$T\sim t(n)$，则$T^2\sim F(1,n)$

F 分布的上分位点 对于给定的$\alpha$, $0<\alpha <1$, 满足条件
P { F > F α ( n 1 , n 2 ) } = ∫ F α ( n 1 , n 2 ) ∞ ψ ( y ) d y = α P\{ F>F_\alpha(n_1,n_2)\}=\int_{F_\alpha(n_1,n_2)}^\infty \psi(y) dy=\alpha P{F>Fα​(n1​,n2​)}=∫Fα​(n1​,n2​)∞​ψ(y)dy=α
的点$F_{\alpha }(n_1,n_2)$就是$F(n_1,n_2)$分布的上$\alpha$分位点。

三 、正态总体的样本均值与样本方差的分布

定理一二三 设$X_1,X_2,\dots ,X_n$是来自正态总体$N(\mu ,{\sigma }^2)$的样本，则

• $\bar{X}\sim N(\mu ,\frac{{\sigma }^2}{n})$；
• $\frac{(n-1)S^2}{{\sigma }^2}\sim {\chi }^2(n-1)$；
• $\bar{X}$ 和 $S^2$相互独立；
• $\dfrac{\bar{X} - \mu}{S/\sqrt n} \sim t(n-1) $

定理四 设$X_1,X_2,\dots ,X_n$与$Y_1,Y_2,\dots ,Y_n$分别是来自正态总体$N({\mu }_1,{\sigma }_1^2)$和$N({\mu }_2,{\sigma }_2^2)$的样本，且两样本相互独立。记$\bar{X}=\frac{1}{n_1}\sum _{i=1}^{n_1}$和$\bar{Y}=\frac{1}{n_2}\sum _{i=1}^{n_2}$分别为它们的样本均值；$S_1^2=\frac{1}{n_1-1}\sum _{i=1}^{n_1}(X_i-\bar{X}{)}^2$,$S_2^2=\frac{1}{n_2-1}\sum _{i=1}^{n_2}(Y_i-\bar{Y}{)}^2$分别为它们的样本方差，则有

• $\frac{S_1^2/S_2^2}{{\sigma }_1^2/{\sigma }_2^2}=F(n_1-1,n_2-1)$

• 当${\sigma }_1^2={\sigma }_2^2={\sigma }_3^2$时，
  $$\frac{(\bar{X}-\bar{Y})-({\mu }_1-{\mu }_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2)$$
  其中，
  $$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},S_w=\sqrt{S_w^2}$$