基于正态分布的抽样分布-T分布

燕北茶

已于 2022-02-16 22:10:12 修改

阅读量2.6k

点赞数 1

分类专栏：数据分析文章标签：概率论机器学习算法

于 2022-02-16 21:59:52 首次发布

本文链接：https://blog.csdn.net/Zohn_Sun/article/details/122971937

版权

数据分析专栏收录该内容

6 篇文章 0 订阅

订阅专栏

T分布

$T=\frac{Z}{\sqrt{\chi ^{2}/\nu }}$

Z为标准正态分布统计量， $\chi ^{2}$ 为卡方分布，v为卡方分布自由度，T自由度=v；

假设有相互独立的样本观测值 $x_{1},x_{2},x_{3}...x_{n}$ ,来自于一个均值为 $\mu$ ，方差为 $\sigma ^{2}$ 的正态统计，且均值 $\bar{x}$ 符合正态分布：

$Z=\frac{\bar{x}-\mu }{\sqrt{\frac{\sigma ^{2}}{n}}}$

可知，卡方分布为：

$\chi ^{2}=\frac{(n-1)s^{2}}{\sigma ^{2}}$ 自由度 $\upsilon = \left ( n-1 \right )$

卡方分布https://blog.csdn.net/Zohn_Sun/article/details/122970784?spm=1001.2014.3001.5501

推导：

由卡方分布可推 $\chi ^{2}/\nu$ = $\chi ^{2}/\left ( n-1 \right )$ = $\chi ^{2}\cdot \frac{1}{n-1}$

推导可得： $\chi ^{2}\cdot \frac{1}{n-1}=\frac{(n-1)s^{2}}{\sigma ^{2}}\cdot \frac{1}{n-1}$ ----------> $\chi ^{2}\cdot \frac{1}{n-1}=\frac{s^{2}}{\sigma^{2} }$

则 $\sqrt{\chi^{2}/\nu }=\frac{s}{\sigma}$

此时 $T=\frac{\frac{\bar{x}-\mu }{\sqrt{\frac{\sigma ^{2}}{n}}}}{\frac{s}{\sigma }}=\frac{\frac{\sqrt{n}\left ( \bar{x}-\mu \right )}{\sigma}}{\frac{s}{\sigma }}=\frac{\sqrt{n}\left ( \bar{x}-\mu \right )}{s}=\frac{\bar{x}-\mu }{\frac{s}{\sqrt{n}}}$

化简推导： $T=\frac{\bar{x}-\mu }{\frac{s}{\sqrt{n}}}$

此时我们可以看推导后的T分布公式，若 $s=\sigma$ ,则T=Z公式符合正态分布，但一般情况下样本的总体方差 $\sigma ^{2}$ 不可知，因此使用样本方差代替 $s^{2}$ ，此时样本符合T分布。

$T=\frac{\bar{x}-\mu }{\frac{s}{\sqrt{n}}}$ 一般用于T检验。

T分布应用：独立小样本两个总体均值差的区间估计https://blog.csdn.net/Zohn_Sun/article/details/122835360?spm=1001.2014.3001.5501

import matplotlib.pyplot as plt
from scipy.stats import t
import numpy as np
x = np.linspace( -3, 3, 100)
plt.plot(x, t.pdf(x,1), label='df=1')
plt.show()

t分布的概率密度函数和正态分布的概率密度函数都是偶函数(左右对称的)。t分布随着自由度的增加，就越来越接近正态分布，即t分布的极限分布也是正态分布

from scipy import stats

# T分布
stats.t
#分布函数值
stats.t.cdf(α,自由度)；
# 概率密度函数
stats.t.pdf(α,自由度)；
# 右分位点，若取95%置信系数，则α=（1-0.95）/2
stats.t.isf(α,自由度)；

燕北茶

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录