目录
- 第五章 大数定律和中心极限定理
- 第六章 数理统计的基本概念
- 6.1 总体、样本、统计量和样本数字特征
- 6.2 常用统计抽样分布和正态总体的抽样分布
- 例5 设 X ∼ N ( 0 , σ 2 ) X\sim N(0,\sigma^2) X∼N(0,σ2),从总体 X X X中抽取样本 X 1 , X 2 , ⋯ , X 9 X_1,X_2,\cdots,X_9 X1,X2,⋯,X9,试确定 σ \sigma σ的值,使得 P { 1 < X ‾ < 3 } P\{1<\overline{X}<3\} P{1<X<3}为最大,其中 X ‾ = 1 9 ∑ i = 1 9 X i \overline{X}=\cfrac{1}{9}\displaystyle\sum^9_{i=1}X_i X=91i=1∑9Xi。
- 例6 已知 X 1 , X 2 , X 3 X_1,X_2,X_3 X1,X2,X3相互独立且服从 N ( 0 , σ 2 ) N(0,\sigma^2) N(0,σ2),证明: 2 3 X 1 + X 2 + X 3 ∣ X 2 − X 3 ∣ \sqrt{\cfrac{2}{3}}\cfrac{X_1+X_2+X_3}{|X_2-X_3|} 32∣X2−X3∣X1+X2+X3服从 t ( 1 ) t(1) t(1)分布。
- 例8 设随机变量 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn独立同分布且具有相同的分布密度,证明: P { X n > max ( X 1 , ⋯ , X n ) } = 1 n P\{X_n>\max(X_1,\cdots,X_n)\}=\cfrac{1}{n} P{Xn>max(X1,⋯,Xn)}=n1。
- 写在最后
第五章 大数定律和中心极限定理
第六章 数理统计的基本概念
6.1 总体、样本、统计量和样本数字特征
例4 设总体 X ∼ P ( λ ) X\sim P(\lambda) X∼P(λ),则来自总体 X X X的样本 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn的样本均值 X ‾ \overline{X} X的分布律为______。
解 当 X 1 , X 2 X_1,X_2 X1,X2独立时, X 1 + X 2 ∼ P ( 2 λ ) X_1+X_2\sim P(2\lambda) X1+X2∼P(2λ),进一步得知 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn独立同为 P ( λ ) P(\lambda) P(λ)分布时 ∑ i = 1 n X i = n X ‾ ∼ P ( n λ ) \displaystyle\sum^n_{i=1}X_i=n\overline{X}\sim P(n\lambda) i=1∑nXi=nX∼P(nλ)。于是,对于任意 n > 2 n>2 n>2,得 n X ‾ n\overline{X} nX的分布律 P { n X ‾ = k } = ( n λ ) k k ! e − n λ , k = 0 , 1 , 2 , ⋯ P\{n\overline{X}=k\}=\cfrac{(n\lambda)^k}{k!}e^{-n\lambda},k=0,1,2,\cdots P{nX=k}=k!(nλ)ke−nλ,k=0,1,2,⋯。而 P { n X ‾ = k } = P { X ‾ = k n } P\{n\overline{X}=k\}=P\left\{\overline{X}=\cfrac{k}{n}\right\} P{nX=k}=P{X=nk},所以 P { X ‾ = k n } = ( n λ ) k k ! e − n λ , k = 0 , 1 , 2 , ⋯ P\left\{\overline{X}=\cfrac{k}{n}\right\}=\cfrac{(n\lambda)^k}{k!}e^{-n\lambda},k=0,1,2,\cdots P{X=nk}=k!(nλ)ke−nλ,k=0,1,2,⋯。(这道题主要利用了分布函数性质求解)
6.2 常用统计抽样分布和正态总体的抽样分布
例5 设 X ∼ N ( 0 , σ 2 ) X\sim N(0,\sigma^2) X∼N(0,σ2),从总体 X X X中抽取样本 X 1 , X 2 , ⋯ , X 9 X_1,X_2,\cdots,X_9 X1,X2,⋯,X9,试确定 σ \sigma σ的值,使得 P { 1 < X ‾ < 3 } P\{1<\overline{X}<3\} P{1<X<3}为最大,其中 X ‾ = 1 9 ∑ i = 1 9 X i \overline{X}=\cfrac{1}{9}\displaystyle\sum^9_{i=1}X_i X=91i=1∑9Xi。
解 因为
X
‾
σ
/
3
=
3
X
‾
σ
∼
N
(
0
,
1
)
\cfrac{\overline{X}}{\sigma/3}=\cfrac{3\overline{X}}{\sigma}\sim N(0,1)
σ/3X=σ3X∼N(0,1),所以
p
(
σ
)
=
P
{
1
<
X
‾
<
3
}
=
P
{
3
σ
<
3
X
‾
σ
⩽
9
σ
}
=
Φ
(
9
σ
)
−
Φ
(
3
σ
)
,
p
′
(
σ
)
=
φ
(
9
σ
)
(
−
9
σ
2
)
−
φ
(
3
σ
)
(
−
3
σ
2
)
=
−
9
2
π
σ
2
e
−
81
2
σ
2
+
3
2
π
σ
2
e
−
9
2
σ
2
=
3
2
π
σ
2
e
−
9
2
σ
2
(
1
−
3
e
−
36
σ
2
)
.
p(\sigma)=P\{1<\overline{X}<3\}=P\left\{\cfrac{3}{\sigma}<\cfrac{3\overline{X}}{\sigma}\leqslant\cfrac{9}{\sigma}\right\}=\varPhi\left(\cfrac{9}{\sigma}\right)-\varPhi\left(\cfrac{3}{\sigma}\right),\\ \begin{aligned} p'(\sigma)&=\varphi\left(\cfrac{9}{\sigma}\right)\left(-\cfrac{9}{\sigma^2}\right)-\varphi\left(\cfrac{3}{\sigma}\right)\left(-\cfrac{3}{\sigma^2}\right)\\ &=-\cfrac{9}{\sqrt{2\pi}\sigma^2}e^{-\frac{81}{2\sigma^2}}+\cfrac{3}{\sqrt{2\pi}\sigma^2}e^{-\frac{9}{2\sigma^2}}=\cfrac{3}{\sqrt{2\pi}\sigma^2}e^{-\frac{9}{2\sigma^2}}(1-3e^{-\frac{36}{\sigma^2}}). \end{aligned}
p(σ)=P{1<X<3}=P{σ3<σ3X⩽σ9}=Φ(σ9)−Φ(σ3),p′(σ)=φ(σ9)(−σ29)−φ(σ3)(−σ23)=−2πσ29e−2σ281+2πσ23e−2σ29=2πσ23e−2σ29(1−3e−σ236).
令
p
′
(
σ
)
=
0
p'(\sigma)=0
p′(σ)=0,得
e
−
36
σ
2
=
1
3
e^{-\frac{36}{\sigma^2}}=\cfrac{1}{3}
e−σ236=31,解得
σ
=
6
ln
3
\sigma=\cfrac{6}{\sqrt{\ln3}}
σ=ln36。当
σ
<
6
ln
3
\sigma<\cfrac{6}{\sqrt{\ln3}}
σ<ln36时,
p
′
(
σ
)
>
0
p'(\sigma)>0
p′(σ)>0;当
σ
>
6
ln
3
\sigma>\cfrac{6}{\sqrt{\ln3}}
σ>ln36时,
p
′
(
σ
)
<
0
p'(\sigma)<0
p′(σ)<0。
因此,当
σ
=
6
ln
3
\sigma=\cfrac{6}{\sqrt{\ln3}}
σ=ln36时,
p
(
σ
)
=
P
{
1
<
X
‾
<
3
}
p(\sigma)=P\{1<\overline{X}<3\}
p(σ)=P{1<X<3}为最大。(这道题主要利用了函数求导求解)
例6 已知 X 1 , X 2 , X 3 X_1,X_2,X_3 X1,X2,X3相互独立且服从 N ( 0 , σ 2 ) N(0,\sigma^2) N(0,σ2),证明: 2 3 X 1 + X 2 + X 3 ∣ X 2 − X 3 ∣ \sqrt{\cfrac{2}{3}}\cfrac{X_1+X_2+X_3}{|X_2-X_3|} 32∣X2−X3∣X1+X2+X3服从 t ( 1 ) t(1) t(1)分布。
证 记
Y
1
=
X
2
+
X
3
,
Y
2
=
X
2
−
X
3
Y_1=X_2+X_3,Y_2=X_2-X_3
Y1=X2+X3,Y2=X2−X3,则
C
o
v
(
Y
1
,
Y
2
)
=
E
(
Y
1
Y
2
)
−
E
(
Y
1
)
E
(
Y
2
)
=
E
[
(
X
2
+
X
3
)
(
X
2
−
X
3
)
]
=
E
(
X
1
2
)
−
E
(
X
2
2
)
=
σ
2
−
σ
2
=
0.
\begin{aligned} \mathrm{Cov}(Y_1,Y_2)&=E(Y_1Y_2)-E(Y_1)E(Y_2)=E[(X_2+X_3)(X_2-X_3)]\\ &=E(X_1^2)-E(X_2^2)=\sigma^2-\sigma^2=0. \end{aligned}
Cov(Y1,Y2)=E(Y1Y2)−E(Y1)E(Y2)=E[(X2+X3)(X2−X3)]=E(X12)−E(X22)=σ2−σ2=0.
所以
Y
1
,
Y
2
Y_1,Y_2
Y1,Y2独立,
N
(
0
,
2
σ
2
)
N(0,2\sigma^2)
N(0,2σ2)均服从,且与
X
1
X_1
X1独立,
X
1
+
X
2
+
X
3
=
X
1
+
Y
1
∼
N
(
0
,
3
σ
2
)
X_1+X_2+X_3=X_1+Y_1\sim N(0,3\sigma^2)
X1+X2+X3=X1+Y1∼N(0,3σ2),所以
1
σ
3
(
X
1
+
X
2
+
X
3
)
∼
N
(
0
,
1
)
,
(
X
2
−
X
3
2
σ
)
2
∼
χ
2
(
1
)
\cfrac{1}{\sigma\sqrt{3}}(X_1+X_2+X_3)\sim N(0,1),\left(\cfrac{X_2-X_3}{\sqrt{2}\sigma}\right)^2\sim\chi^2(1)
σ31(X1+X2+X3)∼N(0,1),(2σX2−X3)2∼χ2(1),且
X
1
+
X
2
+
X
3
X_1+X_2+X_3
X1+X2+X3与
X
2
−
X
3
X_2-X_3
X2−X3相互独立,按
t
t
t分布定义有
2
3
X
1
+
X
2
+
X
3
∣
X
2
−
X
3
∣
∼
t
(
1
)
\sqrt{\cfrac{2}{3}}\cfrac{X_1+X_2+X_3}{|X_2-X_3|}\sim t(1)
32∣X2−X3∣X1+X2+X3∼t(1)。(这道题主要利用了协方差求解)
例8 设随机变量 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn独立同分布且具有相同的分布密度,证明: P { X n > max ( X 1 , ⋯ , X n ) } = 1 n P\{X_n>\max(X_1,\cdots,X_n)\}=\cfrac{1}{n} P{Xn>max(X1,⋯,Xn)}=n1。
证 以
f
(
x
)
,
F
(
x
)
f(x),F(x)
f(x),F(x)分别表示
X
i
X_i
Xi共同的概率密度和分布函数,则
P
{
X
n
>
max
(
X
1
,
⋯
,
X
n
)
}
=
P
{
X
1
<
X
n
,
⋯
,
X
n
−
1
<
X
n
}
=
∫
−
∞
+
∞
[
∫
⋯
∫
x
i
<
x
n
∏
i
=
1
n
−
1
f
(
x
i
)
d
x
i
]
f
(
x
n
)
d
x
n
=
∫
−
∞
+
∞
[
∏
i
=
1
n
−
1
∫
−
∞
x
n
f
(
x
i
)
d
x
i
]
f
(
x
n
)
d
x
n
=
∫
−
∞
+
∞
F
n
−
1
(
x
n
)
f
(
x
n
)
d
x
n
=
1
n
F
n
(
x
n
)
∣
−
∞
+
∞
=
1
n
.
\begin{aligned} P\{X_n>\max(X_1,\cdots,X_n)\}&=P\{X_1<X_n,\cdots,X_{n-1}<X_n\}\\ &=\displaystyle\int^{+\infty}_{-\infty}\left[{\displaystyle\int\cdots\displaystyle\int}_{x_i<x_n} \prod^{n-1}_{i=1}f(x_i)\mathrm{d}x_i\right]f(x_n)\mathrm{d}x_n\\ &=\displaystyle\int^{+\infty}_{-\infty}\left[\prod^{n-1}_{i=1}\displaystyle\int^{x_n}_{-\infty}f(x_i)\mathrm{d}x_i\right]f(x_n)\mathrm{d}x_n\\ &=\displaystyle\int^{+\infty}_{-\infty}F^{n-1}(x_n)f(x_n)\mathrm{d}x_n\\ &=\cfrac{1}{n}F^n(x_n)\biggm\vert^{+\infty}_{-\infty}=\cfrac{1}{n}. \end{aligned}
P{Xn>max(X1,⋯,Xn)}=P{X1<Xn,⋯,Xn−1<Xn}=∫−∞+∞[∫⋯∫xi<xni=1∏n−1f(xi)dxi]f(xn)dxn=∫−∞+∞[i=1∏n−1∫−∞xnf(xi)dxi]f(xn)dxn=∫−∞+∞Fn−1(xn)f(xn)dxn=n1Fn(xn)∣∣∣∣−∞+∞=n1.
(这道题主要利用了函数积分求解)
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。