抽样分布()

什么是统计量？

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

常见统计量

统计量	定义	R代码	总体数字特征	定义
样本均值	$\overline{X}=\frac{1}{n}{\sum }_{i=1}^n{X}_i$	$mean(x,trim,na.rm=FALSE)$	总体期望	$\overline{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i$
样本方差	$S^2=\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\overline{X}{)}^2$	$var(x,y=NULL,na.rm=FALSE,use)$	总体方差	$s^2=\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\overline{x}{)}^2$
样本标准差	$S=\sqrt{\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\overline{X}{)}^2}$	$sd(x,na.rm=FALSE)$	标准差	$s=\sqrt{\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}$
样本$k$阶矩	$A_k=\frac{1}{n}{\sum }_{i=1}^n{X}_i^k,k=1,2,\cdots$	$AK<-sum(X$^$k)/length(x)$	总体$k$阶矩	$a_k=\frac{1}{n}{\sum }_{i=1}^n{x}_i^k,k=1,2,\cdots$
样本$k$阶中心矩	$B_k=\frac{1}{n}{\sum }_{i=1}^n(X_i-\overline{X}{)}^k,k=2,3,\cdots$	$$\begin{gathered} m<-mean(x) \\ BK<-sum((x-m{)}^k/(length(x) \end{gathered}$$	总体$k$阶中心矩	$b_k=\frac{1}{n}{\sum }_{i=1}^n(x_i-\overline{x}{)}^k,k=2,3,\cdots$
样本偏度	$g=m_3/m_2^{(3/2)}$ $m_2=\frac{1}{n}{\sum }_i(x_i-\mu {)}^2$ $m_3=\frac{1}{n}{\sum }_i(x_i-\mu {)}^3$	$skewness(x)\#$ 偏度系数 $agostino.test(x)\#$ 偏度的检验	总体偏度
样本峰度		$kurtosis(x)\#$ 计算峰度 $anscombe.test(x)\#$ 峰度检验	总体峰度

样本矩与总体矩的关系：若总体$X$的$k$阶矩$E(X^k)$记成${\mu }_k$存在，当$n\to \infty$时，$A_k\stackrel{\mathrm{p}}{\to }{\mu }_k$

经验分布函数，格里汶科定理及定理含义

总体分布函数$F(x)$相应的统计量称为经验分布函数

设$X_1,X_2,\cdots ,X_n$是总体$F$的一个样本，用$S(x)(-\infty <x<+\infty )$表示$X_1,X_2,\cdots ,X_n$中不大于$x$的随机变量的个数，定义经验分布函数$F_n(x)为$
$$F_n(x)=\frac{1}{n}S(x)，-\infty <x<+\infty$$
格里汶科定理

对于任一实数$x$，当$n\to \infty$时，$F_n(x)$以概率为$1$一致收敛于分布函数$F(x)$，即​
p { lim ⁡ n → ∞ sup ⁡ − ∞ < x < + ∞ ∣ F n ( x ) − F ( x ) ∣ = 0 } = 1 a l h p a p\{\lim_{n \rightarrow \infty} \sup_{-\infty < x < +\infty} |F_n(x)-F(x)|=0\}=1alhpa p{n→∞lim​−∞<x<+∞sup​∣Fn​(x)−F(x)∣=0}=1alhpa

三种常见抽样分布

分布	构成方式	性质	概率密度函数
卡方分布	${\chi }^2=X_1^2+X_2^2+\cdots +X_n^2$	${\chi }_1^2+{\chi }_2^2$~ ${\chi }^2(n_1+n_2)$ ${\chi }^2$~ ${\chi }^2(n)$$E({\chi }^2)=n,D({\chi }^2)=2n$	P { χ 2 > χ α 2 ( n ) } = ∫ χ α 2 ( n ) ∞ f ( y ) d y = α P\{\chi^2>\chi^2_{\alpha}(n)\}=\int^{\infty}_{\chi_{\alpha}^{2}(n)}f(y)dy=\alpha P{χ2>χα2​(n)}=∫χα2​(n)∞​f(y)dy=α
$t$分布	$t=\frac{X}{\sqrt{Y/n}}$	${\lim }_{n\to \infty }h(t)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{t^2}{2}}$	$h(t)=\frac{\Gamma (\frac{n+1}{2})}{\sqrt{\pi n}\Gamma (\frac{n}{2})}(1+\frac{t^2}{n}{)}^{-\frac{n+1}{2}},-\infty <t<+\infty$
$F$分布	$U$~${\chi }^2(n_1)$ $V$~${\chi }^2(n_2)$且$U,V$独立 $F=\frac{U/n_1}{V/n_2}$	$F$~$F(n_1,n_2)$ $\frac{1}{F}$~$F(n_2,n_1)$

正态总体的样本均值和样本方差的分布

设$X_1,X_2,\cdots ,X_n$是总体$N(\mu ,{\sigma }^2)$的样本，$\overline{X}，S^2$是样本均值和样本方差，则有

​ 1、$\frac{(n-1)S^2}{{\sigma }^2}$~${\chi }^2(n-1)$

​ 2、$\overline{X}$与$S^2$独立

​ 3、$\frac{\overline{X}-\mu }{S/\sqrt{n}}$~$t(n-1)$

​