总体的三重特性:
统计量不包含未知参数
修正之后的样本方差:
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
E
(
X
)
)
2
S^2=\frac{1}{n-1}\sum_{i=1}^n(X_i-E(X))^2
S2=n−11∑i=1n(Xi−E(X))2
注意:这里是
1
n
−
1
\frac{1}{n-1}
n−11不是
1
n
\frac{1}{n}
n1
样本标准化:
S
=
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
E
(
X
)
)
2
S=\sqrt{S^2}=\sqrt{\frac{1}{n-1}\sum_{i=1}^n(X_i-E(X))^2}
S=S2=n−11∑i=1n(Xi−E(X))2
k
k
k阶原点矩:
A
k
=
1
n
∑
i
=
1
n
X
i
k
A_k=\frac{1}{n}\sum_{i=1}^n X_i^k
Ak=n1∑i=1nXik
设总体的均值是
μ
\mu
μ,总体的方差是
σ
2
\sigma^2
σ2,从总体中取
n
n
n个个体
X
1
,
X
2
.
.
.
.
.
.
X
n
X_1,X_2......X_n
X1,X2......Xn作为样本,则样本的均值
E
(
X
‾
)
E(\overline{X})
E(X)=
μ
\mu
μ,方差
D
(
X
‾
)
=
1
n
σ
2
D(\overline{X})=\frac{1}{n} \sigma^2
D(X)=n1σ2,
E
(
S
2
)
=
σ
2
E(S^2)=\sigma^2
E(S2)=σ2,证明如下:
∑
i
=
1
n
(
X
i
−
X
‾
)
2
=
∑
i
=
1
n
[
(
X
i
−
μ
)
−
(
X
‾
−
μ
)
]
2
=
∑
i
=
1
n
[
(
X
i
−
μ
)
2
−
2
(
X
i
−
μ
)
(
X
‾
−
μ
)
+
(
X
‾
−
μ
)
2
]
=
∑
i
=
1
n
(
X
i
−
μ
)
2
−
2
(
X
‾
−
μ
)
∑
i
=
1
n
(
X
i
−
μ
)
+
∑
i
=
1
n
(
X
‾
−
μ
)
2
=
∑
i
=
1
n
(
X
i
−
μ
)
2
−
2
n
(
X
‾
−
μ
)
2
+
n
(
X
‾
−
μ
)
2
=
∑
i
=
1
n
(
X
i
−
μ
)
2
−
n
(
X
‾
−
μ
)
2
E
(
S
2
)
=
E
[
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
‾
)
2
]
=
1
n
−
1
E
[
∑
i
=
1
n
(
X
i
−
μ
)
2
−
n
(
X
‾
−
μ
)
2
]
=
1
n
−
1
{
E
[
∑
i
=
1
n
(
X
i
−
μ
)
2
]
−
n
E
[
(
X
‾
−
μ
)
2
]
}
=
1
n
−
1
[
∑
i
=
1
n
D
(
X
)
−
n
∗
1
n
σ
2
]
=
1
n
−
1
[
n
D
(
X
)
−
σ
2
]
=
σ
2
\begin{aligned} \sum_{i=1}^n(X_i-\overline{X})^2 =&\sum_{i=1}^n[(X_i-\mu)-(\overline{X}-\mu)]^2\\ =&\sum_{i=1}^n[(X_i-\mu)^2-2(X_i-\mu)(\overline{X}-\mu)+(\overline{X}-\mu)^2]\\ =&\sum_{i=1}^n(X_i-\mu)^2-2(\overline{X}-\mu)\sum_{i=1}^n(X_i-\mu)+\sum_{i=1}^n(\overline{X}-\mu)^2\\ =&\sum_{i=1}^n(X_i-\mu)^2-2n(\overline{X}-\mu)^2+n(\overline{X}-\mu)^2\\ =&\sum_{i=1}^n(X_i-\mu)^2-n(\overline{X}-\mu)^2\\ E(S^2)=&E[\frac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X})^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 D(X)-n*\frac{1}{n}\sigma^2]\\ =&\frac{1}{n-1}[nD(X)-\sigma^2]\\ =&\sigma^2 \end{aligned}
i=1∑n(Xi−X)2=====E(S2)======i=1∑n[(Xi−μ)−(X−μ)]2i=1∑n[(Xi−μ)2−2(Xi−μ)(X−μ)+(X−μ)2]i=1∑n(Xi−μ)2−2(X−μ)i=1∑n(Xi−μ)+i=1∑n(X−μ)2i=1∑n(Xi−μ)2−2n(X−μ)2+n(X−μ)2i=1∑n(Xi−μ)2−n(X−μ)2E[n−11i=1∑n(Xi−X)2]n−11E[i=1∑n(Xi−μ)2−n(X−μ)2]n−11{E[i=1∑n(Xi−μ)2]−nE[(X−μ)2]}n−11[i=1∑nD(X)−n∗n1σ2]n−11[nD(X)−σ2]σ2
重要分布:
χ
\chi
χ:
设
X
1
,
X
2
.
.
.
.
.
.
X
n
X_1,X_2......X_n
X1,X2......Xn相互独立并服从标准正太分布,则平方和:
χ
2
=
X
1
2
+
X
2
2
+
.
.
.
.
.
.
+
X
n
2
\chi^2=X_1^2+X_2^2+......+X_n^2
χ2=X12+X22+......+Xn2
服从的分布称为自由度为n的
χ
2
(
n
)
\chi^2(n)
χ2(n)分布
性质:
若
X
−
χ
2
(
m
)
,
Y
−
χ
2
(
n
)
X-\chi^2(m),Y-\chi^2(n)
X−χ2(m),Y−χ2(n)且
X
Y
XY
XY相互独立。
则:
X
+
Y
−
χ
2
(
m
+
n
)
X+Y-\chi^2(m+n)
X+Y−χ2(m+n)
t
:
t:
t:
上
α
\alpha
α分位点:
对于给定的
α
(
0
<
α
<
1
)
\alpha(0<\alpha<1)
α(0<α<1)称满足条件:
P
{
t
>
t
(
n
)
}
=
α
P\{t>t(n)\}=\alpha
P{t>t(n)}=α
另外:
t
t
t函数关于
y
y
y轴对称
当
X
X
X为标准正太分布
Y
Y
Y为自由度为
n
n
n的
χ
\chi
χ分布时
X
Y
n
\frac{X}{\sqrt{Y}}\sqrt{n}
YXn服从的分布是自由度为
n
n
n的
t
−
t-
t−分布记做
T
−
t
(
n
)
T-t(n)
T−t(n)
F
:
F:
F:
若
X
−
χ
2
(
n
1
)
,
Y
−
χ
2
(
n
2
)
X-\chi^2(n_1),Y-\chi^2(n_2)
X−χ2(n1),Y−χ2(n2)且
X
Y
XY
XY相互独立。
F
=
n
2
X
n
1
Y
F=\frac{n_2X}{n_1Y}
F=n1Yn2X
n
1
n_1
n1称为第一自由度
n
2
n_2
n2称为第二自由度。记做
F
−
F
(
n
1
,
n
2
)
F-F(n_1,n_2)
F−F(n1,n2)
矩估计法:
E
X
=
X
‾
E
X
2
=
D
(
X
)
+
E
(
X
)
2
\begin{aligned} EX&=\overline{X}\\ EX^2&=D(X)+E(X)^2 \end{aligned}
EXEX2=X=D(X)+E(X)2
无偏估计:
样本的均值和方差是无偏估计,标准差不是无偏估计
无偏估计的有效性:方差越小越好(最小方差无偏估计)