第六章样本及抽样分布

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：$S^2=\frac{1}{n-1}{\sum }_{i=1}^n(X_i-E(X){)}^2$
注意：这里是$\frac{1}{n-1}$不是$\frac{1}{n}$
样本标准化：$S=\sqrt{S^2}=\sqrt{\frac{1}{n-1}{\sum }_{i=1}^n(X_i-E(X){)}^2}$
$k$阶原点矩：$A_k=\frac{1}{n}{\sum }_{i=1}^n{X}_i^k$
设总体的均值是$\mu$,总体的方差是${\sigma }^2$,从总体中取$n$个个体$X_1,X_2......X_n$作为样本，则样本的均值$E(\overline{X})$=$\mu$，方差$D(\overline{X})=\frac{1}{n}{\sigma }^2$,$E(S^2)={\sigma }^2$,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−11​i=1∑n​(Xi​−X)2]n−11​E[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∑n​D(X)−n∗n1​σ2]n−11​[nD(X)−σ2]σ2​
重要分布：
$\chi$：
设$X_1,X_2......X_n$相互独立并服从标准正太分布，则平方和：
${\chi }^2=X_1^2+X_2^2+......+X_n^2$
服从的分布称为自由度为n的${\chi }^2(n)$分布
性质：
若$X-{\chi }^2(m),Y-{\chi }^2(n)$且$XY$相互独立。
则：$X+Y-{\chi }^2(m+n)$
$t:$
上$\alpha$分位点：
对于给定的$\alpha (0<\alpha <1)$称满足条件： P { t > t ( n ) } = α P\{t>t(n)\}=\alpha P{t>t(n)}=α
另外：$t$函数关于$y$轴对称
当$X$为标准正太分布$Y$为自由度为$n$的$\chi$分布时$\frac{X}{\sqrt{Y}}\sqrt{n}$服从的分布是自由度为$n$的$t-$分布记做$T-t(n)$
$F:$
若$X-{\chi }^2(n_1),Y-{\chi }^2(n_2)$且$XY$相互独立。
$$F=\frac{n_{2}X}{n_{1}Y}$$
$n_1$称为第一自由度$n_2$称为第二自由度。记做$F-F(n_1,n_2)$

矩估计法：

$$\begin{array}{rl}EX& =\overline{X}\\ E{X}^2& =D(X)+E(X{)}^2\end{array}$$
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）