常用分布小结【二】——抽样分布

抽样分布

下述抽样分布为整合来自不同总体的样本构建出统计量，统计量的分布。主要应注意这些抽样分布的基本概念，可用于建模。详细论证过程和具体的密度函数、分布函数则先不用关注。

卡方分布（Chi-squared Distribution）

1. 基本概念：设$X_1,X_2,\cdots ,X_n$均为来自标准正态总体$N(0,1)$的样本，则统计量：
   $${\chi }^2=X_1^2+X_2^2+\cdots +X_n^2\sim {\chi }^2(n)$$称统计量${\chi }^2$服从自由度为n的卡方分布，常表示为${\chi }^2\sim {\chi }^2(n)$。
2. 基本性质：
   • 期望：$E({\chi }^2)=n$
   • 方差：$D({\chi }^2)=2n$
3. 其他：
   • 往往可以将非标准正态总体的样本标准化后构建统计量；
   • 卡方分布即为一种伽马分布：$\Gamma (\frac{n}{2},2)={\chi }^2(n)$
   • 与伽马分布一样，卡方分布具有可加性。即若${\chi }_1^2,{\chi }_2^2,\dots ,{\chi }_m^2$相互独立，且均服从卡方分布，${\chi }_i^2\sim {\chi }^2(n_i)$。那么它们的和也服从卡方分布：$Z={\chi }_1^2+{\chi }_2^2+\dots +{\chi }_m^2\sim {\chi }^2(n_1+n_2+\cdots +n_m)$；
   • 四大定理之一：设$X_1,X_2,\cdots ,X_n$为来自正态总体$N(\mu ,{\sigma }^2)$的一个样本，$\bar{X}$为样本均值，$S^2$为样本方差，有：$\frac{(n-1)S^2}{{\sigma }^2}\sim {\chi }^2(n-1)$
4. R中对应函数：
   • dchisq(x, df, ncp = 0, log = FALSE)
   • pchisq(q, df, ncp = 0, lower.tail = TRUE, log.p = FALSE)
   • qchisq(p, df, ncp = 0, lower.tail = TRUE, log.p = FALSE)
   • rchisq(n, df, ncp = 0)
     其中df即为自由度n。

学生t分布（Student t Distribution）

1. 基本概念：设$X\sim N(0,1)$，$Y\sim {\chi }^2(n)$，且X和Y互相独立，则统计量：
   $$t=\frac{X}{\sqrt{Y/n}}\sim t(n)$$称统计量$t$服从自由度为n的学生t分布，常表示为$t\sim t(n)$。
2. 基本性质：
   • 期望：$E(t)=0$
   • 方差：$D(t)=n/(n-2)$
3. 其他：
   • n越大，学生t分布越近似于标准正态分布$N(0,1)$；
   • 四大定理之一：设$X_1,X_2,\cdots ,X_n$为来自正态总体$N(\mu ,{\sigma }^2)$的一个样本，$\bar{X}$为样本均值，$S^2$为样本方差，有：$\frac{\bar{X}-\mu }{S/\sqrt{n}}\sim t(n-1)$
4. R中对应函数：
   • dt(x, df, ncp, log = FALSE)
   • pt(q, df, ncp, lower.tail = TRUE, log.p = FALSE)
   • qt(p, df, ncp, lower.tail = TRUE, log.p = FALSE)
   • rt(n, df, ncp)
     其中df即为自由度n。

F分布（F Distribution）

1. 基本概念：设$U\sim {\chi }^2(n_1)$，$V\sim {\chi }^2(n_2)$，且U和V互相独立，则统计量：
   $$F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$$称统计量$F$服从自由度为$(n_1,n_2)$的F分布，常表示为$F\sim F(n_1,n_2)$。
2. 基本性质：
   • 期望：$E(F)=n_2/(n_2-2)$
   • 方差：$D(F)=2n_2^{2\left(n_1+n_2-2\right)}/n_1{\left(n_2-2\right)}^{2\left(n_2-4\right)}$
3. 其他：
   • 若$F\sim F(n_1,n_2)$，则F的倒数$1/F\sim F(n_2,n_1)$；
   • 四大定理之一：设$X_1,X_2,\cdots ,X_{n1}$为来自正态总体$N({\mu }_1,{\sigma }_1^2)$的一个样本，$Y_1,Y_2,\cdots ,Y_{n2}$为来自正态总体$N({\mu }_2,{\sigma }_2^2)$的一个样本，$S_1^2,S_2^2$为样本方差，有：$\frac{S_1^2/S_2^2}{{\sigma }_1^2/{\sigma }_2^2}\sim F(n_1,n_2)$
4. R中对应函数：
   • df(x, df1, df2, ncp, log = FALSE)
   • pf(q, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)
   • qf(p, df1, df2, ncp, lower.tail = TRUE, log.p = FALSE)
   • rf(n, df1, df2, ncp)
     其中df1,df2即为自由度n1,n2。