总体和样本
总体
所 研 究 对 象 的 某 项 数 量 指 标 X 的 全 体 称 为 总 体 , 总 体 中 的 每 个 元 素 叫 个 体 所研究对象的某项数量指标X的全体称为总体,总体中的每个元素叫个体 所研究对象的某项数量指标X的全体称为总体,总体中的每个元素叫个体
样本
- X 1 , X 2 , X 3 , . . . . , X n , 相 互 独 立 且 与 总 体 X 同 分 布 , 则 称 X 1 , X 2 , X_1,X_2,X_3,....,X_n,相互独立且与总体X同分布,则称X_1,X_2, X1,X2,X3,....,Xn,相互独立且与总体X同分布,则称X1,X2, X 3 , . . . . , X n 为 来 自 总 体 X 的 简 单 随 机 样 本 , x 1 , x 2 , x 3 , . . . . , x n 为 X_3,....,X_n为来自总体X的简单随机样本,x_1,x_2,x_3,....,x_n为 X3,....,Xn为来自总体X的简单随机样本,x1,x2,x3,....,xn为 样 本 值 样本值 样本值
-
若
X
的
分
布
为
F
(
x
)
,
则
样
本
X
1
,
X
2
,
X
3
,
.
.
.
.
,
X
n
的
分
布
为
若X的分布为F(x),则样本 X_1,X_2,X_3,....,X_n的分布为
若X的分布为F(x),则样本X1,X2,X3,....,Xn的分布为
F ( x 1 , x 2 , x 3 , . . . . , x n ) = F ( x 1 ) F ( x 2 ) F ( x 3 ) . . . . . . F ( x n ) = ∏ i = 1 n F ( x i ) F(x_1,x_2,x_3,....,x_n)=F(x_1)F(x_2)F(x_3)......F(x_n)=\prod \limits_{i=1}^nF(x_i) F(x1,x2,x3,....,xn)=F(x1)F(x2)F(x3)......F(xn)=i=1∏nF(xi) -
若
X
的
概
率
密
度
为
f
(
x
)
,
则
样
本
X
1
,
X
2
,
X
3
,
.
.
.
.
,
X
n
的
概
率
密
度
为
若X的概率密度为f(x),则样本 X_1,X_2,X_3,....,X_n的概率密度为
若X的概率密度为f(x),则样本X1,X2,X3,....,Xn的概率密度为
f ( x 1 , x 2 , x 3 , . . . . , x n ) = f ( x 1 ) f ( x 2 ) f ( x 3 ) . . . . . . f ( x n ) = ∏ i = 1 n f ( x i ) f(x_1,x_2,x_3,....,x_n)=f(x_1)f(x_2)f(x_3)......f(x_n)=\prod \limits_{i=1}^nf(x_i) f(x1,x2,x3,....,xn)=f(x1)f(x2)f(x3)......f(xn)=i=1∏nf(xi) -
若
X
的
分
布
P
{
X
=
k
}
=
p
k
,
k
=
1
,
2
,
.
.
.
.
,
则
样
本
X
1
,
X
2
,
若X的分布P\left \{ X=k \right \}=p_k,k=1,2,....,则样本X_1,X_2,
若X的分布P{X=k}=pk,k=1,2,....,则样本X1,X2,
X
3
,
.
.
.
.
,
X
n
的
分
布
为
X_3,....,X_n的分布为
X3,....,Xn的分布为
P { X 1 = x 1 , X 2 = x 2 , . . . . , X n = x n } = ∏ i = 1 n P { X i = x i } P\left \{ X_1=x_1, X_2=x_2,....,X_n=x_n\right \}=\prod \limits_{i=1}^nP\left \{ X_i=x_i \right \} P{X1=x1,X2=x2,....,Xn=xn}=i=1∏nP{Xi=xi}
统计量和样本数字特征
统计量T
- 样 本 X 1 , X 2 , X 3 , . . . . , X n , 为 观 测 前 的 随 机 变 量 , T = T ( X 1 , X 2 , X 3 , . . . . , X n ) 为 不 含 未 知 参 数 的 函 数 , 这 种 函 数 称 为 统 计 量 样本X_1,X_2,X_3,....,X_n,为观测前的随机变量,T=T(X_1,X_2,X_3,....,X_n)为不含未知参数的函数,这种函数称为统计量 样本X1,X2,X3,....,Xn,为观测前的随机变量,T=T(X1,X2,X3,....,Xn)为不含未知参数的函数,这种函数称为统计量
- x 1 , x 2 , x 3 , . . . . , x n 为 观 测 后 的 样 本 值 ( 具 体 实 数 ) , T ( x 1 , x 2 , x 3 , . . . . , x n ) 为 x_1,x_2,x_3,....,x_n为观测后的样本值(具体实数),T(x_1,x_2,x_3,....,x_n)为 x1,x2,x3,....,xn为观测后的样本值(具体实数),T(x1,x2,x3,....,xn)为 统 计 量 T ( X 1 , X 2 , X 3 , . . . . , X n ) 的 观 测 值 统计量 T(X_1,X_2,X_3,....,X_n)的观测值 统计量T(X1,X2,X3,....,Xn)的观测值
样本数字特征
- 样 本 均 值 X ‾ = 1 n ∑ i = 1 n X i 样本均值\overline{X}=\frac{1}{n}\sum\limits_{i=1}^{n}X_i 样本均值X=n1i=1∑nXi
-
样
本
方
差
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
‾
)
2
样本方差S^2=\frac{1}{n-1}\sum\limits_{i=1}^{n}(X_i-\overline{X})^2
样本方差S2=n−11i=1∑n(Xi−X)2
从 总 体 中 抽 取 部 分 样 本 , 利 用 部 分 样 本 的 方 差 来 估 计 总 体 方 差 从总体中抽取部分样本,利用部分样本的方差来估计总体方差 从总体中抽取部分样本,利用部分样本的方差来估计总体方差 , 前 提 条 件 就 是 满 足 E ( S 2 ) = σ 2 , 即 部 分 样 本 方 差 S 2 是 总 体 方 差 σ 2 的 ,前提条件就是满足E(S^2)=\sigma^2,即部分样本方差S^2是总体方差\sigma^2的 ,前提条件就是满足E(S2)=σ2,即部分样本方差S2是总体方差σ2的 无 偏 估 计 量 无偏估计量 无偏估计量 - 样 本 标 准 差 S = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 样本标准差S=\sqrt{\frac{1}{n-1}\sum\limits_{i=1}^{n}(X_i-\overline{X})^2} 样本标准差S=n−11i=1∑n(Xi−X)2
常用统计抽样分布和正态总体抽样分布
χ 2 分 布 \chi^2分布 χ2分布
设
X
1
,
X
2
,
X
3
,
.
.
.
.
,
X
n
,
相
互
独
立
且
服
从
标
准
正
态
分
布
N
(
0
,
1
)
设X_1,X_2,X_3,....,X_n,相互独立且服从标准正态分布N(0,1)
设X1,X2,X3,....,Xn,相互独立且服从标准正态分布N(0,1)
,
则
称
随
机
变
量
服
从
自
由
度
为
n
的
χ
2
分
布
,
记
作
χ
2
,则称随机变量服从自由度为n的\chi^2分布,记作\chi^2
,则称随机变量服从自由度为n的χ2分布,记作χ2~
χ
2
(
n
)
\chi^2(n)
χ2(n)
χ
2
=
χ
1
2
+
χ
2
2
+
χ
3
2
+
.
.
.
.
+
χ
n
2
\chi^2=\chi_1^2+\chi_2^2+\chi_3^2+....+\chi_n^2
χ2=χ12+χ22+χ32+....+χn2
χ 2 分 布 性 质 \chi^2分布性质 χ2分布性质
-
设
χ
2
设\chi^2
设χ2~
χ
2
(
n
)
,
对
于
给
定
的
a
,
0
(
<
a
<
1
)
,
满
足
:
\chi^2(n),对于给定的a,0(<a<1),满足:
χ2(n),对于给定的a,0(<a<1),满足:
P { χ 2 > χ a 2 ( n ) } = ∫ χ a 2 ( n ) + ∞ f ( x ) d x = a , P\left \{\chi^2>\chi_{a}^2(n) \right\}=\int_{\chi_{a}^2(n)}^{+\infty}f(x)dx=a, P{χ2>χa2(n)}=∫χa2(n)+∞f(x)dx=a, χ a 2 ( n ) 为 χ 2 ( n ) 分 布 的 上 a 分 位 点 \chi_{a}^2(n)为\chi^2(n)分布的上a分位点 χa2(n)为χ2(n)分布的上a分位点 - 设 χ 2 设\chi^2 设χ2~ χ 2 ( n ) , 则 E ( χ 2 ) = n , D ( χ 2 ) = 2 n \chi^2(n),则E(\chi^2)=n,D(\chi^2)=2n χ2(n),则E(χ2)=n,D(χ2)=2n
- χ 1 2 \chi_{1}^2 χ12~ χ 1 2 ( n 1 ) , \chi_{1}^2(n_1), χ12(n1), χ 1 2 \chi_{1}^2 χ12~ χ 2 2 ( n 2 ) , χ 1 2 与 χ 2 2 相 互 独 立 , 则 χ 1 2 + χ 2 2 \chi_{2}^2(n_2),\chi_{1}^2与\chi_{2}^2相互独立,则\chi_{1}^2+\chi_{2}^2 χ22(n2),χ12与χ22相互独立,则χ12+χ22 ~ χ 2 ( n 1 + n 2 ) \chi^2(n_1+n_2) χ2(n1+n2)
t分布
设
随
机
变
量
X
,
Y
相
互
独
立
,
且
X
设随机变量X,Y相互独立,且X
设随机变量X,Y相互独立,且X~
N
(
0
,
1
)
,
Y
N(0,1),Y
N(0,1),Y~
χ
2
(
n
)
,
则
称
随
机
变
量
\chi^2(n),则称随机变量
χ2(n),则称随机变量
T
=
X
Y
n
=
X
χ
2
(
n
)
n
,
服
从
自
由
度
为
n
的
T
分
布
,
记
作
T
T=\frac{X}{\sqrt{\frac{Y}{n}}}=\frac{X}{\sqrt{\frac{\chi^2(n)}{n}}},服从自由度为n的T分布,记作T
T=nYX=nχ2(n)X,服从自由度为n的T分布,记作T~
t
(
n
)
t(n)
t(n)
t分布性质
- t 分 布 的 概 率 密 度 f ( x ) 是 偶 函 数 , 当 n 充 分 大 时 , t ( n ) 分 布 近 似 N ( 0 , 1 ) t分布的概率密度f(x)是偶函数,当n充分大时,t(n)分布近似N(0,1) t分布的概率密度f(x)是偶函数,当n充分大时,t(n)分布近似N(0,1)
-
设
T
设T
设T~
t
(
n
)
,
对
于
给
定
的
a
,
0
(
<
a
<
1
)
,
满
足
:
t(n),对于给定的a,0(<a<1),满足:
t(n),对于给定的a,0(<a<1),满足:
P { T > t a ( n ) } = ∫ t a ( n ) + ∞ f ( x ) d x = a , P\left \{T>t_a(n) \right\}=\int_{t_a(n) }^{+\infty}f(x)dx=a, P{T>ta(n)}=∫ta(n)+∞f(x)dx=a, t a ( n ) 为 t ( n ) 分 布 的 上 a 分 位 点 t_a(n) 为t(n) 分布的上a分位点 ta(n)为t(n)分布的上a分位点 -
由
于
t
(
n
)
分
布
为
偶
函
数
,
可
知
t
分
布
的
双
侧
a
分
位
点
t
a
/
2
(
n
)
,
即
由于t(n)分布为偶函数,可知t分布的双侧a分位点t_{a/2}(n),即
由于t(n)分布为偶函数,可知t分布的双侧a分位点ta/2(n),即
P { ∣ T ∣ > t a / 2 ( n ) } = a P\left \{ |T|> t_{a/2}(n)\right \}=a P{∣T∣>ta/2(n)}=a
F分布
设
随
机
变
量
X
,
Y
相
互
独
立
,
且
X
设随机变量X,Y相互独立,且X
设随机变量X,Y相互独立,且X~
χ
2
(
n
1
)
,
Y
\chi^2(n_1),Y
χ2(n1),Y~
χ
2
(
n
2
)
,
则
称
随
机
变
量
\chi^2(n_2),则称随机变量
χ2(n2),则称随机变量
F
=
X
n
1
Y
n
2
=
χ
2
(
n
1
)
n
1
χ
2
(
n
2
)
n
2
,
服
从
自
由
度
为
(
n
1
,
n
2
)
的
F
分
布
,
记
作
F
F=\frac{\frac{X}{n_1}}{\frac{Y}{n_2}}=\frac{\frac{\chi^2(n_1)}{n_1}}{\frac{\chi^2(n_2)}{n_2}},服从自由度为(n_1,n_2)的F分布,记作F
F=n2Yn1X=n2χ2(n2)n1χ2(n1),服从自由度为(n1,n2)的F分布,记作F~
F
(
n
1
,
n
2
)
F(n_1,n_2)
F(n1,n2)
F分布性质
- 设 F 设F 设F~ F ( n 1 , n 2 ) , 对 于 给 定 的 a , 0 ( < a < 1 ) , 满 足 : F(n_1,n_2),对于给定的a,0(<a<1),满足: F(n1,n2),对于给定的a,0(<a<1),满足: P { F > F ( n 1 , n 2 ) } = ∫ F a ( n 1 , n 2 ) + ∞ f ( x ) d x = a , 则 称 P\left \{F>F(n_1,n_2)\right\}=\int_{F_a(n_1,n_2)}^{+\infty}f(x)dx=a,则称 P{F>F(n1,n2)}=∫Fa(n1,n2)+∞f(x)dx=a,则称 F a ( n 1 , n 2 ) 为 F ( n 1 , n 2 ) 分 布 的 上 a 分 位 点 F_a(n_1,n_2)为F(n_1,n_2)分布的上a分位点 Fa(n1,n2)为F(n1,n2)分布的上a分位点
-
如
果
F
如果F
如果F~
F
(
n
1
,
n
2
)
,
则
1
F
(
n
1
,
n
2
)
F(n_1,n_2),则\frac{1}{F(n_1,n_2)}
F(n1,n2),则F(n1,n2)1~
F
(
n
2
,
n
1
)
,
且
有
F(n_2,n_1),且有
F(n2,n1),且有
F 1 − a ( n 1 , n 2 ) = 1 F a ( n 2 , n 1 ) F_{1-a}(n_1,n_2)=\frac{1}{F_a(n_2,n_1)} F1−a(n1,n2)=Fa(n2,n1)1
一个正态总体的抽样分布
设
正
态
总
体
X
设正态总体X
设正态总体X~
N
(
μ
,
σ
2
)
,
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
,
是
来
自
总
体
的
样
本
,
N(\mu,\sigma^2),X_1,X_2,X_3,...,X_n,是来自总体的样本,
N(μ,σ2),X1,X2,X3,...,Xn,是来自总体的样本,
样
本
均
值
为
X
ˉ
,
样本均值为\bar{X},
样本均值为Xˉ,
样
本
方
差
为
S
2
,
则
有
样本方差为S^2,则有
样本方差为S2,则有
18.
X
‾
\overline{X}
X~
N
(
μ
,
σ
2
n
)
,
U
=
X
‾
−
μ
σ
n
N(\mu,\frac{\sigma^2}{n}),U=\frac{\overline{X}-\mu}{\frac{\sigma}{\sqrt{n}}}
N(μ,nσ2),U=nσX−μ ~
N
(
0
,
1
)
N(0,1)
N(0,1)
19.
X
‾
与
S
2
相
互
独
立
,
且
χ
2
=
(
n
−
1
)
S
2
σ
2
\overline{X}与S^2相互独立,且\chi^2=\frac{(n-1)S^2}{\sigma^2}
X与S2相互独立,且χ2=σ2(n−1)S2~
χ
2
(
n
−
1
)
\chi^2(n-1)
χ2(n−1)
20.
T
=
X
‾
−
μ
S
n
T=\frac{\overline{X}-\mu}{\frac{S}{\sqrt{n}}}
T=nSX−μ ~
t
(
n
−
1
)
t(n-1)
t(n−1)
21.
F
=
T
2
=
(
X
‾
−
μ
S
n
)
2
F=T^2=(\frac{\overline{X}-\mu}{\frac{S}{\sqrt{n}}})^2
F=T2=(nSX−μ)2 ~
F
(
n
−
1
)
F(n-1)
F(n−1)
22.
χ
2
=
1
σ
2
∑
i
=
1
n
(
X
i
−
μ
)
\chi^2=\frac{1}{\sigma^2}\sum\limits_{i=1}^{n}(X_i-\mu)
χ2=σ21i=1∑n(Xi−μ)~
χ
2
(
n
)
\chi^2(n)
χ2(n)