数理统计的基本概念

总体和样本

总体

$所研究对象的某项数量指标X的全体称为总体，总体中的每个元素叫个体$

样本

1. $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,$$X_3,....,X_n为来自总体X的简单随机样本，x_1,x_2,x_3,....,x_n为$$样本值$
2. $若X的分布为F(x)，则样本X_1,X_2,X_3,....,X_n的分布为$
   $F(x_1,x_2,x_3,....,x_n)=F(x_1)F(x_2)F(x_3)......F(x_n)=\prod _{i=1}^{n}F(x_i)$
3. $若X的概率密度为f(x)，则样本X_1,X_2,X_3,....,X_n的概率密度为$
   $f(x_1,x_2,x_3,....,x_n)=f(x_1)f(x_2)f(x_3)......f(x_n)=\prod _{i=1}^{n}f(x_i)$
4. 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​,$X_3,....,X_n的分布为$
   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∏n​P{Xi​=xi​}

统计量和样本数字特征

统计量T

5. $样本X_1,X_2,X_3,....,X_n，为观测前的随机变量，T=T(X_1,X_2,X_3,....,X_n)为不含未知参数的函数，这种函数称为统计量$
6. $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$$统计量T(X_1,X_2,X_3,....,X_n)的观测值$

样本数字特征

7. $样本均值\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i$
8. $样本方差S^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2$
   $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$$,前提条件就是满足E(S^2)={\sigma }^2，即部分样本方差S^2是总体方差{\sigma }^2的$$无偏估计量$
9. $样本标准差S=\sqrt{\frac{1}{n-1}\sum _{i=1}^n(X_i-\overline{X}{)}^2}$

常用统计抽样分布和正态总体抽样分布

${\chi }^2分布$

$设X_1,X_2,X_3,....,X_n，相互独立且服从标准正态分布N(0,1)$ $，则称随机变量服从自由度为n的{\chi }^2分布，记作{\chi }^2$~${\chi }^2(n)$
$${\chi }^2={\chi }_1^2+{\chi }_2^2+{\chi }_3^2+....+{\chi }_n^2$$

${\chi }^2分布性质$

10. $设{\chi }^2$~${\chi }^2(n)，对于给定的a，0(<a<1)，满足：$
    $P\left\{{\chi }^2>{\chi }_a^2(n)\right\}={\int }_{{\chi }_a^2(n)}^{+\infty }f(x)dx=a，$${\chi }_a^2(n)为{\chi }^2(n)分布的上a分位点$
11. $设{\chi }^2$~${\chi }^2(n)，则E({\chi }^2)=n，D({\chi }^2)=2n$
12. ${\chi }_1^2$~${\chi }_1^2(n_1)，$ ${\chi }_1^2$~${\chi }_2^2(n_2)，{\chi }_1^2与{\chi }_2^2相互独立，则{\chi }_1^2+{\chi }_2^2$ ~ ${\chi }^2(n_1+n_2)$

t分布

$设随机变量X,Y相互独立，且X$~ $N(0,1)，Y$~ ${\chi }^2(n)，则称随机变量$
$T=\frac{X}{\sqrt{\frac{Y}{n}}}=\frac{X}{\sqrt{\frac{{\chi }^2(n)}{n}}}，服从自由度为n的T分布，记作T$~$t(n)$

t分布性质

13. $t分布的概率密度f(x)是偶函数，当n充分大时，t(n)分布近似N(0,1)$
14. $设T$~ $t(n)，对于给定的a，0(<a<1)，满足：$
    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，$t_a(n)为t(n)分布的上a分位点$
15. $由于t(n)分布为偶函数，可知t分布的双侧a分位点t_{a/2}(n)，即$
    $P\left\{|T|>t_{a/2}(n)\right\}=a$

F分布

$设随机变量X,Y相互独立，且X$~ ${\chi }^2(n_1)，Y$~ ${\chi }^2(n_2)，则称随机变量$
$F=\frac{\frac{X}{n_1}}{\frac{Y}{n_2}}=\frac{\frac{{\chi }^2(n_1)}{n_1}}{\frac{{\chi }^2(n_2)}{n_2}}，服从自由度为(n_1,n_2)的F分布，记作F$~$F(n_1,n_2)$

F分布性质

16. $设F$~$F(n_1,n_2)，对于给定的a，0(<a<1)，满足：$ 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$F_a(n_1,n_2)为F(n_1,n_2)分布的上a分位点$
17. $如果F$~ $F(n_1,n_2)，则\frac{1}{F(n_1,n_2)}$~ $F(n_2,n_1)，且有$
    $$F_{1-a}(n_1,n_2)=\frac{1}{F_a(n_2,n_1)}$$

一个正态总体的抽样分布

$设正态总体X$~$N(\mu ,{\sigma }^2)，X_1,X_2,X_3,...,X_n,是来自总体的样本，$$样本均值为\bar{X}，$$样本方差为S^2，则有$
18. $\overline{X}$~$N(\mu ,\frac{{\sigma }^2}{n})，U=\frac{\overline{X}-\mu }{\frac{\sigma }{\sqrt{n}}}$ ~ $N(0,1)$
19. $\overline{X}与S^2相互独立，且{\chi }^2=\frac{(n-1)S^2}{{\sigma }^2}$~${\chi }^2(n-1)$
20. $T=\frac{\overline{X}-\mu }{\frac{S}{\sqrt{n}}}$ ~ $t(n-1)$
21. $F=T^2=(\frac{\overline{X}-\mu }{\frac{S}{\sqrt{n}}}{)}^2$ ~ $F(n-1)$
22. ${\chi }^2=\frac{1}{{\sigma }^2}\sum _{i=1}^n(X_i-\mu )$~${\chi }^2(n)$