统计学复习-统计量及抽样分布

根据《统计学》贾俊平（第六版） 整理而成。

第6章 统计量及其抽样分布

6.1 统计量

1. 概念

设$X_1, X_2,...,X_n$是从总体 X 中抽取的容量为 n 的一个样本，如果由此样本构造一个函数$T(X_1, X_2,...,X_n)$，不依赖于任何未知参数，则称函数$T(X_1, X_2,...,X_n)$是一个统计量。通常也称为样本统计量。由一个具体样本计算出来的函数值叫做统计量值。

2. 常用统计量

1. 样本均值 $\bar {X} = \frac {1}{n} \sum_{i=1}^{n}{X_i}$
2. 样本方差 $S^2 = \frac {1}{n-1} \sum_{i=1}^{n}(X_i - \bar{X})^2$
3. 样本变异系数 $V=S / {\bar{X}}$
4. …

3. 次序统计量

4. 充分统计量

6.2 关于分布的几个概念

1. 抽样分布

抽样分布是统计学中的重要内容。在正态总体条件下，主要有$\chi^2$分布，$t$分布，$F$分布，常称之为统计三大分布。

2. 渐近分布

中心极限定理将揭示样本均值$\bar {X}$的渐近分布。

6.3 由正态分布导出的几个重要分布

1. $\chi^2$分布

定义6.3：设随机变量$X_1, X_2,...,X_n$相互独立，且$X_i（i=1,2,...,n）$服从标准正态分布，则他们的平方和$\sum_{i=1}^{n}X_i^2$服从自由度为n的$\chi^2$分布。

数学期望$E(\chi^2)=n$，方差$D(\chi^2)=2n$。

$\chi^2$分布具有可加性，若$\chi_1^2 \sim \chi^2(n_1)$，$\chi_2^2 \sim \chi^2(n_2)$，且独立，则$\chi_1^2 + \chi_2^2 \sim \chi^2(n_1+n_2)$。

2. $t$分布

定义6.4：设随机变量$X \sim N(0,1)$，$Y \sim \chi_2(n)$，且$X$与$Y$独立，则

$$t = \frac {X}{\sqrt{\frac {Y}{n}}}$$ 其分布称之为$t$分布，记为$t(n)$，$n$为自由度。

3. $F$分布

…

6.4 样本均值的分布与中心极限定理

1.当总体分布为正态分布$N(\mu,\sigma^2)$时，$\bar X$的抽样分布为正态分布，$\bar X$的数学期望为$\mu$，方差为$\sigma^2/n$，则

$$\bar X \sim N(\mu, \frac{\sigma^2}{n})$$

2.然而在实际问题中总体分布并不总是正态分布或近似正态分布，此时$\bar X$的分布取决于总体分布的情况。值得庆幸的是，当抽样个数 n 比较大的时候，无论总体是什么分布，样本均值$\bar X$的分布总是近似正态分布，只要总体的方差有限。

3.中心极限定理（central limit theorem）：设从均值为$\mu$、方差为$\sigma^2$（有限）的任意一个总体中抽取样本量为 n 的样本，当n充分大时，样本均值$\bar X$的抽样分布近似服从均值为$\mu$，方差为$\sigma^2/n$的正态分布。简单证明如下：

$$E(\bar X)=E(\frac {1}{n}\sum_{i=1}^{n}X_i)=\frac{1}{n}\sum_{i=1}^{n}E(X_i)=\mu$$ $$D(\bar X)=D(\frac {1}{n}\sum_{i=1}^{n}X_i)=\frac{1}{n^2}\sum_{i=1}^{n}E(X_i)=\frac{\sigma^2}{n}$$

4.中心极限定理要求 n 必须充分大，我们常要求$n \geqslant 30$。需要指出，大样本、小样本之间并不是以样本量大小来区分的。在样本量固定的条件下进行统计推断或问题分析，不管样本两多大，都称为小样本问题；而在样本量$n->\infty$的条件下进行的统计推断或问题分析则成为大样本问题。一般统计学中的$n \geqslant 30$为大样本，$n < 30$为小样本只是一种经验说法。

6.5 样本比例的抽样分布

1.用样本比例$\hat p$来估计总体比例$\pi$：当n充分大时，$\hat p$的分布可用正态分布去逼近。此时，$\hat p$服从均值为$\pi$，方差为$\frac {\pi(1-\pi)}{n}$的正态分布，即

$$\hat p \sim N(\pi, \frac {\pi(1-\pi)}{n})$$

6.6 两个样本平均值之差的分布

1.$X_1 \sim N(\mu_1, \sigma_1^2)$， $X_2 \sim N(\mu_2, \sigma_2^2)$，二者独立，则二者样本均值之差的期望$E(\bar{X_1}-\bar{X_2})=E(\bar{X_1})-E(\bar{X_2})=\mu_1-\mu_2$，样本均值之差的方差$D(\bar{X_1}-\bar{X_2})=D(\bar{X_1})+D(\bar{X_2})=\sigma_1^2/n_1 + \sigma_2^2/n_2$，即

$$\bar{X_1}-\bar{X_2} \sim N(\mu_1-\mu_2,\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2})$$

6.7 关于样本方差的分布

1. 样本方差的分布

设$X_1, X_2,...,X_n$为来自正态分布$N(\mu, \sigma^2)$的样本，则样本方差$S^2$的分布为：

$$(n-1)\frac{S^2}{\sigma^2} \sim \chi^2(n-1)$$

2. 两个样本方差比的分布

…

完。