两个卡方分布之和_数理统计|笔记整理（2）——样本与总体概念，抽样分布，次序统计量...

传送门：数理统计|笔记整理（1）——引入，重要分布函数，特征函数及计算

——————————————————————————————————————

大家好！图文无关……

不知道大家对于上一节的感受如何，我们这一节会继续补充说完上一节剩下的一些更加高深的分布的内容，并开始引入正式的数理统计的部分。从这之后，我们就算正式进入了数理统计的大门。当然如果你对研究生的内容并不感兴趣，其实上一节你只需要掌握两个重要的分布（伽马分布和贝塔分布）即可。

考虑到高等数理统计与初等数理统计的架构和内容深度均不同，因此后期我们更新可能并不会按照与初等数理统计的课程相似的进度。但如果你是研究生或博士生，那情况就完全不一样了……

另外，作为文章本身的优化，我们开始在每一篇文章只保留上一篇与下一篇的链接，方便大家导引。如果需要这一系列笔记添加更多习题的同学麻烦和我说一下，若有需求我会再单独出文章介绍一些不错的题目的解法，虽然目前笔记会有习题，但是主要目的还是为了熟悉知识和提纲挈领，如果你需要锻炼做题熟练度，那一两道题显然是不足的。

那么我们开始吧。

目录

• 样本与总体基本概念
• 抽样分布与抽样定理
• *非中心分布
• 次序统计量

样本与总体基本概念

什么是总体？总体你可以理解为一个大的背景，或者理解为很多很多数据，但是它们都有相同的分布。或者你也可以理解为，我们学统计，是为了研究一个东西的不确定性，而这个不确定性的特征被附身在了很多物体上，所以我们一般把这很多物体的集合就称为总体，因为每一个个体的不确定性的存在，导致这个总体产生了很多变化，为了描述这些变化，我们就认为它符合一种分布。简单点说，你可以理解为，总体就是一个分布，是一个随机变量。当然研究这个分布并不一定特别容易，它可以是参数估计的活，也可以是半参，或者非参的活。当然我们重点关注的还是参数估计了。

那么什么是样本呢？样本你就可以理解为是总体的某一个小的子集。我为了研究这个总体的性质，我需要调查这个样本。很多时候对这个样本做检验，就可以推断出总体的性质。每一个样本都是一个随机变量，而每一个样本在观测之后也会有一个值。在我们不考虑薛定谔的猫之前，我们一般不区分这两个概念，所以标记一般都是

，用这个标记来表示我们抽样的

个样本。但是很多书上是区分的（严格的学术界也肯定会区分），这个时候如果表示的是“样本随机变量”，那么标记就要改成

。

要完成这个推断的任务自然需要样本满足一些性质：随机性和独立性。也就是说样本必须为简单随机样本。也就是说，如果我在大背景下说“样本

”，那么必须要求

1. 样本具有和总体相同的分布
2. 样本两两独立

最后简单提一下样本联合密度的概念。因为独立性，所以一定会有下面这个式子成立

我们在这一节会用到它。具体的更详细的关于总体和样本的知识，在《抽样调查》中会有更详细的阐述，但是我自己没有学过，我们的重点也不在这里，所以就不再多言了。

抽样分布与抽样定理

我们先关注抽样分布。

首先是卡方（

）分布，给定一个标准正态分布

，那么我们有

（考虑到篇幅，这个证明我们略过），也就是

的定义。那么如果我们有

个这样的标准正态分布的平方

加在一起，因为上一节我们有说过伽马分布的可加性，所以有

。你可以理解为我们定义了

然后根据可加性定义了

，也可以理解为我们直接定义

是一系列标准正态的平方和，但无论怎么理解，它的形式和结果都是那个和伽马分布一样的结构。这里

是

自由度。

既然你都知道了它是一种伽马分布，那自然你容易知道它的密度函数，也就是

它的期望和方差分别是

与

。为了熟悉数理统计中的计算技巧，我们不如将期望的计算作为一个小的例题。

Problem 1:
证明

的期望为

设

我们先写出期望公式。

你还记得我们在上一节介绍的那个伽马函数的计算公式吗？不记得翻一下上一节“伽马分布”那一部分。通过这个公式可以得到

你看，有了公式，非常容易。

学过工科难度概率统计的肯定知道

分布的重要性，而使得它被重点关注的原因主要来源于下面这个定理。

Theorem 1:
设

为来自正态总体

的样本，样本均值与样本方差为

，那么

(1)

相互独立

(2)

(3)

这个证明是非常有技巧性的，我们一步步来看。首先是第一个，既然我们希望推导两个与样本所有信息均有关的统计量的独立性，我们当然要先考虑写出样本的联合密度函数