【统计学】各统计量及其抽样分布（z分布，t分布，卡方分布）

最新推荐文章于 2025-03-10 15:48:27 发布

养老村村长

最新推荐文章于 2025-03-10 15:48:27 发布

阅读量1.3w

点赞数 4

分类专栏：统计学文章标签：统计学

本文链接：https://blog.csdn.net/weixin_41456089/article/details/118370547

版权

统计学专栏收录该内容

1 篇文章

订阅专栏

本文深入探讨统计学中的核心概念——统计量及其抽样分布，包括常见的统计量计算及几种重要的抽样分布，如卡方分布、t分布和F分布，并介绍了中心极限定理在样本均值和比例分布中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 前言

数据分析行业不可避免会与统计学打交道。常见的分析总体的过程如图所示：

常见的假设检验中，AB测试是最为出名的假设检验的过程，而需要深刻理解假设检验，先验知识统计量及其抽样分布的理解至关重要，这会为我们学习假设检验打下坚实的基础，本文章便是关于统计量及其抽样分布的讲解。

2. 统计量

建议专业讲解和大白话结合一起看，更易理解。

2.1 专业讲解

设X1, X2, ..., Xn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(X1, X2, ..., Xn)，不依赖于任何未知参数，则称函数T(X1, X2, ..., Xn)是一个统计量。

注：

统计量是一个随机变量
当获得特定样本具体观察值x1, x2, ..., xn时，计算出T(x1, x2, ..., xn)的数值，就获得一个具体的统计量的值
以上，X表示多种总体中的组合，x表示确定的观察值

2.2 大白话

设X1, X2, ..., Xn是从总体X中抽取的容量为n的一个样本，比如要研究人群总体身高均值，抽样得到一组样本的n各不同身高。根据这些不同的身高，构造统计量T(x1, x2, ..., xn)，表示计算这组样本的身高均值。

样本的身高均值便是我们得到的统计量，但是这个统计量是随机的，因为我们所抽取的样本是随机的n个不同身高。

2.3 常用统计量

以下将给出7个统计量的计算公式，但通常我们使用最多的是前三个统计量。

2.3.1 样本均值

2.3.2 样本方差

2.3.3 样本离散系数

2.3.4 样本原点矩

2.3.5 样本中心矩

2.3.6 样本偏度

2.3.7 样本峰度

3. 由正态分布导出的几个重要分布

3.1 抽样分布

样本统计量的分布即抽样分布。

3.1.1 专业讲解

当我们要对某一总体的参数进行估计时，就要研究来自该总体的所有可能的样本统计量的分布问题。
其结果来自容量相同的所有可能样本。
抽样分布、参数估计和假设检验是统计推断的三个中心内容。

3.1.2 大白话

拿身高来举例，要估计总体人群身高均值，要研究来自总体的多组样本的身高均值的分布。
每组样本的数量要一样。
根据得到的分布，进行假设检验，有利于我们进行统计推断。

3.2 $\chi ^{2}$ 分布（卡方分布）

3.2.1 来源

设X ~ N( $\mu ,\sigma ^{2}$ )，则 z = $\frac{X-\mu}{\sigma}$ ~ N(0, 1)

令Y = $z^{2}$ ，则Y服从自由度为1的 $\chi^{2}$ 分布，即Y ~ $\chi^{2}$ (1)

当总体X ~ N( $\mu,\sigma^{2}$ )，从中抽取容量为n的样本，即

卡方分布的期望：n，其中，n为自由度

卡方分布的反差：2n，其中，n为自由度

3.2.2 可加性

设U服从自由度为n1的卡方分布，V服从自由度为n2的卡方分布，则U+V服从自由度为n1+n2的卡方分布。

3.3 t分布

3.3.1 来源

服从于自由度为n-1的t分布

其中，S为样本标准差，S/根号n为样本均值的标准误。

3.4 F分布

3.4.1 来源

设U服从自由度为n1的卡方分布，V服从自由度为n2的卡方分布，则称F为服从自由度n1和n2的F分布，记为：

4. 样本均值的分布与中心极限定理

4.1 有放回抽样

以统计量样本均值为例，中心极限定理的意思是，在大样本且有放回的抽样中，不论总体是什么分布，最终的样本均值服从均值为 $\mu$ ，方差为 $\sigma/\sqrt{n}$ 平方的正态分布。

其中多组样本的均值 $\bar{X}$ 的无偏估计是 $\mu$ ， $\sigma/\sqrt{n}$ 可以理解为多组样本的均值与每组样本的统计量均值的距离，也就是标准误。

样本均值的抽样分布与总体分布的关系如下图所示：

4.2 无放回抽样

无放回抽样与有放回抽样的区别是，最终的样本均值服从均值为 $\mu$ ，方差为 $\frac{\sigma^{2}}{n}(\frac{N-n}{N-1})$ 平方的正态分布。

其中，N为总体个数，n为每组样本个数。

(N-n) / (N-1)为修正系数

由此可见，在总体趋近无限的情况下，该修正系数可视为1，可以直接使用有放回抽样。

5. 样本比例的抽样分布

5.1 有放回抽样

样本比例的抽样分布适用于样本容量较大的情况，

设总体比例为π，样本比例为p。样本期望E(p) = π，样本方差 $\sigma^{2}$ = π(1-π) / n

根据中心极限定理：p ~ N(π，π(1-π) / n)

5.2 无放回抽样

无放回抽样中，方差后同样加个修正系数，与之前的修正系数一样。

6. 样本均值之差和比例之差的抽样分布

6.1 两个正态总体

两个总体都为正态分布，即 $X_{1}$ ~ $N(\mu_{1}, \sigma_{1}^{2}/n_{1})$ ， $X_{2}$ ~ $N(\mu_{2}, \sigma_{2}^{2}/n_{2})$ ，两个样本均值之差 $\bar{X_{1}} - \bar{X_{2}}$ 的抽样分布也服从正态分布。

其分布的数学期望为两个总体均值之差

E( $\bar{X_{1}} - \bar{X_{2}}$ ) = u1 - u2

方差为各自的方差之和

$\sigma_{\bar{X_{1}} - \bar{X_{2}}}^{2} = \frac{\sigma_{1}^{2}}{n_{1}} + \frac{\sigma_{2}^{2}}{n_{2}}$

图示如下：

样本比例之差的抽样分布同样可以类推，在这就不详述了。

7. 样本方差的抽样分布

7.1 单样本方差

对于来自正态总体的简单随机样本，则比值 $\frac{(n-1)S^{2}}{\sigma^{2}}$ 的抽样分布服从自由度为n-1的卡方分布

7.2 两个独立样本方差

两个总体都为正态分布，即X1, X2, ..., Xn是来自总体X ~ $N(\mu_{1},\sigma_{1}^{2})$ 的一个样本，Y1, Y2, ..., Yn是来自总体Y ~ $N(\mu_{2},\sigma_{2}^{2})$ 的一个样本。从两个总体中分别抽取容量为n1和n2的独立样本方差比的抽样分布，服从分子自由度为(n1-1)，分母自由度为(n2-1)的F分布。