学习笔记——概率论与数理统计（第六章）

追风赶月莫停留-_-

已于 2023-05-24 15:04:37 修改

阅读量220

点赞数

分类专栏：概率论与数理统计（宋浩）文章标签：概率论学习笔记

于 2023-05-23 22:53:23 首次发布

本文链接：https://blog.csdn.net/weixin_44351720/article/details/130836430

版权

概率论与数理统计（宋浩）专栏收录该内容

9 篇文章 2 订阅

订阅专栏

学习笔记——概率论与数理统计（第六章）

第六章

学习来源：https://www.bilibili.com/video/av36206436/

第六章

6.1 总体与样本

总体：

全体
个体
有限总体/无限总体
总体分布

样本：

抽样
变量 $(X_1,X_2,\cdots,X_n)$
观测值 $(x_1,x_2,\cdots,x_n)$
简单随机抽样
1. 同分布
2. 独立

$(x_1,\cdots,x_n)$ ：

$F(x_1,\cdots,x_n)=F(x_1)\times\cdots\times F(x_n)$
$P(X_1=x_1,\cdots,X_n=x_n)=P(X_1=x_1)\times\cdots\times P(X_n=x_n)$
$f(x_1,\cdots,x_n)=f(x_1)\times\cdots\times f(x_n)$

6.2.1 统计量的定义

统计量：不含任何未知参数的样本的函数

6.2.2 常用统计量

$设样本(X_1,X_2,\cdots,X_n)来自总体 X，即有$
$样本均值：\displaystyle\overline{X}=\frac{1}{n}\sum\limits_{i=1}^{n}X_i$
$未修正的样本方差：\displaystyle s_0^2=\frac{1}{n}\sum\limits_{i=1}^{n}(X_i-\overline{X})^2$
$样本方差：\displaystyle s^2=\frac{1}{n-1}\sum\limits_{i=1}^{n}(X_i-\overline{X})^2$
$样本标准差：\displaystyle s=\sqrt{s^2}=\sqrt{\frac{1}{n-1}\sum\limits_{i=1}^{n}(X_i-\overline{X})^2}$
$阶原点矩：\displaystyle A_k=\frac{1}{n}\sum\limits_{i=1}^{n}X_i^k$
$阶中心矩：\displaystyle B_k=\frac{1}{n}\sum\limits_{i=1}^{n}(X_i-\overline{X})^k$
$协方差：\displaystyle S_{12}=\frac{1}{2}\sum(X_i-\overline{X})(Y_i-\overline{Y})$
$相关系数：\displaystyle\frac{S_{12}}{S_1S_2}$
$的均值为EX=\mu，方差DX=\sigma^2，样本(X_1,X_2,\cdots, X_n)来自总体 X，则：$

$E\overline{X}=\mu$
$\displaystyle D\overline{X}=\frac{1}{n}\sigma^2$
$ES^2=\sigma^2$

6.3.1 抽样分布

$\chi^2$ 分布

$定理：X_1,X_2,\cdots,X_n独立，服从N ( 0 , 1 ) ，则\displaystyle\sum\limits_{i=1}^{n}x_i^2\sim\chi^2(n)$

$\chi^2(n)满足E X = n , D X = 2 n$

$由中心极限定理，X\sim\chi^2(n)，n充分大时，\displaystyle\frac{X-n}{\sqrt{2n}}\overset{近似}{\sim}N(0,1)$

$定理：X\sim\chi^2(n),Y\sim\chi^2(m),X,Y独立，则X+Y\sim\chi^2(m+n)$
$推论：X_1,X_2,\cdots,X_n独立，X_i\sim\chi^2(m_i)，则\displaystyle\sum\limits_{i=1}^nX_i\sim\chi^2(\sum\limits_{i=1}^nm_i)$

$上\alpha分位数：P(\chi^2>\chi^2_\alpha(n))=\alpha$

t分布

$X \sim t (n)$
若 $n\geq30$ ，则与正态分布区别很小

$定理：X\sim N(0,1),Y\sim\chi^2(n)，X , Y独立，则\displaystyle\frac{X}{\sqrt{\cfrac{Y}{n}}}\sim t(n)$

$上\alpha分位数：P(T>t(n))=\alpha$

$t_{1-\alpha}(n)=-t_\alpha(n)$

F分布

$F(n_1,n_2)$
$定理：X\sim\chi^2(n_1),Y\sim\chi^2(n_2)，则\displaystyle\frac{X/n_1}{Y/n_2}\sim F(n_1,n_2),\frac{Y/n_2}{X/n_1}\sim F(n_2,n_1)$

$推论：若F\sim F(n_1,n_2)，则\displaystyle\frac{1}{F}\sim F(n_2,n_1)$

6.3.2 正态总体下的抽样分布

定理（一个正态总体）：
$X\sim N(\mu,\sigma^2)$
$\{X_1,X_2,\cdots,X_n\}为样本，$
$\displaystyle\overline{X}=\frac{1}{n}\sum\limits_{i=1}^{n}x_i，$
$s^2=\frac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2，则：$

$\displaystyle\overline{X}\sim N(\mu,\frac{\sigma^2}{n})$
$\displaystyle\frac{\overline{X}-\mu}{\sigma}\sqrt{n}\sim N(0,1)$
$\displaystyle\frac{(n-1)s^2}{\sigma^2}=\frac{1}{\sigma^2}\sum\limits_{i=0}^{n}(X_i-\overline{X})^2\sim\chi^2(n-1)$
$\overline{X}与 X 相互独立$
$\displaystyle\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\mu)^2\sim\chi^2(n)$
$\displaystyle\frac{\overline{X}-\mu}{s}\sqrt{n}\sim t(n-1)$

定理（两个正态总体）：
$X∼N(μ_1,σ_1^2),Y∼N(μ_2,σ_2^2)，$
$\{X_1,X_2,\cdots,X_{n_1}\},\{Y_1,Y_2,\cdots,Y_{n_2}\}为样本，$
$\displaystyle\overline{X}=\frac{1}{n_1}\sum\limits_{i=1}^{n_1}x_i,\overline{Y}=\frac{1}{n_2}\sum\limits_{i=1}^{n_2}y_i$
$s_1^2=\frac{1}{n_1-1}\sum\limits_{i=1}^{n_1}(X_i-\overline{X})^2,s_2^2=\frac{1}{n_2-1}\sum\limits_{i=1}^{n_2}(Y_i-\overline{Y})^2$ ，则：

$\displaystyle\frac{(\overline{X}-\overline{Y})-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}}\sim N(0,1)$
$\displaystyle\frac{s_1^2/\sigma_1^2}{s_2^2/\sigma_2^2}\sim F(n_1-1,n_2-1)$
$\sigma_1^2=\sigma_2^2=\sigma时，\displaystyle T=\frac{(\overline{X}-\overline{Y})-(\mu_1-\mu_2)}{\displaystyle\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}}\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2)$