前言
\qquad
统计量的分布称为抽样分布,求统计量的分布是数理统计的基本问题之一.
\qquad
要确定统计量的分布,在-般情况下是困难的,但对于正态总体还是比较容易的。今后我们着重讨论正态总体的情况,这是有重要的实践意义的,因为正态分布是最常见的分布,另方面,即使不是正态分布,根据中心极限定理,当n很大时,也可用正态分布近似.
提示:仅供参考
一、7. 1
设总体 X X X ~ N ( 52 , 6. 3 2 N(52,6. 3^2 N(52,6.32),从中随机地抽取 n = 36 n = 36 n=36 的样本。求样本均值落在区间 ( 50.8 , 53.8 ) (50.8,53.8) (50.8,53.8) 内的概率 ?
标准化后查表
解: ∵ X ˉ − μ σ / n ∼ N ( 0 , 1 ) ∴ P ( 50.8 < X ˉ < 53.8 ) = P ( 50.8 − 52 6.3 / 36 < X ˉ − μ σ / n < 53.8 − 52 6.3 / 36 ) = P ( − 1.1428 < X ˉ − μ σ / n < 1.7142 ) = Φ ( 1.7142 ) − Φ ( − 1.1428 ) = Φ ( 1.7142 ) + Φ ( 1.1428 ) − 1 = 0.83 \begin{aligned}\because\frac{\bar X-\mu}{\sigma/\sqrt n} \sim N(0,1)\\ \therefore P(50.8<\bar X <53.8) &= P(\frac{50.8-52}{6.3/\sqrt {36}}<\frac{\bar X-\mu}{\sigma/\sqrt n}<\frac{53.8-52}{6.3/\sqrt {36}})\\ &=P(-1.1428<\frac{\bar X-\mu}{\sigma/\sqrt n}<1.7142)\\ &=\Phi(1.7142)-\Phi(-1.1428)\\ &=\Phi(1.7142)+\Phi(1.1428)-1\\ &=0.83\end{aligned} ∵σ/nXˉ−μ∼N(0,1)∴P(50.8<Xˉ<53.8)=P(6.3/3650.8−52<σ/nXˉ−μ<6.3/3653.8−52)=P(−1.1428<σ/nXˉ−μ<1.7142)=Φ(1.7142)−Φ(−1.1428)=Φ(1.7142)+Φ(1.1428)−1=0.83
二、7. 2
设总体 X X X ~ N ( 12 , 4 ) , X 1 , X 2 , . . . , X 5 N(12,4),X_1,X_2,...,X_5 N(12,4),X1,X2,...,X5 为简单随机样本,求样本均值与总体均值之差的绝对值大于1的概率.
同样是标准化。 Φ ( x ) − Φ ( − x ) = 2 Φ ( x ) − 1 Φ(x) - Φ(-x) = 2 Φ(x) - 1 Φ(x)−Φ(−x)=2Φ(x)−1
解: P ( ∣ X ˉ − μ ∣ > 1 ) = 1 − P ( ∣ X ˉ − μ ∣ ≥ 1 ) = 1 − P ( ∣ X ˉ − μ ∣ σ / n < 1 σ / n ) = 1 − [ 2 Φ ( 5 2 ) − 1 ] = 0.26 \begin{aligned} P(\left|{\bar X-\mu}\right| >1) &= 1-P(\left|{\bar X-\mu}\right| \ge1)\\ &=1-P(\frac{\left|{\bar X-\mu}\right|}{\sigma/\sqrt n} < \frac{1}{\sigma/\sqrt n})\\ &=1-[2\Phi(\frac{\sqrt5}{2})-1]\\ &=0.26\end{aligned} P(∣∣Xˉ−μ∣∣>1)=1−P(∣∣Xˉ−μ∣∣≥1)=1−P(σ/n∣∣Xˉ−μ∣∣<σ/n1)=1−[2Φ(25)−1]=0.26
三、7. 3
设总体
X
X
X~
N
(
0
,
0.09
)
N(0,0.09)
N(0,0.09),从中抽取 n = 10 的简单随机样本,求:
p
(
∑
i
=
1
10
X
i
2
>
1.44
)
p(\sum_{i=1}^{10} X_i^2 >1.44)
p(i=1∑10Xi2>1.44)
其实都是凑,凑成三大分布,然后查表
解:已知:
μ
=
0
,
σ
2
=
0.09
\mu=0,\sigma^2=0.09
μ=0,σ2=0.09,所以:
P
{
∑
i
=
1
10
X
i
2
>
1.44
}
=
P
{
∑
i
=
1
10
(
X
i
−
μ
σ
)
2
>
1.44
0.09
}
=
P
{
χ
2
(
10
)
>
16
}
=
0.1
\begin{aligned} P\begin{Bmatrix} \sum_{i=1}^{10}X_i^2 >1.44\end{Bmatrix} &= P\begin{Bmatrix} \sum_{i=1}^{10}(\frac{X_i-\mu}{\sigma})^2 >\frac{1.44}{0.09}\end{Bmatrix}\\ &=P\begin{Bmatrix} \chi^2(10) >16\end{Bmatrix}\\ &=0.1\end{aligned}
P{∑i=110Xi2>1.44}=P{∑i=110(σXi−μ)2>0.091.44}=P{χ2(10)>16}=0.1
四、7. 4
设总体
X
X
X ~
N
(
μ
,
σ
2
)
,
X
1
,
X
2
,
.
.
.
,
X
n
N(μ,σ2) ,X_1,X_2,...,X_n
N(μ,σ2),X1,X2,...,Xn为简单随机样本,
X
ˉ
\bar X
Xˉ为样本均值,
S
2
S^2
S2为样本方差.
(1) 问
U
=
n
(
X
ˉ
−
μ
σ
)
2
U = n(\frac{\bar X - μ}{σ})^2
U=n(σXˉ−μ)2 服从什么分布?
(2) 问
V
=
n
(
X
ˉ
−
μ
S
)
2
V = n(\frac{\bar X - μ}{S})^2
V=n(SXˉ−μ)2 服从什么分布?
解:(1)
X
ˉ
=
1
n
∑
i
=
1
n
X
i
∼
N
(
μ
,
σ
2
n
)
标
准
化
:
X
ˉ
−
μ
σ
/
n
=
n
X
ˉ
−
μ
σ
∼
N
(
0
,
1
)
上
式
平
方
后
:
n
(
X
ˉ
−
μ
σ
)
2
∼
χ
2
(
1
)
∴
U
服
从
χ
2
(
1
)
分
布
\begin{aligned} &\bar X = \frac 1n\sum_{i=1}^nX_i \sim N(\mu,\frac {\sigma^2}{n})\\ 标准化:&\qquad \frac{\bar X - μ}{σ/\sqrt n} =\sqrt n \frac{\bar X - μ}{σ} \sim N(0,1)\\ 上式平方后: &\qquad n \left(\frac{\bar X - μ}{σ} \right)^2 \sim \chi^2(1)\\ \therefore \qquad U服从\chi^2(1)分布 \end{aligned}
标准化:上式平方后:∴U服从χ2(1)分布Xˉ=n1i=1∑nXi∼N(μ,nσ2)σ/nXˉ−μ=nσXˉ−μ∼N(0,1)n(σXˉ−μ)2∼χ2(1)
(2)
∵ ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) ∴ n ( X ˉ − μ σ ) 2 / 1 ( n − 1 ) S 2 σ 2 / ( n − 1 ) = n ( X ˉ − μ S ) 2 ∼ F ( 1 , n − 1 ) 即 : V 服 从 F ( 1 , n − 1 ) 分 布 \begin{aligned}\because \qquad &\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)\\ \therefore \qquad&\frac{n(\frac{\bar X-\mu}{\sigma})^2/1}{\frac{(n-1)S^2}{\sigma^2}/(n-1)} = n\left(\frac{\bar X-\mu}{S}\right)^2 \sim F(1,n-1)\\ 即:V&服从F(1,n-1)分布\end{aligned} ∵∴即:Vσ2(n−1)S2∼χ2(n−1)σ2(n−1)S2/(n−1)n(σXˉ−μ)2/1=n(SXˉ−μ)2∼F(1,n−1)服从F(1,n−1)分布
▌总结
附:
\qquad
第八章传送门.