概率论与数理统计第九章--统计量和抽样分布

1 .第九章 统计量和抽样分布  统计量  常用统计量  抽样分布 

2 . 第一节 统计量 样本是进行统计推断的依据，在应用时，往往不是 直接使用样本本身，而是针对不同的问题构造样本的适 当函数，利用这些样本的函数进行统计推断。 样本来自总体，样本的观测值中含有总体各方面的 信息，但这些信息较为分散，有时显得杂乱无章。为了 将这些分散在样本中的有关总体的信息集中起来以反映 总体的各种特征，需要对样本进行加工，表和图是一类 加工形式，它使人们从中获得对总体的初步认识。当人 们需要从样本获得对总体各种参数的认识时，最常用的 加工方法是构造样本函数，不同函数反映总体的不同特 征。 

3 . 第一节 统计量 例 以下是某厂生产机器零件的质量（ Kg ） 215 ， 227 ， 216 ， 192 ， 207 ， 207 ， 214 ， 218 ， 205 ， 200 187 ， 185 ， 202 ， 218 ， 195 ， 215 ， 206 ， 202 ， 208 ， 210 算术平均值为： 206.45 样本标准差为： 9.97 

4 . 第一节 统计量 统计量 完全由样本确定的量 从数学观点来看，统计量是样本的函数 定义：设 (XX1,X2,…,Xn) 是来自总体 X 的一个样本 ,f(XX1,X2,…,X n) 是关于 X1,X2,…,Xn 的一个连续函数且 f(XX1,X2,…,Xn) 中 不 例 若 含有何未知参数 , 则称 f(XX1,X2,…,Xn) 是样本 (XX1,X2,…, X 1 , X 2 , , X n 是一个样本，则 Xn) n n  （的一个统计量 1） X ,  X i2 i 以及 Fn ( x ) 都是统计量； i 1 i 1 . （ 2 ） 若 μ,σ2 未知时， X1- μ,X1/σ 都不是统计量 . 设 (Xx1,x2,…,xn ) 是相应于样本 (XX1,X2,…,Xn ) 的样本值 , 则 f(Xx1,x2,…,xn) 称是 f(XX1,X2,…,Xn) 的观察值 . 

5 . 第二节 常用统计量 样本均值 描述数据的中心位置 常 用 样本中位数 统 计 量 样本标准差 描述数据的分散程度 极差或四分位间距 

6 . 第二节 常用统计量 设 ( X 1 , X 2 ,, X n ) 是来自总体 X 的容量 为 n 的样本 , 称统计量 1 n 样本均值 X   Xi n i 1   n 1 2 样本方差 S   Xi  X 2 n i 1 样本标准差 S 1 n  n i 1 Xi  X  2 返回 

7 . 第二节 常用统计量 样本中位数 : 若将数据从小到大排列 , 中位数就是 居于中间位置的数 为样本 计算 : 设 ( X 1 , X 2 ,  , X n ) , 当其取值为 ( x1 , x 2 ,  , x n ) 时 x(1)  x( 2 )   x( n ) 是数据 , 由小到大的重排 , 则中位数可如下计 ( x1 , x 2 ,  , x n ) 算  x n 1 , 当n为奇数  ( 2 ) med  1  ( x( n )  x( n 1) ) 当n为偶数 2 2 2 返回 

8 . 第二节 常用统计量 极差 : R  X ( n )  X (1) 其中 , X (1)  min { X i }, X ( n )  max { X i } 1i n 1i n 直观意义 : R 即数据振幅 , 振幅越大说明数据越分散 四分位间距 H QU  QL : 注 : 此处 ,QL<QU, 分别使 QL 的左、右数据比及分别使 QU 的 右、左数据比为 1:3, 也称 QL,QU 为数据的上下四分 位 数。依定义 H 是区间（ QL,QU ）的间距，而此区间 正 返回 好含有 50% 的数据，因此 H 是相对于中位数的数据分 

9 . 第二节 常用统计量 样本相关系数 n 样本相关系数 :  (x i 1 i  x )( yi  y ) rxy  SxS y 其中 分别为数据 x, y {xxi} ， {xyj} 的样本均值 , 而 Sx ， Sy 则 分别为样本标准差 , 1.|rxy|≤1 称数据极大相关； 2. 当 rxy=±1 时 3. 当 rxy=0 时称数据不相关； 称数据为正相关； 4. 当 rxy>0 时 称数据为负相关 . 5. 当 rxy<0 时 

10 .

11 . 统计量 是样本 的 f ( X 1 , X 2 ,..., 是样本 的 Xn) X 1 ,的不含任何 X 2 ,..., X n 未知数的函数，它是一个随机变量 是样本 的 统计量 是样本 的的分布称为抽样分布。 由于正态总体是最常见的总体，因此这里主要讨 论正态总体下的抽样分布 . 由于这些抽样分布的论证要用到较多的数学知识 ，故在本 的节中，我们主要给出有关结论，以供应用 . 

12 . 第三节 抽样分布 抽样分布 设总体中个体总数为 N ，样本容量为 n(Xn 定理 1 〈N ） 且总体有有限均值 μ, 方差 σ2, 则 (1) E ( X )   (2) 有放回抽样  (X )  n N n  无放回抽样  ( X )  N1 n 

13 . 数理统计中常用的分布除正态分布外，还有 三个非常有用的连续型分布，即  2 分布 t 分布  数理统计的三大分布 (X 都是连续 F 分布  型 ). 它们都与正态分布有密切的联系 . 在本章中特别要求掌握对正态分布、 2 分 布、 t 分布、 F 分布的一些结论的熟练运用 . 它们是后面各章的基础 . 

14 . 第三节 抽样分布 χ2 分布 1. 定 义 为 n 个独立的标准正态随机变量 X 1 , X 2 ,, X n 设 , 称随机变量 n U  X i2 i 1 的分布为自由度 n 的 χ2分布，记为 U ~  2 ( n) f ( x) n 1 密度函数的图象如右图 n 4 n 10 0 x  2分布的概率密度函数 

15 . 第三节 抽样分布 χ2 分布 n = 1 时 , 其密度函数 1.2 为 1  1   1 x 0.8  x e , 2 2 x 0 0.6 f ( x)  2 0.4  0, x 0 0.2  2 4 6 8 10 n = 2 时 , 其密度函数 为  1  2x 0.4  e , x0 f ( x)  2 0.3  0, 0.2  x 0 0.1 为参数为 1/2 的指数分布 2 4 6 8 10 

16 . 第三节 抽样分布 χ2 分布 一般自由度为 n 的  2 ( n ) 的密度函数为  1  2x n2  1 f ( x)  n2 n e x , x  0 n 1 f ( x)  2 ( 2 )  n 4  0, x 0 n 10  其中， ( x )   0 t x  1e  t dt 0  2分布的概率密度函数 x 在 x > 0 时收敛，称为函数，具有性质 ( x  1)  x( x), (1) 1, (1 / 2)   (n  1) n ! (n  N ) 

17 . 第三节 抽样分布 χ2 分布 2. 性 质 1 E U  n, DU  2n 证明 2 若X 1   2 (n1 ), X 2   2 (n2 ), X 1 , X 2 相互独立， 则 X 1＋X 2～ 2 (n1＋n2 ) 性质2称为 2分布的可加性，可推广到有限个的情形： m m 设U i ~  2 (ni ), 且 U1 ,U 2 U m 相互独立，则  i ( ni ) U ～ i 1  2 i 1 

18 . n 证 1 设  (n)  X 2 2  i X i ~ N (0,1) i 1,2, , n i 1 X 1 , X 2 ,  , X n 相互独立 , 2 则 E ( X i ) 0, D( X i ) 1, E ( X ) 1 i  n 2 E U   E   X i  n  i 1  1  4  x2  4 E( X ) i x e 2 dx 3 2  2 4 2 2 D ( X )  E ( X )  E ( X ) 2 i i i  n 2 DU   D  X i  2n 返回  i 1  

19 . 第三节 抽样分布 t- 分布 1. 定 设 X ~ N (0,1) , Y ~  2 ( n), X ,Y 相互独立 , 则 义 称 X T Y n 的分布为自由度 n 的 T 分布，记为 T~t(Xn) 其密度函数为 密度函数图象为 f ( x) n 10 n 4  n 1 n 1   2  2 2   t  f (t )    1    t  n 1  n n n    2 3 2 1 0 1 2 3 x t分布的密度函数 

20 .t- 分布 第三节 抽样分布 2. 性质 : (X1) f(Xt) 关于 t=0(X 纵轴 ) 对称。 (X2) f(Xt) 的极限为 N(X0 ， 1) 的密度函数，即 2 t lim f ( t )  ( t )  1 e  2 ,   x   n  2 

21 . 第三节 抽样分布 F - 分布 1. 定义 若 U ~2(Xn),V~2(Xm)) ， U,V 独立，则称 U /n F ~ F ( n, m). V /m 的分布为自由度 (Xn,m)) 的 F 分布 , 记为 F~F(Xn,m)). 其概率密度为 概率密度函数图象为 f  x  n 1 n 2 n1 1 n=20,m=∞ n1 / 2  ( 2 )( n1 / n 2 ) y 2 n=20,m=25  , y 0 h ( y )   n1 n n ( 2 ) ( 2 )(1  1 y )( n1 n 2 ) / 2 n=20,m=10  2 n2  0, y 0  0 1 2 x F分布的密度函数 

22 . 第三节 抽样分布 正态总体的抽样分布 设XX1,X 2 ,...,X n是来自正态总体N(μN(μ,μ,σ2 )的样本,即它们 是独立同分布的，皆服从N(μ,N(μ,μ,σ2 ).我们有 定理 2 证明 （1 X ~ N (  , ); ） n n 1 （ 2 ） X与S 2   ( X i  X ) 2 相互独立; n i 1 n nS 2  i ( X  X ) 2 （3）  i 1 ~  2 ( n  1) 2 2 

23 .证明（ 1 ） 1 n 1 n E ( X ) E (  X i )   E ( X i )  n i 1 n i 1 1 n 1 n 1 2 D( X ) D(  X i )  2  D( X i )   n i 1 n i 1 n 2  故有 X ~ N (  , ). n 返回 

24 .例 : 设X 1 , X 2 ,..., X n 是来自总体X ~ N (  ,  2 )的样本, X与S 2 分别为其样本均值与样本方差, 则 ( X  ) T ~ t (n  1) 2 S （ / n-1） 2 X  n ( X  ) 证明 因为 X ~ N (  , ) , 即  ~ N (0,1) n / n  n nS 2 i 1  i 2 ( X  X ) 2 又 2  2 ~  (n  1)   且它们表示的随机变量是相互独立的 , 故 X  X   n T  ~ t (n  1) 2 2 S (n  1) nS (n  1) 2 

25 .例: 设XX 1 ,X 2 ,...,X m 是来自总体X ~ N(μμ1 ,σ2 )的一个样本 的,X 与S 2X 分 别为其样本 的均值与样本 的 方差;Y1 ,Y2 ,...,Yn是来自总体Y ~ N(μμ2 ,σ2 ) 的一个样本 的,Y 与S 2Y 分别为其样本 的均值与样 本 的方差; 1 m 1 n 1 m 1 n X   Xi Y  m i 1  n i 1 Yi S   ( X i  X ) S 2   (Yi  Y ) 2 1 2 m i 1 2 2 n i 1 mS12  nS 22 S w2  mn 2 则随机变量 ( X  Y )  ( 1   2 ) T ~ t ( m  n  2) 1 1 Sw  m n 

26 . 2 2 证明 : (X1) 因 X ~ N ( 1 , ) Y ~ N (2 , ) m n 为 所以 ( X  Y )  ( 1   2 ) V ~ N (0,1) 1 1   m n (X2) 因为 mS 12 nS 22 ~  2 (m  1) ~  2 (n  1) 2 2 所以 mS12 nS 22 U  2  2 ~  2 ( m  n  2)   (X3) 故 T  V ( X  Y )  ( 1   2 )  ~ t (m  n  2) U /(m  n  2) 1 1 Sw  m n 

27 . 2 2 1 m 1 n 例: *2 S1   (Xi  X ) *2 S2   (Yi  Y ) m  1 i 1 n  1 i 1 *2 S 则 F 1 *2 S ~ F (m  1, n  1) 2 

28 . 第三节 抽样分布 极限分布 设总体有有限均值 μ 及方差 σ2 ， X1 ， X2,…Xn 是样本， 则由中心极限定理，当 n→∞, 有 n( X  ) L   N (0,1)  因此，统计量 2 有渐进分布 X N ( , ) n 

29 .例 某镇有 25000 户家庭，平均拥有汽车 1.2 辆，标准差为 0. 90 辆 , 他们中 10% 没有汽车 . 今有 1600 户家庭的随机样本 , 问 在样本 中 9% 和 11% 之间的家庭没有汽车的概率是多少 ? 解 引入新变量  1, 第i个样本家庭无汽车i个样本家庭无汽车个样本家庭无汽车 X   0, 第i个样本家庭无汽车i个样本家庭无汽车个样本家庭无汽车 X 1 , X 2 ,, X n 是相互独立的, 而且n  N , 可以看成有放回抽样，样本中无汽车家庭的比例为 X 2 X ~ N ( , ) p=0.1, μ=0.1 σ=0.3, n 40 (0.09  0.1) n ( X   ) 40 (0.11  0.1) P(9%  X 11 %)  P(   ) 0.3  0.3 40 (0.11  0.1) 40 (0.09  0.1) ( )  ( ) 0.3 0.3 0.8164