[概率论与数理统计]笔记：4.4 抽样分布

feixianxing 2023-03-28 原文

4.4 抽样分布

正态总体的抽样分布

关注点：总体是正态分布，抽样，样本所构造的统计量的分布的相关研究。

单正态总体的抽样分布

定理

正态总体\(X\sim N(\mu,\sigma^2)\)，\((X_1,X_2,\cdots,X_n)\)是样本，样本均值为\(\overline{X}\)，样本方差为\(S^2\).

其中

\[\overline{X}=\frac{1}{n}\sum\limits_{i=1}^nX_i, \]

\[S^2 = \frac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2 \]

\(\overline{X}\sim N(\mu,\frac{\sigma^2}{n})\)

证明：

\[E\overline{X}=E(\frac{1}{n}\sum\limits_{i=1}^nX_i) = \frac{1}{n}\sum\limits_{i=1}^nEX_i=\frac{1}{n}n\mu = \mu \]

\[D\overline{X}=D(\frac{1}{n}\sum\limits_{i=1}^nX_i)=\frac{1}{n^2}\sum\limits_{i=1}^nDX_i=\frac{1}{n^2}n\sigma^2=\frac{\sigma^2}{n} \]

由于\(\overline{X}=\frac{1}{n}(X_1+X_2+\cdots+X_n)\)，且\((X_1+X_2+\cdots+X_n)\)服从正态分布，所以\(\overline{X}\)也服从正态分布。

再结合\(E\overline{X}\)和\(D\overline{X}\)的值，所以\(\overline{X}\)服从参数为\((\mu,\frac{\sigma^2}{n})\)的正态分布。

理解

样本均值的方差比总体的方差小，并且样本容量(\(n\))越大，方差越小。

假设有100个随机数，

当样本容量\(n=2\)时，可能刚好抽出两个很大的数，于是样本均值很大；也可能刚好抽出两个很小的数，于是样本均值很小，所以样本容量小会导致样本均值的方差大。

当样本容量\(n=98\)时，每次抽样可能都是那么些数字，每次抽样可能就和上次抽样相差一两个数字，于是样本均值都差不多，也就是说样本均值的方差比较小。

推论

\[U=\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]

因为\(\overline{X}\)服从正态分布，所以标准化之后就服从标准正态分布。

\(\frac{n-1}{\sigma^2}S^2=\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\overline{X})\sim \chi^2(n-1)\)
\(\overline{X}\)和\(S\)相互独立。

另外一些定理

\(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\mu)^2\sim\chi^2(n)\)

\(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\overline{X})\sim \chi^2(n-1)\)

\(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\mu)^2\sim\chi^2(n)\)

这样两个定理的区别在于上面用的\(\overline{X}\)是样本均值，下面的\(\mu\)是总体期望。

上面的卡方分布的自由度是\(n-1\)，下面的自由度是\(n\)。

简单理解记忆：上面的定理有\(\overline{X}=\frac{1}{n}(X_1+\cdots+X_n)\)，比下面的定理多出一个约束(方程)。

联系线性方程组的知识点，多一个方程就少一个自由未知量，因此自由度就比下面的少1.

\(\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1)\)

证明：

前置知识：

标准正态分布和卡方分布构成\(t\)分布：
\[X\sim N(0,1)，Y\sim \chi^2(n) \]
\[\frac{X}{\sqrt{Y/n}}\sim t(n) \]

结合上文的推论与定理：

\[\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]

\[\frac{(n-1)S^2}{\sigma^2}\sim \chi^2(n-1) \]

因此

\[\frac{ \frac{\overline{X}-\mu}{\sigma/\sqrt{n}} }{ \sqrt{ \frac{(n-1)S^2}{\sigma^2}/n-1 } } \sim t(n-1) \]

又因为

\[\frac{ \frac{\overline{X}-\mu}{\sigma/\sqrt{n}} }{ \sqrt{ \frac{(n-1)S^2}{\sigma^2}/n-1 } }= \frac{\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}}{\frac{S}{\sigma}} =\frac{\overline{X}-\mu}{S/\sqrt{n}} \]

所以

\[\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1) \]

双正态总体的抽样分布

两个总体：\(X\sim N(\mu_1,\sigma_1^2),Y\sim N(\mu_2,\sigma_2^2)\)，
分别抽样：\((X_1,\cdots,X_{n_1})\)和\((Y_1,\cdots,Y_{n_2})\)，(两个样本的容量不一样，分别是\(n_1\)和\(n_2\))
样本均值：\(\overline{X},\overline{Y}\)，
样本方差：\(S_1^2,S_2^2\)。

定理

\[U=\frac{(\overline{X}-\overline{Y})-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}}\sim N(0,1) \]

证明：

根据上面单正态总体关于样本均值的定理，有

\(\overline{X}\sim N(\mu_1,\frac{\sigma_1^2}{n_1})\)
\(\overline{Y}\sim N(\mu_2,\frac{\sigma_2^2}{n_2})\)

再根据正态分布的线性可加性，有

\[\overline{X}-\overline{Y}\sim N(\mu_1-\mu_2,\frac{\sigma_1^2}{n_1}-\frac{\sigma_2^2}{n_2}) \]

再标准化，就得到了上面的定理。

\[F=\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-2) \]

证明：

前置知识点：

\(F\)分布

\(X\sim \chi^2(n_1),Y\sim \chi^2(n_2)\)

则\(\frac{X/n_1}{Y/n_2}\sim F(n_1,n_2)\)

根据上面单正态总体关于样本方差的定理，有

\(\frac{(n_1-1)S_1^2}{\sigma_1^2}\sim \chi^2(n_1-1)\)
\(\frac{(n_2-1)S_2^2}{\sigma_2^2}\sim \chi^2(n_2-1)\)

于是

\[\frac{ \frac{(n_1-1)S_1^2}{\sigma_1^2}/(n_1-1) }{ \frac{(n_2-1)S_2^2}{\sigma_2^2}/(n_2-1) } \sim F(n_1-1,n_2-1) \]

因此

\[\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-2) \]

使用教材：
《概率论与数理统计》第四版中国人民大学龙永红主编高等教育出版社

数理笔记 span class math 非技术区

有关[概率论与数理统计]笔记：4.4 抽样分布的更多相关文章

ruby - 分布式事务和队列，ruby，erlang，scala - 2
我有一个涉及多台机器、消息队列和事务的问题。因此，例如用户点击网页，点击将消息发送到另一台机器，该机器将付款添加到用户的帐户。每秒可能有数千次点击。事务的所有方面都应该是容错的。我以前从未遇到过这样的事情，但一些阅读表明这是一个众所周知的问题。所以我的问题。我假设安全的方法是使用两阶段提交，但协议(protocol)是阻塞的，所以我不会获得所需的性能，我是否正确？我通常写Ruby，但似乎Redis之类的数据库和Rescue、RabbitMQ等消息队列系统对我的帮助不大——即使我实现某种两阶段提交，如果Redis崩溃，数据也会丢失，因为它本质上只是内存。所有这些让我开始关注erlang和
LC滤波器设计学习笔记（一）滤波电路入门 - 2
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
Unity Shader 学习笔记（5）Shader变体、Shader属性定义技巧、自定义材质面板 - 2
写在之前Shader变体、Shader属性定义技巧、自定义材质面板，这三个知识点任何一个单拿出来都是一套知识体系，不能一概而论，本文章目的在于将学习和实际工作中遇见的问题进行总结，类似于网络笔记之用，方便后续回顾查看，如有以偏概全、不祥不尽之处，还望海涵。1、Shader变体先看一段代码......Properties{ [KeywordEnum(on,off)]USL_USE_COL("IsUseColorMixTex?",int)=0 [Toggle(IS_RED_ON)]_IsRed("IsRed?",int)=0}......//中间省略，后续会有完整代码 #pragmamulti_c
Tcl脚本入门笔记详解（一） - 2
TCL脚本语言简介•TCL（ToolCommandLanguage）是一种解释执行的脚本语言（ScriptingLanguage）,它提供了通用的编程能力：支持变量、过程和控制结构；同时TCL还拥有一个功能强大的固有的核心命令集。TCL经常被用于快速原型开发，脚本编程，GUI和测试等方面。•实际上包含了两个部分：一个语言和一个库。首先，Tcl是一种简单的脚本语言，主要使用于发布命令给一些互交程序如文本编辑器、调试器和shell。由于TCL的解释器是用C\C++语言的过程库实现的，因此在某种意义上我们又可以把TCL看作C库，这个库中有丰富的用于扩展TCL命令的C\C++过程和函数，所以，Tcl是
ruby - 停止分布式 Ruby 服务 - 2
我有一个启动DRb服务的脚本，然后生成处理程序对象并通过DRb.thread.join等待。我希望脚本一直运行直到被明确杀死，所以我添加了trap"INT"doDRb.stop_serviceend在Ruby1.8下成功停止DRb服务并退出，但在1.9下似乎死锁(在OSX10.6.7上)。对该进程进行采样显示在semaphore_wait_signal_trap中有几个线程在旋转。我假设我在调用stop_service时做错了什么，但我不确定是什么。谁能给我任何关于如何正确处理它的指示？最佳答案好的，我想我已经找到了解决方案。如
计算机网络笔记：TCP三次握手和四次挥手过程 - 2
TCP是面向连接的协议，连接的建立和释放是每一次面向连接的通信中必不可少的过程。TCP连接的管理就是使连接的建立和释放都能正常地进行。三次握手TCP连接的建立—三次握手建立TCP连接①若主机A中运行了一个客户进程，当它需要主机B的服务时，就发起TCP连接请求，并在所发送的分段中用SYN=1表示连接请求，并产生一个随机发送序号x，如果连接成功，A将以x作为其发送序号的初始值：seq=x。主机B收到A的连接请求报文，就完成了第一次握手。客户端发送SYN=1表示连接请求客户端发送一个随机发送序号x，如果连接成功，A将以x作为其发送序号的初始值：seq=x②主机B如果同意建立连接，则向主机A发送确认报
华为数通笔记VXLAN&BGP EVPN - 2
VXLAN简介定义RFC定义了VLAN扩展方案VXLAN（VirtualeXtensibleLocalAreaNetwork，虚拟扩展局域网）。VXLAN采用MACinUDP（UserDatagramProtocol）封装方式，是NVO3（NetworkVirtualizationoverLayer3）中的一种网络虚拟化技术。目的随着网络技术的发展，云计算凭借其在系统利用率高、人力/管理成本低、灵活性/可扩展性强等方面表现出的优势，已经成为目前企业IT建设的新趋势。而服务器虚拟化作为云计算的核心技术之一，得到了越来越多的应用。服务器虚拟化技术的广泛部署，极大地增加了数据中心的计算密度；同时，为
ruby - 删除括号内的文本(括号内的括号概率) - 2
我试图删除括号内的文本(连同括号本身)，但遇到括号内有括号的情况时遇到问题。这是我正在使用的方法(在Ruby中):sentence.gsub(/\(.*?\)/,"")在我写出如下句子之前一切正常:"Thisis(atest(string))"然后上面就噎住了。任何人都知道如何做到这一点？我完全被难住了。最佳答案一种方法是从内向外替换括号组:x=string.dupwhilex.gsub!(/\([^()]*\)/,"");endx 关于ruby-删除括号内的文本(括号内的括号概率)
Ruby:在代码中使用 rand() 但编写测试来验证概率 - 2
我有一些代码可以根据加权随机数提供内容。权重越大的东西越有可能被随机选择。现在作为一名优秀的rubyist，我当然想用测试覆盖所有这些代码。我想测试是否根据正确的概率获取了东西。那么我该如何测试呢？为应该是随机的东西创建测试使得很难比较实际与预期。我有一些想法，以及为什么它们不会很好地工作:在我的测试中stubKernel.rand以返回固定值。这很酷，但是rand()被调用了多次，我不确定我是否可以通过足够的控制来装备它来测试我需要的东西。多次获取随机项目，并将实际比率与预期比率进行比较。但除非我可以无限次地运行它，否则这永远不会完美，并且如果我在RNG中运气不佳，可能会间歇性地
[蓝桥杯单片机]学习笔记——串口通信的基本原理与应用 - 2
目录一、原理部分1、什么是串行通信（1）并行通信与串行通信（2）串行通信的制式（3）串行通信的主要方式 2、配置串口（1）SCON和PCON：串行口1的控制寄存器（2）SBUF：串行口数据缓冲寄存器（3）AUXR：辅助寄存器编辑（4）ES、PS：与串行口1中断相关的寄存器（5）波特率设置 3、串口框架编写二、程序案例一、原理部分1、什么是串行通信（1）并行通信与串行通信微控制器与外部设备的数据通信，根据连线结构和传送方式的不同，可以分为两种：并行通信和串行通信。并行通信：数据的各位同时发送与接收，每个数据位使用一条导线，这种方式传输快，但是需要多条导线进行信号传输。串行通信：数据一位一