数理统计基础 统计量
目录
https://blog.csdn.net/weixin_45792450/article/details/109314584
统计量由来与定义
如前所述,在进行统计推断时,构造样本的适当函数是关键,一个好的表达式,可以更方便研究总体的未知分布及相关性质。
为此,我们给出下列定义.
定义:设(X1,X2,...,Xn)({X_1},{X_2},...,{X_n})(X1,X2,...,Xn)为总体X{X}X的一个样本,称此样本的任一不含总体分布未知参数的函数为该样本的统计量。
举例说明:设总体X{X}X服从正态分布,E(X)=5{E(X)=5}E(X)=5,D(X)=σ2D(X) = {\sigma ^2}D(X)=σ2,σ{\sigma}σ未知。(X1,X2,...,Xn)({X_1},{X_2},...,{X_n})(X1,X2,...,Xn)为总体X{X}X的一个样本,令:
Xˉ=X1+X2+...+Xnn\bar X = {{{X_1} + {X_2} + ... + {X_n}} \over n}Xˉ=nX1+X2+...+Xn
U=X1+X2+...+XnnσU = {{{X_1} + {X_2} + ... + {X_n}} \over {n\sigma }}U=nσX1+X2+...+Xn
那么Xˉ\bar XXˉ为该样本的统计量,而U{U}U不是,因为其表达式中含有了X{X}X的未知参数σ\sigmaσ
常用的统计量
设(X1,X2,...,Xn)({X_1},{X_2},...,{X_n})(X1,X2,...,Xn)为总体X{X}X的一个样本
样本均值
称样本的算术平均值为样本均值,记为Xˉ\bar XXˉ,即
Xˉ=X1+X2+...+Xnn\bar X = {{{X_1} + {X_2} + ... + {X_n}} \over n}Xˉ=nX1+X2+...+Xn
样本方差
样本方差是用来描述样本中诸分量与样本均值的均方差异的,它有两种定义方式。
未修正样本方差
S02=1n∑i=1n(Xi−Xˉ)2S_0^2 = {1 \over n}\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^2}} S02=n1i=1∑n(Xi−Xˉ)2
修正样本方差
S2=1n−1∑i=1n(Xi−Xˉ)2S^2 = {1 \over {n - 1}}\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^2}}S2=n−11i=1∑n(Xi−Xˉ)2
由于存在数学关系E(S2)=σ2E({S^2}) = {\sigma ^2}E(S2)=σ2(后面证明),修正样本方差具有更好的统计性质,故样本方差均采用修正样本方差。
样本标准差
样本标准差定义为样本方差的算术平方根
S=1n−1∑i=1n(Xi−Xˉ)2S = \sqrt {{1 \over {n - 1}}\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^2}} } S=n−11i=1∑n(Xi−Xˉ)2
样本原点矩
k阶原点矩为
Ak=1n∑i=1nXik{A_k} = {1 \over n}\sum\limits_{i = 1}^n {X_i^k} Ak=n1i=1∑nXik
样本中心距
k阶中心距为
Bk=1n∑i=1n(Xi−Xˉ)k{B_k} = {1 \over n}\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^k}} Bk=n1i=1∑n(Xi−Xˉ)k
样本均值与方差性质讨论
均值性质
如果总体X{X}X具有数学期望E(X)=μE(X) = \muE(X)=μ,则
E(Xˉ)=E(X)=σE(\bar X) = E(X) = \sigmaE(Xˉ)=E(X)=σ
结论显然,证明从略。
方差性质
如果总体X{X}X具有方差D(X)=σ2D(X) = {\sigma ^2}D(X)=σ2,则
D(Xˉ)=1nD(X)=σ2nD(\bar X) = {1 \over n}D(X) = {{{\sigma ^2}} \over n}D(Xˉ)=n1D(X)=nσ2
E(S2)=D(X)=σ2E({S^2}) = D(X) = {\sigma ^2}E(S2)=D(X)=σ2
证明:
对于D(Xˉ)=1nD(X)=σ2nD(\bar X) = {1 \over n}D(X) = {{{\sigma ^2}} \over n}D(Xˉ)=n1D(X)=nσ2:
D(Xˉ)=D(X1+X2+...+Xnn)D(\bar X) = D({{{X_1} + {X_2} + ... + {X_n}} \over n})D(Xˉ)=D(nX1+X2+...+Xn)
=D(X1n)+D(X2n)+...+D(Xnn)= D({{{X_1}} \over n}) + D({{{X_2}} \over n}) + ... + D({{{X_n}} \over n})=D(nX1)+D(nX2)+...+D(nXn)
=1n2D(X1)+1n2D(X2)+...+1n2D(Xn)= {1 \over {{n^2}}}D({X_1}) + {1 \over {{n^2}}}D({X_2}) + ... + {1 \over {{n^2}}}D({X_n})=n21D(X1)+n21D(X2)+...+n21D(Xn)
=1n2D(X)×n=D(X)n=σ2n= {1 \over {{n^2}}}D(X) \times n = {{D(X)} \over n} = {{{\sigma ^2}} \over n}=n21D(X)×n=nD(X)=nσ2
对于E(S2)=D(X)=σ2E({S^2}) = D(X) = {\sigma ^2}E(S2)=D(X)=σ2:
E(S2)=E(∑i=1n(Xi−Xˉ)2n−1)E({S^2}) = E\left( {{{\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^2}} } \over {n - 1}}} \right)E(S2)=E⎝⎜⎜⎛n−1i=1∑n(Xi−Xˉ)2⎠⎟⎟⎞
=1n−1E(∑i=1n(Xi−Xˉ)2)= {1 \over {n - 1}}E(\sum\limits_{i = 1}^n {{{\left( {{X_i} - \bar X} \right)}^2}} )=n−11E(i=1∑n(Xi−Xˉ)2)
=1n−1E(∑i=1n(Xi2−2XiXˉ+Xˉ2))= {1 \over {n - 1}}E(\sum\limits_{i = 1}^n {\left( {X_i^2 - 2{X_i}\bar X + {{\bar X}^2}} \right)} )=n−11E(i=1∑n(Xi2−2XiXˉ+Xˉ2))
=1n−1E(∑i=1nXi2−2∑i=1nXiXˉ+∑i=1nXˉ2)= {1 \over {n - 1}}E(\sum\limits_{i = 1}^n {X_i^2} - 2\sum\limits_{i = 1}^n {{X_i}\bar X} + \sum\limits_{i = 1}^n {{{\bar X}^2}} )=n−11E(i=1∑nXi2−2i=1∑nXiXˉ+i=1∑nXˉ2)
=1n−1E(∑i=1nXi2−2nXˉ2+∑i=1nXˉ2)= {1 \over {n - 1}}E(\sum\limits_{i = 1}^n {X_i^2} - 2n{\bar X^2} + \sum\limits_{i = 1}^n {{{\bar X}^2}} )=n−11E(i=1∑nXi2−2nXˉ2+i=1∑nXˉ2)
=1n−1E(∑i=1nXi2−nXˉ2)= {1 \over {n - 1}}E(\sum\limits_{i = 1}^n {X_i^2} - n{\bar X^2})=n−11E(i=1∑nXi2−nXˉ2)
=1n−1(∑i=1nE(Xi2)−nE(Xˉ2))= {1 \over {n - 1}}\left( {\sum\limits_{i = 1}^n {E(X_i^2)} - nE({{\bar X}^2})} \right)=n−11(i=1∑nE(Xi2)−nE(Xˉ2))
由方差公式,有:E(X2)=D(X)+(E(X))2E({X^2}) = D(X) + {(E(X))^2}E(X2)=D(X)+(E(X))2,代入即得上式:
=1n−1(∑i=1nD(Xi)+(E(Xi))2−n(D(Xˉ)+(E(Xˉ))2))= {1 \over {n - 1}}\left( {\sum\limits_{i = 1}^n {D({X_i}) + (E({X_i})} {)^2} - n\left( {D(\bar X) + {{(E(\bar X))}^2}} \right)} \right)=n−11(i=1∑nD(Xi)+(E(Xi))2−n(D(Xˉ)+(E(Xˉ))2))
=1n−1(∑i=1nσ2+μ2−n(σ2n+μ2))= {1 \over {n - 1}}\left( {\sum\limits_{i = 1}^n {{\sigma ^2} + {\mu ^2}} - n\left( {{{{\sigma ^2}} \over n} + {\mu ^2}} \right)} \right)=n−11(i=1∑nσ2+μ2−n(nσ2+μ2))
=1n−1(nσ2+nμ2−n(σ2n+μ2))= {1 \over {n - 1}}\left( {n{\sigma ^2} + n{\mu ^2} - n\left( {{{{\sigma ^2}} \over n} + {\mu ^2}} \right)} \right)=n−11(nσ2+nμ2−n(nσ2+μ2))
=σ2= {\sigma ^2}=σ2
数理统计基础 统计量相关推荐
- UA MATH564 概率论VI 数理统计基础3 卡方分布上
UA MATH564 概率论VI 数理统计基础3 卡方分布上 卡方分布 卡方分布的分布函数 中心化卡方分布 一般的卡方分布 卡方分布 这里给出卡方分布的一般性定义.假设X1,⋯,XnX_1,\cdot ...
- UA MATH564 概率论VI 数理统计基础2 多元正态分布
UA MATH564 概率论VI 数理统计基础2 多元正态分布 矩母函数 概率密度 多元正态分布的矩 条件分布 独立性 抽样分布简单地说就是统计量服从的分布,正态分布时最常用的总体分布,因此研究正态总 ...
- UA MATH564 概率论VI 数理统计基础1
UA MATH564 概率论VI 数理统计基础1 样本均值与样本方差 正态样本的均值与方差的性质 样本均值与样本方差 样本均值和样本方差是经常用到的两个统计量,大部分正态假设的统计模型均值和方差的OL ...
- 数学基础(2)~ 数理统计基础知识
出处:http://www.cnblogs.com/fanling999/p/6708458.html 参考:盛骤, 谢式千, 潘承毅. 概率论与数理统计, 第四版[M]. 高等教育出版社, 2008 ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布的正态近似
UA MATH564 概率论VI 数理统计基础3 卡方分布的正态近似 卡方分布的正态近似 Gamma分布的正态近似 基于卡方分布的近似 基于指数分布的近似 在做UA MATH566 统计理论 QE练习 ...
- UA MATH564 概率论VI 数理统计基础5 F分布
UA MATH564 概率论VI 数理统计基础5 F分布 假设X∼χm,δ2,Y∼χn2X \sim \chi^2_{m,\delta},Y \sim \chi^2_{n}X∼χm,δ2,Y∼χn2 ...
- UA MATH564 概率论VI 数理统计基础4 t分布
UA MATH564 概率论VI 数理统计基础4 t分布 t分布的定义 t分布的概率密度 t分布的性质 t分布的定义 假设X,YX,YX,Y互相独立,X∼N(δ,1)X \sim N(\delta,1 ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布中
UA MATH564 概率论VI 数理统计基础3 卡方分布中 卡方分布的基本性质 上一讲介绍了卡方分布的定义:假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn互相独立,并且Xi∼N(a ...
- UA MATH564 概率论VI 数理统计基础3 卡方分布下 Cochran定理
UA MATH564 概率论VI 数理统计基础3 卡方分布下 Cochran定理 多元正态随机变量二次型的分布 Cochran定理 这一讲介绍多元正态随机变量的二次型的相关性质以及非常常用的Cochr ...
- 机器学习之概率论与数理统计基础知识-(2)随机变量和数字特征
该博客是根据百度贴吧利_刃网友的内容进行整理的,原出处请点击此处! 2.1 统计学(Statistic) 统计学是通过搜索.整理.分析数据等手段,以达到推断所测对象的本质,甚至预测对象未来的一门综合性 ...
最新文章
- c语言编的游戏怎么在安卓平台使用,谁知道怎么把c语言写的游戏安装到安卓手机上面玩??...
- 时间序列预测——线性回归(上下界、异常检测),异常检测时候历史数据的输入选择是关键,使用过去历史值增加模型健壮性...
- php人员排班程序,人员排班软件操作步骤
- 牛客小白月赛2 D 虚虚实实 【欧拉图】【连通图】
- 前端知识点梳理(二)
- 9 MM配置-主数据-维护物料管理的公司代码
- 214. Shortest Palindrome
- 斜齿轮重合度计算公式_基于KISSsoft的电动汽车变速箱齿轮修形优化设计
- GIT 操作中 Reinitialized existing Git repository in.......解决方法?
- vue中的横向排列_vue + ElementUI 的横向表格代码
- UltraEdit 注册机使用激活方法
- python 如何读取excel表格数据
- 使用DiskGenius扩展C盘大小,遇见“您选择的分区不支持无损调整容量”
- arch Linux 作妖记录(U盘启动)
- 滑动相关的原理以及用滤波器实现滑动相关(匹配滤波器捕获DMF)
- npoi获取合并单元格_NPOI合并单元格
- 下半年重要的10大美国写作比赛不要错过
- 数学建模学习(85):人工蜂群优化算法(ABCO)求解多元函数
- 5e平台能在linux,国服玩家正常使用5E对战平台的指引
- 什么是SCA(软件成分分析)
热门文章
- log4j2漏洞升级
- 如何把kafka Log4j1.x升级到Log4j2.x ?
- 杭州电子科技大学计算机复试内容,2018年杭州电子科技大学考研复试录取办法...
- 网传华为员工未加班领夜宵被冻薪降考评,并终身不得领夜宵
- python结束运行快捷键_Pycharm2017常用快捷键
- win10开启无线网卡服务器,win10系统设置开启或者禁用无线网卡的恢复步骤
- ffmpeg命令分析-b:v
- WordPress插件 引流吸粉到微信公众号 提高用户关注量
- Tbase 源码 (二)
- Java中的随机数公式