UA MATH564 概率论 样本均值的偏度与峰度
UA MATH564 概率论 样本均值的偏度与峰度
- 偏度
- 峰度
假设X1,⋯,XnX_1,\cdots,X_nX1,⋯,Xn是一组简单随机样本,Xˉ\bar{X}Xˉ是样本均值,总体均值为μ\muμ,总体方差为σ2\sigma^2σ2,总体的偏度为γ1\gamma_1γ1,峰度为γ2\gamma_2γ2,下面计算样本均值的偏度γ1,n\gamma_{1,n}γ1,n与峰度γ2,n\gamma_{2,n}γ2,n,先给出结论:
γ1,n=γ1n,γ2,n=γ2n+3n(n−1)n2\gamma_{1,n} = \frac{\gamma_1}{\sqrt{n}},\ \ \gamma_{2,n} = \frac{\gamma_2}{n} + \frac{3n(n-1)}{n^2}γ1,n=nγ1, γ2,n=nγ2+n23n(n−1)
偏度
偏度的定义是
γ1=E[X−μσ]3=1σ3(EX3−3μEX2+3μ2EX−μ3)=1σ3(EX3−3μ(μ2+σ2)+3μ3−μ3)=EX3−3μσ2−μ3σ3\gamma_1 = E \left[ \frac{X-\mu}{\sigma} \right]^3 = \frac{1}{\sigma^3}( EX^3 - 3\mu EX^2 + 3\mu^2 EX - \mu^3) \\ = \frac{1}{\sigma^3}( EX^3 - 3\mu (\mu^2 + \sigma^2) + 3\mu^3 - \mu^3) = \frac{EX^3-3\mu\sigma^2-\mu^3}{\sigma^3}γ1=E[σX−μ]3=σ31(EX3−3μEX2+3μ2EX−μ3)=σ31(EX3−3μ(μ2+σ2)+3μ3−μ3)=σ3EX3−3μσ2−μ3
我们知道
EXˉ=μ,Var(Xˉ)=σ2nE\bar{X} = \mu,\ \ Var(\bar{X}) = \frac{\sigma^2}{n}EXˉ=μ, Var(Xˉ)=nσ2
因此
γ1,n=EXˉ3−3μσ2/n−μ3σ3/n3/2EXˉ3=1n3E(∑i=1nXi)3\gamma_{1,n} = \frac{E\bar{X}^3-3\mu\sigma^2/n-\mu^3}{\sigma^3/n^{3/2}} \\ E\bar{X}^3 = \frac{1}{n^3} E \left( \sum_{i=1}^n X_i \right)^3γ1,n=σ3/n3/2EXˉ3−3μσ2/n−μ3EXˉ3=n31E(i=1∑nXi)3
注意到(∑i=1nXi)3\left( \sum_{i=1}^n X_i \right)^3(∑i=1nXi)3的展开式一共有n3n^3n3项,其中有An1A_n^1An1项是Xi3X_i^3Xi3,有C31C22An2C_3^1C_2^2A_n^2C31C22An2项是Xi2Xj,i≠jX_i^2X_j,i \ne jXi2Xj,i=j,有An3A_n^3An3项是XiXjXk,i≠j≠kX_iX_jX_k,i \ne j \ne kXiXjXk,i=j=k
E[XiXjXk]=EXiEXjEXk=μ3E[Xi2Xj]=EXi2EXj=(μ2+σ2)μ=μ3+μσ2E[Xi3]=μ3+3μσ2+γ1σ3E[X_iX_jX_k] = EX_iEX_jEX_k = \mu^3 \\ E[X_i^2X_j] = EX_i^2EX_j = (\mu^2 + \sigma^2)\mu =\mu^3 + \mu \sigma^2 \\ E[X_i^3] = \mu^3 + 3\mu\sigma^2 + \gamma_1 \sigma^3 E[XiXjXk]=EXiEXjEXk=μ3E[Xi2Xj]=EXi2EXj=(μ2+σ2)μ=μ3+μσ2E[Xi3]=μ3+3μσ2+γ1σ3
因此
EXˉ3=n(μ3+3μσ2+γ1σ3)+3n(n−1)(μ3+μσ2)+n(n−1)(n−2)μ3n3=σ3γ1n2+3μσ2n+μ3EXˉ3−3μσ2/n−μ3=σ3γ1n2E\bar{X}^3 = \frac{n(\mu^3 + 3\mu\sigma^2 + \gamma_1 \sigma^3) + 3n(n-1)(\mu^3 + \mu \sigma^2) + n(n-1)(n-2)\mu^3}{n^3} \\ = \frac{\sigma^3\gamma_1}{n^2} + \frac{3\mu\sigma^2}{n}+ \mu^3 \\ E\bar{X}^3 -3\mu\sigma^2/n-\mu^3 = \frac{\sigma^3\gamma_1}{n^2} EXˉ3=n3n(μ3+3μσ2+γ1σ3)+3n(n−1)(μ3+μσ2)+n(n−1)(n−2)μ3=n2σ3γ1+n3μσ2+μ3EXˉ3−3μσ2/n−μ3=n2σ3γ1
所以样本均值的偏度为
γ1,n=γ1n\gamma_{1,n} = \frac{\gamma_1}{\sqrt{n}}γ1,n=nγ1
峰度
偏度的定义是(另一种定义是在这个基础上减3,3是标准正态分布的峰度,用来作参考)
γ2=E[X−μσ]4=1σ4(EX4−4μEX3+6μ2EX2−4μ3EX+μ4)=1σ4(EX4−4μ(μ3+3μσ2+γ1σ3)+6μ2(μ2+σ2)−4μ4+μ4)=EX4−4μγ1σ3−6μ2σ2−μ4σ4\gamma_2 = E \left[ \frac{X-\mu}{\sigma} \right]^4 = \frac{1}{\sigma^4}( EX^4 - 4\mu EX^3 + 6\mu^2 EX^2 - 4\mu^3EX + \mu^4) \\ = \frac{1}{\sigma^4}( EX^4 - 4\mu (\mu^3 + 3\mu\sigma^2 + \gamma_1 \sigma^3) + 6\mu^2 (\mu^2 + \sigma^2) - 4\mu^4 + \mu^4) \\ = \frac{EX^4 - 4\mu\gamma_1 \sigma^3 - 6\mu^2\sigma^2 - \mu^4}{\sigma^4}γ2=E[σX−μ]4=σ41(EX4−4μEX3+6μ2EX2−4μ3EX+μ4)=σ41(EX4−4μ(μ3+3μσ2+γ1σ3)+6μ2(μ2+σ2)−4μ4+μ4)=σ4EX4−4μγ1σ3−6μ2σ2−μ4
我们知道
EXˉ=μ,Var(Xˉ)=σ2n,γ1,n=γ1nE\bar{X} = \mu,\ \ Var(\bar{X}) = \frac{\sigma^2}{n}, \ \ \gamma_{1,n} = \frac{\gamma_1}{\sqrt{n}}EXˉ=μ, Var(Xˉ)=nσ2, γ1,n=nγ1
因此
γ2,n=EXˉ4−4μγ1σ3/n2−6μ2σ2/n−μ4σ4/n2EXˉ4=1n4E(∑i=1nXi)4\gamma_{2,n} = \frac{E\bar{X}^4 - 4\mu\gamma_1 \sigma^3/n^2 - 6\mu^2\sigma^2/n - \mu^4}{\sigma^4/n^{2}} \\ E\bar{X}^4 = \frac{1}{n^4} E \left( \sum_{i=1}^n X_i \right)^4γ2,n=σ4/n2EXˉ4−4μγ1σ3/n2−6μ2σ2/n−μ4EXˉ4=n41E(i=1∑nXi)4
注意到(∑i=1nXi)4\left( \sum_{i=1}^n X_i \right)^4(∑i=1nXi)4的展开式一共有n4n^4n4项,其中有An1A_n^1An1项是Xi4X_i^4Xi4,有C42Cn2C_4^2C_n^2C42Cn2项是Xi2Xj2,i≠jX_i^2X_j^2,i \ne jXi2Xj2,i=j,有C41C33An2C_4^1C_3^3A_n^2C41C33An2项是Xi3Xj,i≠jX_i^3X_j,i \ne jXi3Xj,i=j,有C42C21C11An3C_4^2C_2^1C_1^1A_n^3C42C21C11An3项是Xi2XjXk,i≠j≠kX_i^2X_jX_k,i \ne j \ne kXi2XjXk,i=j=k,有An4A_n^4An4项是XiXjXkXl,i≠j≠k≠lX_iX_jX_kX_l,i\ne j \ne k \ne lXiXjXkXl,i=j=k=l
E[XiXjXkXl]=EXiEXjEXkEXl=μ4E[Xi2XjXk]=EXi2EXjEXk=(μ2+σ2)μ2=μ4+μ2σ2E[Xi3Xj]=EXi3EXj=(μ3+3μσ2+γ1σ3)μ=μ4+3μ2σ2+μγ1σ3E[Xi2Xj2]=EXi2EXj2=(μ2+σ2)2=μ4+2μ2σ2+σ4EXi4=σ4γ2+4μγ1σ3+6μ2σ2+μ4E[X_iX_jX_kX_l] = EX_iEX_jEX_k EX_l= \mu^4\\ E[X_i^2X_jX_k] = EX_i^2EX_jEX_k = (\mu^2 + \sigma^2)\mu^2 = \mu^4 + \mu^2 \sigma^2 \\ E[X_i^3X_j] = EX_i^3EX_j = (\mu^3 + 3\mu\sigma^2 + \gamma_1 \sigma^3)\mu =\mu^4 + 3\mu^2 \sigma^2 + \mu \gamma_1 \sigma^3 \\ E[X_i^2X_j^2] = EX_i^2EX_j^2 = (\mu^2 + \sigma^2)^2 = \mu^4 + 2\mu^2 \sigma^2 + \sigma^4 \\ EX_i^4 = \sigma^4 \gamma_2+ 4\mu\gamma_1 \sigma^3 + 6\mu^2\sigma^2 + \mu^4E[XiXjXkXl]=EXiEXjEXkEXl=μ4E[Xi2XjXk]=EXi2EXjEXk=(μ2+σ2)μ2=μ4+μ2σ2E[Xi3Xj]=EXi3EXj=(μ3+3μσ2+γ1σ3)μ=μ4+3μ2σ2+μγ1σ3E[Xi2Xj2]=EXi2EXj2=(μ2+σ2)2=μ4+2μ2σ2+σ4EXi4=σ4γ2+4μγ1σ3+6μ2σ2+μ4
计算
n(σ4γ2+4μγ1σ3+6μ2σ2+μ4)+3n(n−1)(μ4+2μ2σ2+σ4)+4n(n−1)(μ4+3μ2σ2+μγ1σ3)+6n(n−1)(n−2)(μ4+μ2σ2)+n(n−1)(n−2)(n−3)μ4=nσ4γ2+4n2μγ1σ2+3n(n−1)σ4+n4μ4+6n3μ2σ2n(\sigma^4 \gamma_2+ 4\mu\gamma_1 \sigma^3 + 6\mu^2\sigma^2 + \mu^4) + 3n(n-1)( \mu^4 + 2\mu^2 \sigma^2 + \sigma^4) \\+ 4n(n-1)(\mu^4 + 3\mu^2 \sigma^2 + \mu \gamma_1 \sigma^3 ) +6n(n-1)(n-2)(\mu^4 + \mu^2 \sigma^2) \\ + n(n-1)(n-2)(n-3)\mu^4 = n\sigma^4 \gamma_2+4n^2\mu\gamma_1\sigma^2 + 3n(n-1)\sigma^4+ n^4 \mu^4 + 6n^3\mu^2\sigma^2n(σ4γ2+4μγ1σ3+6μ2σ2+μ4)+3n(n−1)(μ4+2μ2σ2+σ4)+4n(n−1)(μ4+3μ2σ2+μγ1σ3)+6n(n−1)(n−2)(μ4+μ2σ2)+n(n−1)(n−2)(n−3)μ4=nσ4γ2+4n2μγ1σ2+3n(n−1)σ4+n4μ4+6n3μ2σ2
也就是
EXˉ4=nσ4γ2+4n2μγ1σ2+3n(n−1)σ4+n4μ4+6n3μ2σ2n4=σ4n3γ2+4μγ1σ2n2+μ4+6nμ2σ2+3n(n−1)n4σ4E\bar{X}^4 = \frac{n\sigma^4 \gamma_2+4n^2\mu\gamma_1\sigma^2 + 3n(n-1)\sigma^4+ n^4 \mu^4 + 6n^3\mu^2\sigma^2}{n^4} \\ = \frac{\sigma^4}{n^3}\gamma_2 + \frac{4\mu\gamma_1\sigma^2}{n^2} + \mu^4 + \frac{6}{n}\mu^2\sigma^2 + \frac{3n(n-1)}{n^4}\sigma^4EXˉ4=n4nσ4γ2+4n2μγ1σ2+3n(n−1)σ4+n4μ4+6n3μ2σ2=n3σ4γ2+n24μγ1σ2+μ4+n6μ2σ2+n43n(n−1)σ4
因此
γ2,n=γ2n+3n(n−1)n2\gamma_{2,n} = \frac{\gamma_2}{n} + \frac{3n(n-1)}{n^2}γ2,n=nγ2+n23n(n−1)
UA MATH564 概率论 样本均值的偏度与峰度相关推荐
- UA MATH564 概率论III 期望
UA MATH564 概率论III 期望 随机变量的函数的期望 特征函数,矩生成函数,累积量生成函数,概率生成函数 这一讲讨论一元随机变量. 随机变量的函数的期望 对于随机变量XXX,假设ggg是定义 ...
- UA MATH564 概率论V 中心极限定理
UA MATH564 概率论V 中心极限定理 随机变量序列的极限 收敛模式之间的关系 大数法则 中心极限定理 Classical Central Limit Theorem Sugden法则 Delt ...
- 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 ...
- UA MATH564 概率论 多元随机变量的变换 理论与应用2
UA MATH564 概率论 多元随机变量的变换 几个例题 例5 X1,X2,X3∼iidEXP(λ)X_1,X_2,X_3 \sim_{iid} EXP(\lambda)X1,X2,X3∼ii ...
- UA MATH564 概率论 依概率收敛的一个例题
UA MATH564 概率论 依概率收敛的一个例题 Part (a) Let Yn∼U(−1/n,1/n)Y_n \sim U(-1/n,1/n)Yn∼U(−1/n,1/n), Zn∼U(n,n+1 ...
- UA MATH564 概率论 标准二元正态分布的性质
UA MATH564 概率论 标准二元正态分布的性质 两个独立的标准正态变量 Rayleigh分布 Cauchy分布 Box-Muller变换 两个相关的标准正态变量 边缘密度 条件密度 两个独立的标 ...
- UA MATH564 概率论 依概率收敛的题目
UA MATH564 概率论 依概率收敛的一个例题 X1,X2,⋯,Xn∼iida+EXP(λ)X_1,X_2,\cdots,X_n \sim_{iid} a+EXP(\lambda)X1,X2, ...
- UA MATH564 概率论 Dirichlet分布
UA MATH564 概率论 Dirichlet分布 在UA MATH564 概率论IV 次序统计量中,我们介绍了均匀分布U(0,1)U(0,1)U(0,1)的多个次序统计量的联合分布就是Dirich ...
- UA MATH564 概率论 公式与定理总结
UA MATH564 概率论 公式与定理总结 Part 1 Elementary Probability Tip 1: Probability is a measure satisfying mono ...
最新文章
- html5效果源码,10款web前端值得学习的 HTML5 效果附源码
- 最短路径Dijkstra讲解,工具包使用 python
- OpenGL toon shading卡通着色的实例
- Swoole跨域问题解决
- leetcode 553. Optimal Division | 553. 最优除法(暴力递归->傻缓存)
- leetcode 53. 最大子序和(C语言)
- java全局变量和局部变量
- Android Studio之package org.junit does not exist解决办法
- if condition 大于_EXCEL中IF函数由浅入深实例分析
- 将多个文件绑在一起执行
- python结巴分词的缺点_Python 结巴分词
- 【论文阅读】Pyramidal Convolution:Rethinking Convolutional Neural Networks for Visual Recognition
- 37岁被裁员,大公司不愿要,无奈去小公司面试,HR的话扎心了
- 使用神器you-get获取萧大bilibili课程视频
- U盘安装Linux系统教程步骤
- 实例 | 能源区块链、物联网技术在智能电网中的趋势及前沿应用
- 一本通1032、2032、2048
- 斜线/、反斜线\、双斜线//、双反斜线\\——详解
- 搭建vc2017 FFmpeg环境
- [Tools: cntk] Linux下cntk-gpu安装
热门文章
- VBS脚本和HTML DOM自动操作网页
- Leetcode 169. 求众数 解题思路及C++实现
- Vue.js实现tab切换效果
- 取消Ajax请求 || Ajax重复请求问题
- web静态资源访问规则||webjars的访问配置——webjars是maven库里面对css js image打的一个jar包
- Python的可变类型和不可变类型
- 使用 MWC V2.5 中的 MPU6050中的DMP进行计算姿态(转载)
- CTFshow php特性 web133
- 遗传算法的收敛性分析
- sklearn学习(三)