数理统计与随机过程3--第五、六章资料.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 样本 k 阶原点矩 样本 k 阶中心矩 k=1,2, … 提示：统计量是样本的不含任何未知参数的函数。 抽样分布(Sampling Distribution) 统计量既然依赖于样本，而后者又是随机变量，故统计量也是随机变量，有一定的分布，这个分布称为统计量的抽样分布。 当总体的分布函数已知时，抽样分布是确定的，但是要得到统计量的精确分布却是很困难的。 对于基于正态分布的一些统计量，人们常用的有： §6.4 正态总体 6.4.1 χ 2 Distribution 定义1: 设 X1, X2, …, Xn 相互独立，且均服从正态分布 N(0, 1), 则称随机变量 服从自由度为 n 的?2分布，记成 。 分布的密度函数为 分布密度函数图 由 分布的定义，不难得到其如下性质： 进一步，由中心极限定理可以推出, n 充 分大时, 近似于标准正态分布 N(0,1)。 χn2 分布上? 分位点有表可查，见附表5。 对于给定的 ??(0,1), 称满足条件 的点 χn2(?)为 χn2分布的上(右)? 分位点。 分布分位点 t 分布的概率密度为 为服从自由度 为n 的 t 分布，记为 T ～ tn。 6.4.2 t 分布 （ Student‘s t-distribution） 定义2: 设 X ～N(0, 1) , Y ～χn2 , 且 X与Y 相互独立，则称随机变量 t 分布的概率密度图 当 n趋于?时，f (x; n) 趋近于标准正态。 t 分布 的 数学期望与方差 若 T ～tn , 对给定的? ?(0,1)，称满足条件 t 分布的分位点 的点 tn(?)为 tn 分布上? 分位点。 t 分布的上? 分位点有表可查，见附表4。 tn 分布上? 分位点示意图 6.4.3 F 分布 （F Distribution) 则称 F =(X/m)/(Y/n)服从第一自由度为m，第二自由度为n 的 F 分布。 记成 F ~ Fm ,n 。 定义3： F 分布 的概率密度为 F-分布图 若 F～Fm, n，对给定的? ?(0,1), 称满足条件 F 分布的分位点 的点 Fm,n(?)为F分布的上? 分位点。. F 分布上? 分位点有表可查，见附表6。 F 分布上? 分位点示意图 F分布分位点的一个重要性质： 证明：若 X ~ Fm,n，则 Y = X -1 ~ Fn,m。 根据 Y (~ Fn,m ) 的上? 分位点定义，有 在通常 F 分布表中，只对? 比较小的值，如? = 0.01, 0.05, 0.025及0.1等列出了分位点。 当我们需要查? 比较大的分位点时，需要利用分位点的关系式(1)把它们计算出来。 例如：对m=12, n=9, α=0.95, 我们在 F 分布表中查不到 F12,9(0.95)，但由(1)式，知 可从F 分布 表中查到 定理 6.6： 6.4.4 正态总体样本均值与样本方差的分布 Distribution of Sample Mean and Variance 这个定理非常重要！以后将多次用到。 例：在设计导弹发射装置时，重要内容之一是研究弹着点偏离目标中心的距离的方差。 对于某类导弹发射装置，弹着点偏离目标中心的距离服从 N(?,?2)，这里已知? 2 = 100米2。 现在进行了25次发射试验，用 S2 记这25次试验中弹着点偏离目标中心的距离的样本方差。 求: S 2 超过50米2的概率。 解: 根据基本定理，知 查附表5,得到: 所以， * * 在用来估计样本均值的分布时， 使用前提有何不同？ * * * * * 契比雪夫不等式 大数定律 中心极限定理 * Chebyshevs Inequality * 大数定律（Law of Large Numbers） 贝努里大数定理建立了在大量重复独立试验中事件出现频率的稳定性，正因为这种稳定性，概率的概念才有客观意义！ 贝努里大数定理还提供了通过试验来确定事件概率的方法，既然频率nA/n与概率p有较大偏差的可能性很小，我们便可以通过做试验确定某事件发生的频率并把它作为相应的概率估计。 这种方法即是将要介绍的参数估计法，参数估计的重要理论基础之一就是大数定理。 * 此条件也可写为： 利用依概率收敛的定义可知： 贝努里大数定理意味着： 也可知：对于相互独立的随机变量Xk (k=