概率和数理统计(七).docVIP

第六章 统计量及其抽样分布 （接讲义六） 4、样本矩 样本均值和样本方差更一般的推广是样本矩. 设……为样本,则统计量 = 称为样本k阶原点矩,特别的，样本的一阶原点矩就是样本均值。 = 称为样本k阶中心矩，常见的是k=2的二阶中心矩，我们记为，以区别于样本方差（注意：为偏差平方和除以n; 为偏差平方和除以n-1） 5、正态总体抽样分布 有很多统计推断都是基于正态总体的假设，以标准正态变量为基石构造的三个著名统计量：分布， t分布,F分布在实践中有着广泛的应用，被称为“三大抽样分布” （1）分布 设独立同分布于标准正态分布,则=的分布称为自由度为n的分布，记为～（n） 与正态分布不同，分布的概率密度函数图像是不对称的。 当随机变量～（n），对给定的α（0α1）,称满足P{}=α的是自由度为n的分布的α分位数，分位数可以从教材附表4中查到。 例如n=10, α=0.05,那么从表中查到=18.307. （2）F分布 设～（m）,～（n），，独立，则称统计量F=的分布称为自由度为m和n的F分布。其中称m为分子自由度,n为分母自由度。 由F分布的构造可知，若F～F（m,n）则有1/F～F(n,m), t分布 若～,～（n）, ，独立,则称统计量t=的分布为自由度为n的t分布，记t～t(n) t分布的密度函数图像与标准正态分布形态类似是钟型的，关于Y轴对称，当自由度较大时（如大于30），t分布可以用分布近似。 一些重要的结论 来自一般正态分布总体的样本值，的抽样分布是应用最广泛的抽样分布，关于，有以下重要结论： 设……为来自正态总体N()的样本，则有 与互相独立 ～ ～t(n-1) 上述定结论在面的统计推断中会用到 第七章 参数估计 所谓参数估计就是对总体的未知参数θ利用样本对其作出估计。参数估计有两种：点估计和区间估计。 点估计 点估计是用一个统计量=（）的取值作为未知参数θ的估计值，称为θ点估计,最常用的点估计有矩估计和极大似然估计两种。 矩估计：用样本矩估计总体矩。 最常见的是： 用样本均值（样本一价原点矩）估计总体均值E(X) 用样本二阶中心矩估计总体方差D(X) P146 例7-1 例7-2 例7-3 极大似然估计(略) 二、点估计的评价标准 点估计可以有不同的方法，这就必须对点估计的方法给出好坏的评价标准。评价标准这里介绍三种。 相合性 简单说，就是随着样本量n的不断增大，要求估计值不断地逼近总体的真实参数θ，这时称为θ的相合估计。 设是来自正态总体N()，则由大数定律及相合性定义可知： 样本均值是的相合估计 二阶中心矩是的相合估计 样本方差也是的相合估计 由此可见参数相合估计不止一个。 无偏性 相合性是大样本下估计的评价标准，对小样本而言，无偏性便是一个常用的标准。 设=（）是未知参数θ的估计，若有E()=θ，则称为θ无偏估计，否则称有偏估计。 任意总体样本均值是总体均值的无偏估计，样本方差是总体方差的无偏估计。 二阶样本中心矩不是样本方差的无偏估计，事实上E()=， 但当n适当大时可以近似地看成本方差的无偏估计，在小样本时要使用估计。 有效性 无偏估计可以有多种，那么如何选择？直观的想法就是希望该估计围绕参数真值波动越小越好，波动大小可以用方差衡量，因此人们常用无偏估计的方差大小作为度量无偏估计优劣的标准，这就是有效性。 如果和都是θ的无偏估计，若D()D(),则称较有效 P154 例7-15 参数的区间估计 点估计给出了一个具体数值作为θ的估计值,但其精度如何?显然点估计本身不能回答，要由其分布来反映一个估计精度最直观的方法是给出未知参数的一个区间，这便产生了区间估计的概念。 置信区间的概念 设θ为总体的未知参数，（）,（）是样本给出的的两个统计量，若对于给定的概率1-α（0α1）有 P{}=1-α 则随机区间[，]称为参数θ的置信度为1-α的置信区间。 置信区间的意义解释为：θ包含在随机区间[，]内的概率为1-α。 粗略地说，当α=0.05时，在100次抽样中，大致有95次θ包含在[，]中，而有5次可能不在该区间中。 单个正态总体的参数置信区间 正态总体N()是最常见的分布，我们讨论它的两个参数的置信区间。 σ已知时的置信区间 我们知道的点估计是样本均值， ～N(,),如果构造估计函数 u= u具有两个特点：一是u包含了未知参数；二是u的分布为N(0,1),它与未知参数无关。 因为u～N(0,1),标准正态分布具有对称性，因而有 P{|u|}=α 或者P{|u|}=1-α 将绝对值不等式|u|转化为 - u ，即- 进一步可化为： ，因此有： P{ }=1-α 当α=0.05时，1-α=0.95, =1.96, P