概率论与数理统计第5章 统计量及其分布1.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 当随机变量F ? F(m,n) 时，对给定 ? (0???1) ，称满足 P(F ? F1??(m,n)) =1?? 的F1??(m,n) 是自由度为m 与 n 的F 分布的1?? 分位数。 由 F 分布性质： F?(n,m) = 1/F1??(m,n)。 * 5.4.3 t 分布 定义 5.4.3 设随机变量X1 与X2 独立， 且X1 ? N(0,1), X2 ? ?2(n), 则称 t=X1/? X2/n 的分布为自由度为n 的t 分布，记为t ?t(n) 。 英国医生戈赛特（笔名：学生）1980年导出了t统计量的精确分布，开创了小样本的先河 t 分布的密度函数的图象是一个关于纵轴对称的分布，与标准正态分布的密度函数形状类似，只是峰比标准正态分布低一些尾部的概率比标准正态分布的大一些。 n?1时, t 分布的数学期望存在且为0； n?2时，t 分布的方差存在，且为n/(n?2)； 当自由度较大 (如n?30) 时， t 分布可以用 正态分布 N(0,1)近似。 自由度为1的 t 分布就是标准柯西分布， 它的均值不存在； 当随机变量t ?t(n) 时，称满足 P(t ? t1??(n)) =1?? 的 t1??(n) 是自由度为 n 的 t 分布的1??分位数. 分位数 t1??(n) 可以从附表4中查到。 譬如 n=10,?=0.05，那么从附表4上查得 t1?0.05(10) = t0.95(10)=1.812 . 由于 t 分布的密度函数关于0 对称, 故其分位数间有如下关系 t?(n?1)= ?t1??(n?1) 推论5.4.2 设 x1, x2,…, xn 是来自N(?, ?2) 的样本， x 和s2 分别是样本均值和样本方差， 则有 推论5.4.3 在推论5.4.1的记号下，设 ?12 =?22 = ?2 ， 并记 则 §5.5 充分统计量 5.5.1 充分性的概念 例5.5.1 为研究某个运动员的打靶命中率，我们 对该运动员进行测试，观测其10次，发现除第 三、六次未命中外，其余8次都命中。这样的 观测结果包含了两种信息： (1) 打靶10次命中8次； (2) 2次不命中分别出现在第3次和第6次 打靶上。 第二种信息对了解该运动员的命中率是没有什么帮助的。一般地，设我们对该运动员进行n 次观测，得到 x1, x2,…, xn，每个xj 取值非0即1，命中为1，不命中为0。令 T = x1+…+xn ，T为观测到的命中次数。在这种场合仅仅记录使用T 不会丢失任何与命中率 ? 有关的信息，统计上将这种“样本加工不损失信息”称为“充分性”。 样本 x=(x1,x2,…,xn) 有一个样本分布F? (x)， 这个分布包含了样本中一切有关?的信息。 统计量T =T (x1,x2,…,xn) 也有一个抽样分布F?T(t) ，当我们期望用统计量T 代替原始样本并且不损失任何有关 ? 的信息时，也就是期望抽样分布 F?T(t) 像 F?(x) 一样概括了有关 ? 的一切信息，这即是说在统计量 T 的取值为 t 的情况下样本 x 的条件分布 F?(x|T=t) 已不含 ? 的信息，这正是统计量具有充分性的含义。 定义5.5.1 设 x1, x2, …, xn 是来自某个总体 的样本，总体分布函数为F ( x ;? )，统计 量 T = T(x1, x2, …, xn) 称为 ? 的充分统计 量，如果在给定T 的取值后，x1, x2,…, xn 的条件分布与? 无关. 5.5.2 因子分解定理 充分性原则： 在统计学中有一个 基本原则-- 在充分统计量存在的场合，任何统计推断都 可以基于充分统计量进行，这可以简化统计 推断的程序。 定理5.5.1 设总体概率函数为 p(x ;? )， X1, …, Xn 为样本，则 T=T(X1,… Xn) 为充分统计量的充分 必要条件是：存在两个函数g(t; ?)和h(x1, …, xn)， 使得对任意的? 和任一组观测值 x1, x2,…, xn，有 p(x1, x2,…, xn; ? ) =g(T(x1,x2,…,xn);? )h(x1,x2,…,xn) (5.5.1) 例5.5