贾俊平《统计学》第五版第6章_统计量和其抽样分布 - 副本.pptVIP

第6章 统计量及其抽样分布 第6章 统计量及其抽样分布 6.1 统计量 6.2 关于分布的几个概念 6.3 由正态分布导出的几个重要分布 6.4 样本均值的分布与中心极限定理 6.5 样本比例的分布 6.6 两个样本均值之差的分布 6.7 关于样本方差的分布 6. 1 统计量 统计量是样本的函数，它不依赖于任何未知参数； 根据不同的研究目的，可构造不同的统计量； 利用构造的统计量，用样本性质推断总体的性质； 统计量是统计推断的基础，在统计学中占据着非常重要的地位。 定义6.1 设X1，X2，…Xn是从总体中抽取的容量为n的一个样本，如果由此样本构造一个函数 T(X1，X2，…Xn)，不依赖于任何未知参数，则称函数 T(X1，X2，…Xn)是一个统计量。 对于T(X1，X2，…Xn), 也称样本统计量。当获得样本的一组具体观测值x1，x2，…xn时，代入T，就是一个具体的统计量值T(x1，x2，…xn) 。 6. 1 统计量 6. 1 统计量 定义6.2 设（X1，X2，…Xn）是从总体X中抽取的一个样本,X(i)称为第i个次序统计量,它是样本（X1，X2，…Xn）满足如下条件的函数： 每当样本得到一组观测值x1，x2，…,xn时，其由小到大的排序x(1)≤ x(2)≤ …≤x(i) ≤ … ≤ x(n) 中，第i个值x(i)就作为次序统计量X(i)的观测值， X(1), X(2) …X(n)称为次序统计量。其中X(1)和X(n)分别为最小和最大次序统计量 。 6.1.4 充分统计量 在统计学中，假如一个统计量能把含在样本中有关总体的信息一点都不损失地提取出来，则对以后的统计推断质量具有重要意义。 在统计量加工过程中一点信息都不损失的统计量通常称为充分统计量。 因子分解定理是判别充分统计量的方法，由奈曼和哈尔姆斯在20世纪40年代提出的。 【例6.2】某电子元件厂欲了解其产品的不合格率p，质检员抽检了100个电子元件，检查结果是，除了前3个是不合格品（记为X1=1, X2=1, X3=1）外，其他都是合格品（记为Xi=0, i=4,5,…,100）。当企业领导问及抽检结果时，质检员给出如下回答： （1）抽检的100个元件中有3个不合格； （2）抽检的100个元件中前3个不合格； 6. 2 关于分布的几个概念 6.2.1 抽样分布 当n无限增大时，统计量T(X1，X2，…Xn)的极限分布常称为统计量的渐近分布； 第4节中的中心极限定理揭示的就是样本均值的渐近分布； 不少重要的统计方法就是基于渐近分布提出的。 6.2.3 随机模拟获得的近似分布 1.背景 2.思想 设有一个统计量T(X1，X2，…Xn)，其中n为样本容量，求统计量T的分布函数F(n)(t)； 可连续作一系列类似试验，每次试验都是从总体中抽取容量为n的样本，然后计算其统计量的值； 当这种试验进行了N次时，就得到统计量T的N个观测值：T1，T2，…，TN； 根据这N个观测值可做其经验分布函数FN(n)(t)的一个很好的近似。 6.3 由正态分布得到的几个重要分布 6. 3. 1 分布 定义6. 4 设随机变量X～N(0,1), Y～ ，且X与Y独立,则 2.设X和Y是两个相互独立的总体，X～N(μ1，σ2)， Y～N(μ2，σ2)，X1，X2，…，Xn是来自X的样本，Y1，Y2， …，Ym是来自Y的样本，记 6. 3. 3 F分布 定义6.5 设随机变量Y与Z相互独立，且Y与Z分别服从自由度为m和n的 分布 样本均值的抽样分布（一个例子） 所有样本均值的均值和方差 6.4 样本均值的分布与中心极限定理 设X1，X2，…Xn为从某一总体中抽出的随机样本，若总体分布为正态分布N(μ，σ2)，那么 的抽样分布仍为正态分布， 的数学期望为μ ，方差为σ2/n，则 对于均值为μ，方差为σ2的任意总体分布，当n比较大时, 且σ2有限, 总有 中心极限定理： 设从均值为μ、方差为σ2（有限）的任意一个总体中抽取样本量为n的样本，当n充分大时，样本均值的抽样分布近似服从均值为μ、方差为σ2/n的正态分布。 最早的中心极限定理是在18世纪初由德莫佛所证明的，即二项分布以正态分布为其极限分布定理。 现在的中心极限定理是19世纪20年代林德伯格和勒维证明的在任意分布的总体中抽取样本，其样本均值极限分布为正态分布。 (2)如果厂商声称是正确的，则观察到50个电瓶的平均寿命不超过57个月的概率为: 6. 5 样本比例的抽样分布 假定总体中对具有某一特征产品的喜好比例为π,在此条件下研究当从总体中随机抽取n个个体进行调查时,喜好某一产品的人数X的概率。喜好某产品