《数学数理统计》PPT课件.ppt

第 五 讲 几个重要的抽样分布定理 定理3(与样本均值和样本方差有关的一个分布) 则称 为简单随机样本. 若总体 X 的样本 满足: (1) 与X 有相同的分布 (2) 相互独立 简单随机样本 它可以用与总体独立同分布的n个相互独立的随机 变量X1,X2,…,Xn表示。 若总体的分布函数为F(x)，则其简单随机样本的联合分布函数为 F(x1) F(x2) … F(xn) 设 是取自总体X 的一个样本,　　　　　　为一实值连续函数, 且不含有未知参数, 则称随机变量 为统计量. 若 是一个样本值, 称 的一个样本值 为统计量 定义　　 统计量 例 是未知参数, 若 ? ,? 已知,则为统计量 是一样本, 是统计量, 其中 则 但 不是统计量. 常用的统计量 为样本均值 为修正样本方差 为修正样本标准差 设 是来自总体 X 的容量 为 n 的样本,称统计量 为样本的k 阶原点矩　 为样本的k 阶中心矩　 例如 注 样本方差 与样本二阶中心矩 的不同　 关系式 1） 常见统计量的性质： 2） 顺序统计量与极差 设 为样本, 为样本值,且 当 取值为 时, 定义 r.v. 则称统计量 为顺序统计量. 其中, 称 为极差　　 1）样本的经验分布函数　 样本值　 样本值小于x的个数，作 －－－样本的经验分布函数 非降，左连续； 若子样为n维r.v，那么对于每一样本值　 就可作一个经验分布函数，故 是随机变量 ---n次独立重复试验中，事件 发生的频率。 由大数定律， 这就是我们可以由样本推断总体的基本理论依据. 格列汶科进一步证明了：当n→∞时，Fn(x)以概率1关于x一致收敛于F(x)，即 这就是著名的格列汶科定理. 定理告诉我们，当样本容量ｎ足够大时，对所有的x, Fn(x)与F(x)之差的绝对值都很小，这件事发生的概率为1. 直方图　　 离散型　 表示　　　　在n次试验中出现的次数，　 设 为n次独立重复样本　 则 定义函数：当　 称　　　为在区间［a,b)的图形为［a,b)的 频率直方图．　 ２.３　抽样分布　 定理： 则　 为两随机向量，且　 特别：若　 相互独立且服从　 那么　　　　　　也是正态随机变量．　 若　　　　　为正交矩阵，那么：随机变量 也是相互独立且均值为０的正态随机变量　 一、大数定理 二、随机变量的收敛性 三、中心极限定理 一 大数定律 要解决的问题 为何能以某事件发生的频率 作为该事件的 概率的估计？ 为何能以样本均值作为总体 期望的估计？ 为何正态分布在概率论中占 有极其重要的地位？ 大样本统计推断的理论基础 是什么？ 答复 大数 定律 中心极 限定理 设 为一随机变量, 其数学期望 和方差 都存在，则对于任意 有 1) 切比雪夫不等式 2) A.L.Cauchy－Schwarz不等式. 准备工作 设事件 在每次试验中出现的概率为 p, 在n次重复独立试验中出现的频率为 且 贝努里（Bernoulli） 大数定律 证 引入 r.v. 序列{Xk} 设 则 记 由 Chebyshev 不等式 相互独立， 故 在概率的统计定义中, 事件 A 发生的频率 “ 稳定于”事件 A 在一次试验中发生 的概率是指： 频率 与 p 有较大偏差 是 小概率事件, 因而在 n 足够大时, 可以用频 率近似代替 p . 这种稳定称为依概率稳定. 贝努里(Bernoulli)大数定律的意义 大数定律 设 r.v. 序列 或 则 有 是常数序列， 则称　　服从大数定律．　　　 Chebyshev 大数定律 则 有 或 两两不相关的随机变量,又设　 两两不相关,且方差有界，则可得到　　 辛钦大数定律 为一列相互独立同分布的 随机变量，且具有相同的数学期望 设 在定理一中,去掉方差存在的条件而加上相同 分布的条件，则有： 注 相互独立的条件可以 去掉，代之以 （Markov） 大数定律 如果对于任意的 有， 二　随机变量的收敛性　　 定义1 存在常数 使得对于任意的 有 设 为一列随机变量，如果 记为 则称 依概率收敛于 定义2 设 为一列随机变量,X是随机变量　 记为 则称 依概率收敛于 定义３:设 　是一列分布函数,如果 对F(x)每个连续点x，都有　 则称分布函数列　　　　弱收敛于分布函数F(x) ，