概率和数理统计样本和抽样分布
概率论与数理统计 第六章 样本及抽样分布
x0 o.w.
n 1
n5
n 15
15
（2）t-分布（学生分布）
设 X ~ N ( 0 ,1), Y ~ 2 ( n ) 且X、Y为独立随 机变量，则称随机变量
t
X Y /n
X
1 n 2 ( X 12 ...... X n )
为自由度为n的t-分布。记为： t ~ t ( n ) 。
3
§1 随机样本
总体: 研究对象在某项数量指标的全体. 记为X。通常称总体X。 个体: 总体X中的每一个元素（实数）xi。 根据总体所含的个体数分为： 有限总体和无限总体。
4
总体与取样
X1
X
X2 X3 Xn
取样模型
X
X2 X1
X3
X4
X5
河流污染取样
5
总体、样本、统计量
总体 样本 统计量
X1 X2
2 ( n ) 分布:
具有可加性
2 X X 12 ...... X n , X i ~ N (0,1)
3. 4.
t ( n ) 分布:
X ~ N (0,1), Y ~ 2 ( n )
t(n) X Y /n
F ( n1 , n 2 ) 分布: U ~ 2 ( n1 ), V ~ 2 ( n 2 )
F (n1 , n2 )
19
分位点及性质:
定义: Pr[ X z ]
z
(1)标准正态分布分位点
(x)
( x)dx 1 ( x)dx
z
z1
( x)
Pr[ X z ]
概率论与数理统计各章重点知识点汇总--最新版
第一章 概率论的基本概念一.基本概念随机试验E:(1)可以在相同的条件下重复地进行;(2)每次试验的可能结果不止一个,并且能事先明确试验的所有可能结果;(3)进行一次试验之前不能确定哪一个结果会出现. 样本空间S: E 的所有可能结果组成的集合. 样本点(基本事件):E 的每个结果. 随机事件(事件):样本空间S 的子集.必然事件(S):每次试验中一定发生的事件. 不可能事件(Φ):每次试验中一定不会发生的事件. 二. 事件间的关系和运算1.A ⊂B(事件B 包含事件A )事件A 发生必然导致事件B 发生.2.A ∪B(和事件)事件A 与B 至少有一个发生.3. A ∩B=AB(积事件)事件A 与B 同时发生.4. A -B(差事件)事件A 发生而B 不发生.5. AB=Φ (A 与B 互不相容或互斥)事件A 与B 不能同时发生.6. AB=Φ且A ∪B=S (A 与B 互为逆事件或对立事件)表示一次试验中A 与B 必有一个且仅有一个发生. B=A, A=B .运算规则 交换律 结合律 分配律 德•摩根律 B A B A = B A B A = 三. 概率的定义与性质1.定义 对于E 的每一事件A 赋予一个实数,记为P(A),称为事件A 的概率. (1)非负性 P(A)≥0 ; (2)归一性或规范性 P(S)=1 ;(3)可列可加性 对于两两互不相容的事件A 1,A 2,…(A i A j =φ, i ≠j, i,j=1,2,…),P(A 1∪A 2∪…)=P( A 1)+P(A 2)+… 2.性质(1) P(Φ) = 0 , 注意: A 为不可能事件 P(A)=0 .(2)有限可加性 对于n 个两两互不相容的事件A 1,A 2,…,A n ,P(A 1∪A 2∪…∪A n )=P(A 1)+P(A 2)+…+P(A n ) (有限可加性与可列可加性合称加法定理) (3)若A ⊂B, 则P(A)≤P(B), P(B -A)=P(B)-P(A) . (4)对于任一事件A, P(A)≤1, P(A)=1-P(A) .(5)广义加法定理 对于任意二事件A,B ,P(A ∪B)=P(A)+P(B)-P(AB) . 对于任意n 个事件A 1,A 2,…,A n()()()()+∑+∑-∑=≤<<≤≤<≤=nk j i k j i nj i j i ni i n A A A P A A P A P A A A P 11121…+(-1)n-1P(A 1A 2…A n )四.等可能(古典)概型1.定义 如果试验E 满足:(1)样本空间的元素只有有限个,即S={e 1,e 2,…,e n };(2)每一个基本事件的概率相等,即P(e 1)=P(e 2)=…= P(e n ).则称试验E 所对应的概率模型为等可能(古典)概型.2.计算公式 P(A)=k / n 其中k 是A 中包含的基本事件数, n 是S 中包含的基本事件总数. 五.条件概率1.定义 事件A 发生的条件下事件B 发生的条件概率P(B|A)=P(AB) / P(A) ( P(A)>0).2.乘法定理 P(AB)=P(A) P (B|A) (P(A)>0); P(AB)=P(B) P (A|B) (P(B)>0).P(A 1A 2…A n )=P(A 1)P(A 2|A 1)P(A 3|A 1A 2)…P(A n |A 1A 2…A n-1) (n ≥2, P(A 1A 2…A n-1) > 0) 3. B 1,B 2,…,B n 是样本空间S 的一个划分(B i B j =φ,i ≠j,i,j=1,2,…,n, B 1∪B 2∪…∪B n =S) ,则 当P(B i )>0时,当P(A)>0, P(B i )>0时,. 六.事件的独立性1.两个事件A,B,满足P(AB) = P(A) P(B)时,称A,B 为相互独立的事件. (1)两个事件A,B 相互独立⇔ P(B)= P (B|A) .2.三个事件A,B,C 满足P(AB) =P(A) P(B), P(AC)= P(A) P(C), P(BC)= P(B) P(C),称A,B,C 三事件两两相互独立. 若再满足P(ABC) =P(A) P(B) P(C),则称A,B,C 三事件相互独立.3.n 个事件A 1,A 2,…,A n ,如果对任意k (1<k ≤n),任意1≤i 1<i 2<…<i k ≤n.有()()()()kki i i i i i A P A P A P A A A P 2121=,则称这n 个事件A 1,A 2,…,A n 相互独立.第二章 随机变量及其概率分布一.随机变量及其分布函数1.在随机试验E 的样本空间S={e}上定义的单值实值函数X=X (e)称为随机变量.2.随机变量X 的分布函数F(x)=P{X ≤x} , x 是任意实数. 其性质为:(1)0≤F(x)≤1 ,F(-∞)=0,F(∞)=1. (2)F(x)单调不减,即若x 1<x 2 ,则 F(x 1)≤F(x 2). (3)F(x)右连续,即F(x+0)=F(x). (4)P{x 1<X≤x 2}=F(x 2)-F(x 1). 二.离散型随机变量 (只能取有限个或可列无限多个值的随机变量)1.离散型随机变量的分布律 P{X= x k }= p k (k=1,2,…) 也可以列表表示. 其性质为: (1)非负性 0≤P k ≤1 ; (2)归一性 11=∑∞=k k p .2.离散型随机变量的分布函数 F(x)=∑≤xX k k P 为阶梯函数,它在x=x k (k=1,2,…)处具有跳跃点,其跳跃值为p k =P{X=x k } .3.三种重要的离散型随机变量的分布(1)X~(0-1)分布 P{X=1}= p ,P{X=0}=1–p (0<p<1) .(2)X~b(n,p)参数为n,p 的二项分布P{X=k}=()kn k p p k n --⎪⎪⎭⎫ ⎝⎛1(k=0,1,2,…,n) (0<p<1) (3))X~π(λ)参数为λ的泊松分布 P{X=k}=λλ-e k k !(k=0,1,2,…) (λ>0)三.连续型随机变量1.定义 如果随机变量X 的分布函数F(x)可以表示成某一非负函数f(x)的积分F(x)=()dt t f x⎰∞-,-∞< x <∞,则称X 为连续型随机变量,其中f (x)称为X 的概率密度(函数).2.概率密度的性质(1)非负性 f(x)≥0 ; (2)归一性 ⎰∞∞-dx x f )(=1 ;(3) P{x 1<X ≤x 2}=⎰21)(x x dx x f ; (4)若f (x)在点x 处连续,则f (x)=F / (x) .注意：连续型随机变量X 取任一指定实数值a 的概率为零,即P{X= a}=0 . 3.三种重要的连续型随机变量的分布(1)X ～U (a,b) 区间(a,b)上的均匀分布 ⎩⎨⎧=-0)(1a b x f 其它b x a << .(2)X 服从参数为θ的指数分布.()⎩⎨⎧=-0/1θθx ex f 00≤>x x 若若 (θ>0).(3)X~N (μ,σ2)参数为μ,σ的正态分布 222)(21)(σμσπ--=x e x f -∞<x<∞, σ>0.特别, μ=0, σ2 =1时,称X 服从标准正态分布,记为X~N (0,1),其概率密度2221)(x e x -=πϕ , 标准正态分布函数 ⎰=Φ∞--xt dt e x 2221)(π, Φ(-x)=1-Φ(x) .若X ～N ((μ,σ2), 则Z=σμ-X ~N (0,1), P{x 1<X ≤x 2}=Φ(σμ-2x )-Φ(σμ-1x ).若P{Z>z α}= P{Z<-z α}= P{|Z|>z α/2}= α,则点z α,-z α, ±z α/ 2分别称为标准正态分布的上,下,双侧α分位点. 注意：Φ(z α)=1-α , z 1- α= -z α. 四.随机变量X 的函数Y= g (X)的分布 1.离散型随机变量的函数若g(x k ) (k=1,2,…)的值全不相等,则由上表立得Y=g(X)的分布律.若g(x k ) (k=1,2,…)的值有相等的,则应将相等的值的概率相加,才能得到Y=g(X)的分布律. 2.连续型随机变量的函数若X 的概率密度为f X (x),则求其函数Y=g(X)的概率密度f Y (y)常用两种方法： (1)分布函数法 先求Y 的分布函数F Y (y)=P{Y ≤y}=P{g(X)≤y}=()()dx x f ky X k∑⎰∆其中Δk (y)是与g(X)≤y 对应的X 的可能值x 所在的区间(可能不只一个),然后对y 求导即得f Y (y)=F Y /(y) .(2)公式法 若g(x)处处可导,且恒有g /(x)>0 (或g / (x)<0 ),则Y=g (X)是连续型随机变量,其概率密度为 ()()()()⎩⎨⎧'=0y h y h f y f X Y 其它βα<<y其中h(y)是g(x)的反函数 , α= min (g (-∞),g (∞)) β= max (g (-∞),g (∞)) .如果f (x)在有限区间[a,b]以外等于零,则 α= min (g (a),g (b)) β= max (g (a),g (b)) .第三章 二维随机变量及其概率分布一.二维随机变量与联合分布函数1.定义 若X 和Y 是定义在样本空间S 上的两个随机变量,则由它们所组成的向量(X,Y)称为二维随机向量或二维随机变量.对任意实数x,y,二元函数F(x,y)=P{X ≤x,Y ≤y}称为(X,Y)的(X 和Y 的联合)分布函数. 2.分布函数的性质(1)F(x,y)分别关于x 和y 单调不减.(2)0≤F(x,y)≤1 , F(x,- ∞)=0, F(-∞,y)=0, F(-∞,-∞)=0, F(∞,∞)=1 . (3) F(x,y)关于每个变量都是右连续的,即 F(x+0,y)= F(x,y), F(x,y+0)= F(x,y) . (4)对于任意实数x 1<x 2 , y 1<y 2P{x 1<X ≤x 2 , y 1<Y ≤y 2}= F(x 2,y 2)- F(x 2,y 1)- F(x 1,y 2)+ F(x 1,y 1)二.二维离散型随机变量及其联合分布律1.定义 若随机变量(X,Y)只能取有限对或可列无限多对值(x i ,y j ) (i ,j =1,2,… )称(X,Y)为二维离散型随机变量.并称P{X= x i ,Y= y j }= p i j 为(X,Y)的联合分布律.也可列表表示.2.性质 (1)非负性 0≤p i j ≤1 .(2)归一性 ∑∑=i jij p 1 .3. (X,Y)的(X 和Y 的联合)分布函数F(x,y)=∑∑≤≤x x yy ij i j p三.二维连续型随机变量及其联合概率密度1.定义 如果存在非负的函数f (x,y),使对任意的x 和y,有F(x,y)=⎰⎰∞-∞-y xdudv v u f ),( 则称(X,Y)为二维连续型随机变量,称f(x,y)为(X,Y)的(X 和Y 的联合)概率密度. 2.性质 (1)非负性 f (x,y)≥0 . (2)归一性 1),(=⎰⎰∞∞-∞∞-dxdy y x f .(3)若f (x,y)在点(x,y)连续,则yx y x F y x f ∂∂∂=),(),(2(4)若G 为xoy 平面上一个区域,则⎰⎰=∈Gdxdy y x f G y x P ),(}),{(.四.边缘分布1. (X,Y)关于X 的边缘分布函数 F X (x) = P{X ≤x , Y<∞}= F (x , ∞) . (X,Y)关于Y 的边缘分布函数 F Y (y) = P{X<∞, Y ≤y}= F (∞,y)2.二维离散型随机变量(X,Y)关于X 的边缘分布律 P{X= x i }= ∑∞=1j ij p = p i · ( i =1,2,…) 归一性 11=∑∞=•i i p .关于Y 的边缘分布律 P{Y= y j }= ∑∞=1i ij p = p ·j ( j =1,2,…) 归一性 11=∑∞=•j j p .3.二维连续型随机变量(X,Y)关于X 的边缘概率密度f X (x)=⎰∞∞-dy y x f ),( 归一性1)(=⎰∞∞-dx x f X 关于Y 的边缘概率密度f Y (y)=x d y x f ⎰∞∞-),( 归一性1)(=⎰∞∞-dy y f Y五.相互独立的随机变量1.定义 若对一切实数x,y,均有F(x,y)= F X (x) F Y (y) ,则称X 和Y 相互独立.2.离散型随机变量X 和Y 相互独立⇔p i j = p i ··p ·j ( i ,j =1,2,…)对一切x i ,y j 成立.3.连续型随机变量X 和Y 相互独立⇔f (x,y)=f X (x)f Y (y)对(X,Y)所有可能取值(x,y)都成立. 六．条件分布1．二维离散型随机变量的条件分布定义 设(X,Y)是二维离散型随机变量,对于固定的j,若P{Y=y j }>0,则称P{X=x i |Y=y j } 为在Y= y j 条件下随机变量X 的条件分布律. 同样,对于固定的i,若P{X=x i }>0,则称 P{Y=y j |X=x i }为在X=x i 条件下随机变量Y 的条件分布律.第四章 随机变量的数字特征一.数学期望和方差的定义随机变量X 离散型随机变量连续型随机变量分布律P{X=x i }= p i ( i =1,2,…) 概率密度f (x)数学期望(均值)E(X) ∑∞=1i i i p x (级数绝对收敛)⎰∞∞-dx x xf )((积分绝对收敛)方差D(X)=E{[X-E(X)]2} []∑-∞=12)(i i i p X E x ⎰-∞∞-dx x f X E x )()]([2=E(X 2)-[E(X)]2 (级数绝对收敛) (积分绝对收敛) 函数数学期望E(Y)=E[g(X)] i i i p x g ∑∞=1)((级数绝对收敛) ⎰∞∞-dx x f x g )()((积分绝对收敛)标准差σ(X)=√D(X) .,}{},{jji j j i p p y Y P y Y x X P •=====,}{},{•=====i j i i j i p p x X P y Y x X P二.数学期望与方差的性质1. c 为为任意常数时, E(c) = c , E(cX) = cE(X) , D(c) = 0 , D (cX) = c 2 D(X) .2.X,Y 为任意随机变量时, E (X ±Y)=E(X)±E(Y) .3. X 与Y 相互独立时, E(XY)=E(X)E(Y) , D(X ±Y)=D(X)+D(Y) .4. D(X) = 0⇔ P{X = C}=1 ,C 为常数.三.六种重要分布的数学期望和方差 E(X) D(X) 1.X~ (0-1)分布P{X=1}= p (0<p<1) p p (1- p) 2.X~ b (n,p) (0<p<1) n pn p (1- p)3.X~ π(λ) λ λ4.X~ U(a,b) (a+b)/2 (b-a) 2/125.X 服从参数为θ的指数分布 θ θ26.X~ N (μ,σ2) μ σ2 四.矩的概念随机变量X 的k 阶(原点)矩E(X k ) k=1,2,… 随机变量X 的k 阶中心矩E{[X-E(X)] k }随机变量X 和Y 的k+l 阶混合矩E(X k Y l ) l=1,2,…随机变量X 和Y 的k+l 阶混合中心矩E{[X-E(X)] k [Y-E(Y)] l }第六章 样本和抽样分布一.基本概念总体X 即随机变量X ; 样本X 1 ,X 2 ,…,X n 是与总体同分布且相互独立的随机变量;样本值x 1 ,x 2 ,…,x n 为实数;n 是样本容量.统计量是指样本的不含任何未知参数的连续函数.如：样本均值∑==n i i X n X 11 样本方差()∑--==n i i X X n S 12211 样本标准差S样本k 阶矩∑==n i k i k X n A 11( k=1,2,…) 样本k 阶中心矩∑-==ni k i k X X n B 1)(1( k=1,2,…)二.抽样分布 即统计量的分布1.X 的分布 不论总体X 服从什么分布, E (X ) = E(X) , D (X ) = D(X) / n . 特别,若X~ N (μ,σ2 ) ,则X ~ N (μ, σ2 /n) .2.χ2分布 (1)定义 若X ～N (0,1) ,则Y =∑=ni i X 12~ χ2(n)自由度为n 的χ2分布.(2)性质 ①若Y~ χ2(n),则E(Y) = n , D(Y) = 2n .②若Y 1~ χ2(n 1) Y 2~ χ2(n 2) ,则Y 1+Y 2~ χ2(n 1 + n 2). ③若X~ N (μ,σ2 ), 则22)1(σS n -~ χ2(n-1),且X 与S 2相互独立.(3)分位点 若Y~ χ2(n),0< α <1 ,则满足αχχχχαααα=<>=<=>--))}(())({()}({)}({22/122/212n Y n Y P n Y P n Y P 的点)()(),(),(22/122/212n n n n ααααχχχχ--和分别称为χ2分布的上、下、双侧α分位点.3. t 分布(1)定义 若X~N (0,1 ),Y~ χ2 (n),且X,Y 相互独立,则t=nY X~t(n)自由度为n 的t 分布. (2)性质①n →∞时,t 分布的极限为标准正态分布.②X ～N (μ,σ2 )时, nS X μ-~ t (n-1) . ③两个正态总体相互独立的样本 样本均值 样本方差X~ N (μ1,σ12 ) 且σ12=σ22=σ2 X 1 ,X 2 ,…,X n1X S 12Y~ N (μ2,σ22 ) Y 1 ,Y 2 ,…,Y n2 Y S 22则 212111)()(n n S Y X w +---μμ~ t (n 1+n 2-2) , 其中 2)1()1(212222112-+-+-=n n S n S n S w(3)分位点 若t ~ t (n) ,0 < α<1 , 则满足αααα=>=-<=>)}({)}({)}({2/n t t P n t t P n t t P的点)(),(),(2/n t n t n t ααα±-分别称t 分布的上、下、双侧α分位点. 注意: t 1- α (n) = - t α (n).4.F 分布 (1)定义 若U~χ2(n 1), V~ χ2(n 2), 且U,V 相互独立,则F =21n V n U ~F(n 1,n 2)自由度为(n 1,n 2)的F 分布.(2)性质(条件同3.(2)③)22212221σσS S ~F(n 1-1,n 2-1)(3)分位点 若F~ F(n 1,n 2) ,0< α <1,则满足)},({)},({21121n n F F P n n F F P αα-<=>ααα=<>=-))},(()),({(212/1212/n n F F n n F F P的点),(),(),,(),,(212/1212/21121n n F n n F n n F n n F αααα--和分别称为F 分布的上、下、双侧α分位点. 注意: .).(1),(12211n n F n n F αα=-第七章 参数估计一.点估计 总体X 的分布中有k 个待估参数θ1, θ2,…, θk .X 1 ,X 2 ,…,X n 是X 的一个样本, x 1 ,x 2 ,…,x n 是样本值.1.矩估计法先求总体矩⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111k k k k k θθθμμθθθμμθθθμμ 解此方程组,得到⎪⎩⎪⎨⎧===),,,(),,,(),,,(2121222111kk k k k μμμθθμμμθθμμμθθ ,以样本矩A l 取代总体矩μ l ( l=1,2,…,k)得到矩估计量⎪⎪⎩⎪⎪⎨⎧===∧∧∧),,,(),,,(),,,(2121222111k k k k k A A A A A A A A A θθθθθθ,若代入样本值则得到矩估计值. 2.最大似然估计法若总体分布形式(可以是分布律或概率密度)为p(x, θ1, θ2,…, θk ),称样本X 1 ,X 2 ,…,X n 的联合分布∏==ni k i k x p L 12121),,,,(),,,(θθθθθθ 为似然函数.取使似然函数达到最大值的∧∧∧k θθθ,,,21 ,称为参数θ1, θ2,…,θk 的最大似然估计值,代入样本得到最大似然估计量.若L(θ1, θ2,…, θk )关于θ1, θ2,…, θk 可微,则一般可由似然方程组 0=∂∂i L θ 或 对数似然方程组 0ln =∂∂iLθ (i =1,2,…,k) 求出最大似然估计. 3.估计量的标准(1) 无偏性 若E(∧θ)=θ,则估计量∧θ称为参数θ的无偏估计量.不论总体X 服从什么分布, E (X )= E(X) , E(S 2)=D(X), E(A k )=μk =E(X k ),即样本均值X , 样本方差S 2,样本k 阶矩A k 分别是总体均值E(X),方差D(X),总体k 阶矩μk 的无偏估计,(2)有效性 若E(∧θ1 )=E(∧θ2)= θ, 而D(∧θ1)< D(∧θ2), 则称估计量∧θ1比∧θ2有效. (3)一致性(相合性) 若n →∞时,θθP →∧,则称估计量∧θ是参数θ的相合估计量. 二.区间估计1.求参数θ的置信水平为1-α的双侧置信区间的步骤(1)寻找样本函数W=W(X 1 ,X 2 ,…,X n ,θ),其中只有一个待估参数θ未知,且其分布完全确定. (2)利用双侧α分位点找出W 的区间(a,b),使P{a<W <b}=1-α. (3)由不等式a<W<b 解出θθθ<<则区间(θθ,)为所求. 2.单个正态总体待估参数 其它参数 W 及其分布 置信区间μ σ2已知 nX σμ-~N (0,1) (2/ασz n X ±) μ σ2未知 nS X μ-~ t (n-1) )1((2/-±n t n S X α σ2 μ未知 22)1(σS n -~ χ2(n-1) ))1()1(,)1()1((22/1222/2-----n Sn n S n ααχχ 3.两个正态总体 (1)均值差μ 1-μ 2其它参数 W 及其分布 置信区间已知2221,σσ22212121)(n n Y X σσμμ+--- ~ N(0,1) )(2221212n n z Y X σσα+±-未知22221σσσ== 212111)(n n S Y X w +---μμ～t(n 1+n 2-2) )11)2((21212n n S n n t Y X w+-+±-α 其中S w 等符号的意义见第六章二. 3 (2)③.(2) μ 1,μ 2未知, W=22212221σσS S ~ F(n 1-1,n 2-1),方差比σ12/σ22的置信区间为))1,1(1,)1,1(1(212/12221212/2221----⋅-n n F S S n n F S S αα注意:对于单侧置信区间,只需将以上所列的双侧置信区间中的上(下)限中的下标α/2改为α,另外的下(上)限取为-∞ (∞)即可.。
概率论与数理统计(06)第6章 统计量及其抽样分布
σx =
σ
n
当样本容量足够 大时( 大时(n ≥ 30) ， 样本均值的抽样 分布逐渐趋于正 态分布
6 - 11
µx = µ
xቤተ መጻሕፍቲ ባይዱ
x 的分布趋 于正态分布 的过程
6 - 12
6.4 正态总体 6.3.1 χ2分布 6.3.2 t 分布 6.3.3 F 分布
6 - 13
χ2 分布
第六章 样本与统计量
6.1引言 6.1引言
数理统计学： 运用概率论的基础知识，对要研究的随机现象进行 多次观察或试验，研究如何合理地获得数据资料， 建立有效的数学方法，根据所获得的数据资料，对 所关心的问题作出估计与检验。
6-1
§6.2总体与样本 6.2总体与样本
对某一问题的研究对象全体称为总体。 组成总体的某个基本单元，称为个体。 总体可以是具体事物的集合，如一批产品。 也可以是关于事物的度量数据集合，如长度测量。 总体可以包含有限个个体，也可以包含无限个个体。 有限总体在个体相当多的情况下，可以作为无限 总体进行研究。 总体中的个体，应当有共同的可观察的特征。该 特征与研究目的有关。
6 - 16
χ2分布
(图示) 图示)
n=1 n=4 n=10
n=20
6 - 17 不同容量样本的抽样分布
χ2
t 分布
6 - 18
t 分布
1. 高 塞 特 (W.S.Gosset) 于 1908 年 在 一 篇 以 (W. “Student”(学生)为笔名的论文中首次提出 Student”(学生)
X ~ N(µ,σ ) ，则
2
χ2分布
2. 3.
z=
X −µ
Y=z
概率论与数理统计-ch6-样本与抽样分布
概率论与数理统计-ch6-样本与抽样分布概率论中，所研究的随机变量是假定其分布是已知的，在此前提下研究它的性质、数字特征等。
在数理统计中，所研究的随机变量的分布是未知或不完全知道的，通过重复独⽴的试验得到许多观察值去推断随机变量的种种可能分布。
1、随机样本总体：试验的全部可能的观察值。
=样本空间个体：每⼀个可能观察值。
=样本点容量：总体中所包含的个体的个数。
有限总体⽆限总体⼀个总体对应⼀个随机变量X，对总体的研究就是对随机变量X的研究。
所以将不区分总体与相应的随机变量，统称为总体X。
样本：在数理统计中，⼈们都是通过从总体中抽取⼀部分个体，根据获得的数据来对总体分布得出推断的，被抽出的部分个体叫做总体的⼀个样本。
对总体进⾏⼀次观察，就会得到⼀个随机变量X1，对总体进⾏n次重复的、独⽴的观察，就会得到n个随机变量X1，X2，...,Xn，这n个随机变量X1，X2，...,Xn是对总体随机变量X观察的结果。
则X1，X2，...,Xn是相关独⽴且与X具有相同分布，称为来⾃总体X的⼀个简单随机样本。
n称为样本的容量。
进⾏n次观察得到的⼀组实数x1,x2,...,xn是随机变量X1，X2，...,Xn的观察值，称为样本值，也称为X的n个独⽴的观测值。
2、抽样分布样本是统计推断的依据，但往往不直接使⽤样本本⾝，⽽是由样本构造的函数。
统计量：设X1，X2，...,Xn是来⾃总体X的⼀个样本，g(X1，X2，...,Xn)是其函数，且g中不含任何未知参数，则称g(X1，X2，...,Xn)是⼀统计量。
统计量也是⼀个随机变量。
g(x1,x2,...,xn)是统计量的观测值。
常⽤的统计量：经验分布函数：经验分布函数(empirical distribution function)是根据样本得到的分布函数.如设，是总体的样本值，将它们按⼤⼩顺序排列为，则称分布函数为经验分布函数是与总体分布函数相对应的统计量。
总体的分布函数是F(x)，统计量的经验分布函数是F n（x)，⽤F n（x)去推断F(x)，当n⾜够⼤时，F n（x)以概率1收敛于F(x)。
概率论与数理统计教案统计量和抽样分布
概率论与数理统计教案-统计量和抽样分布一、教学目标1. 理解统计量的概念，掌握常见统计量的计算方法。
2. 了解抽样分布的定义，掌握正态分布、t分布、卡方分布等常见抽样分布的特点及应用。
3. 学会使用抽样分布进行假设检验和置信区间的估计。
二、教学内容1. 统计量的概念及计算方法统计量的定义样本均值、样本方差、样本标准差等常见统计量2. 抽样分布的定义及特点抽样分布的定义正态分布、t分布、卡方分布等常见抽样分布的特点3. 抽样分布的应用假设检验置信区间的估计三、教学方法1. 讲授法：讲解统计量的概念、计算方法，抽样分布的定义及特点。
2. 案例分析法：通过具体案例，让学生学会使用抽样分布进行假设检验和置信区间的估计。
3. 互动教学法：引导学生参与课堂讨论，提问、解答问题，提高学生的积极性和主动性。
四、教学步骤1. 引入统计量的概念，讲解样本均值、样本方差、样本标准差等常见统计量的计算方法。
2. 讲解抽样分布的定义，介绍正态分布、t分布、卡方分布等常见抽样分布的特点及应用。
3. 通过具体案例，让学生学会使用抽样分布进行假设检验和置信区间的估计。
五、课后作业1. 复习本节课的内容，整理笔记。
2. 完成课后习题，加深对统计量和抽样分布的理解。
3. 选择一个感兴趣的话题，运用抽样分布进行实际问题的分析。
六、教学评估1. 课堂提问：通过提问了解学生对统计量和抽样分布的理解程度。
2. 课后习题：检查学生对课堂内容的掌握情况。
3. 实际案例分析：评估学生运用抽样分布解决实际问题的能力。
七、拓展与延伸1. 引导学生探讨抽样分布在其他领域的应用，如经济学、生物学等。
2. 介绍与抽样分布相关的高级主题，如非参数统计、贝叶斯统计等。
3. 鼓励学生参加相关竞赛、研究项目，提高实践能力。
八、教学资源1. 教材：概率论与数理统计相关教材。
2. 课件：PPT课件，辅助学生理解统计量和抽样分布的概念及应用。
3. 案例资料：提供具体案例，方便学生学会使用抽样分布进行假设检验和置信区间的估计。
《概率与数理统计》第06章 - 样本及抽样分布
(3)g( x1, x2 ,L xn )是统计量g(X1, X2 ,L Xn )的观察值
几个常见统计量
样本平均值
X
1 n
n i 1
Xi
它反映了 总体均值 的信息
样本方差
S 2
1 n1
n i 1
(Xi
X )2
它反映了总体 方差的信息
n
1
1
n
X
2 i
i 1
nX
2
样本标准差
S
1 n
n
1
(
i 1
X
i
是来自总体的一个样本，则
(1) E( X ) E( X ) ,
(2) D( X ) D( X ) 2 n ,
n
(3) E(S 2 ) D( X ) 2
矩估计法的 理论根据
若总体X的k阶矩E( X k ) k存在，则
(4) Ak
1 n
n i 1
Xik
p k
k 1, 2,L .
(3)证明：E(S2 )
定义 设X1 , X2 ,L , Xn是来自总体X的一个样本， g( X1 , X 2 ,L , X n )是X1 , X 2 ,L , X n的函数，若g 中不含未知参数，则g( X1 , X 2 ,L , X n )称是一 个统计量.
请注意 :
(1)X1, X2 ,L
X
是样本，也是随机变量
n
(2)统计量是随机变量的函数，故也是随机变量
1
e
(
xi 2
2
)2
2
n
( xi )2
1
e i1 2 2
n
2
第二节
抽样分布
概率论与数理统计
概率论与数理统计本篇笔记内容主要整理自笔者的教材——《概率论与数理统计》（第四版），作者为盛骤、试式千、潘承毅等人 ，高等教育出版社出版。
一、概率论的基本概念1. 什么是概率？描述性定义：随机事件A发生的可能性的大小的度量（非负值），称为事件A发生的概率。
公理化定义：在随机试验的样本空间的每一个事件A，都对应一个实数值P(A)，如果函数P( · )满足下列条件：非负性：规范性：S是必然事件，有P(S) = 1;可列可加性：设A1,A2,...,是两两不相容的事件（即i≠j时，AiAj = ∅），有P(A1∪A2∪...∪An） = P(A1) + P(A2) + ... + P(An)不相容事件的并的概率 等于 这些事件的概率的和。
2. 古典概型有什么特点？随机试验的样本空间只包含有限个元素；随机试验中的每个基本事件发生的可能性都相同。
3. 几何概型有什么特点？样本空间 是一个可度量的有界区域；有无限个基本事件，每个基本事件发生的可能性都一样，即样本点落入 的某一个可度量子区域S可能性与S的几何度量成正比，而与S的位置及形状无关。
4. 什么是条件概率？在已知事件A发生的情况下事件B发生的概率为条件概率P（A|B）,公式有5. 什么是全概率公式？有一些时候事件B的概率不容易直接求，可以通过计算给B在各个条件下Ai发生的概率P(B| · )，来研究B发生的概率。
6. 什么是贝叶斯公式？解释一下“先验”和“后验”的概念（按照课本的思路）通过已知信息B来修正A发生的概率（即后验概率），可以通过先验概率P(A)以及AB之间的关系来研究。
举个例子：假设由多年的统计数据可以知道某种疾病的发病率，有一种检测试剂的准确率为99%，即=99%，同时有=5%会误报（检测没有病的病人为阳性），可以通过全概率公式计算试剂表现为阳性的概率。
根据这些信息，就可以计算一个病人在这种试剂检测为阳性的情况下患病的概率7. 什么叫做事件相互独立？P(AB) = P(A)P(B)即一个事件的发生，不会影响另一个事件的发生。
概率论与数理统计基础知识
进行统计分析，通常是从母体中随机地选择一部分样品，称为子样（又称样本）。用它来代 表母体进行观察、研究、检验、分析，取得数据后加以整理，得出结论
例如，我们可将一个编号水泥看成是母体，每一包水泥看成是个体，通过随机取样（连续取 样或从20个以上不同部位取样），所取出的12kg检验样品可称为子样，通过检验分析，即可 判断该编号水泥（母体）的质量状况。
实例2 随机变量 X 为“测量某零件尺寸时的测量 误差”.
则 X 的取值范围为 (a, b) .
定义
设 E 是随机试验, 它的样本空间是 S {e}. 如 果对于每一个 e S , 有一个实数 X (e) 与之对应, 这样就得到一个定义在 S 上的单值实值函数 X (e), 称 X (e) 为随机变量.
如果事件A发生必然导致事件B发生，即A的每个样本点都是B的样本点，则称 B包含A，记作 A B ．从事件的集合表示看，事件B包含事件A就是样本空间的 子集B包含子集A 等对，任记何为事A件=AB，，总即有，AA与 B含有如相果同A 的 B样本，点同时B A ，则称事件A和事件B相
事件的互斥
如果事件A和B不可能同时发生，即A与B没有公共样本点，则称A与B是互斥 的（Mutually Exclusive）或互不相容的，换句话说，两个事件A与B互斥就是 样本空间两个子集A与B不相交
四、数据统计特征数
算术平均值 我们从总体抽了一个样本（子样），得到一批数据X1、X2、X3……Xn在处理这批数据时，经常
用算术平均值X来代表这个总体的平均水平。统计中称这个算术平均值为“样平均值”。 中位数 把数据按大小顺序排列，排在正中间的一个数即为中位数。当数据的个数n为奇数时，中位数就
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
样本是联系二者的桥梁
总体分布决定了样本取值的概率规律，也就是
样本取到样本值的规律，因而可以由样本值去推断
总体.
概率和数理统计样本和抽样分布
第三节
抽样分布
概率和数理统计样本和抽样分布
一、统计量与经验分布函数
1. 统计量 由样本值去推断总体情况，需要对样本值进
行“加工”，这就要构造一些样本的函数，它把样 本中所含的（某一方面）的信息集中起来.
请注意 : 设 X1,X2, Xn是来自 X的 总 一 体 个 ,x1,x 样 2, 本
xn是一个样本 ,则 g(的 x1,x2,观 xn察 )也值 是统 计g量 (X1,X2, Xn)的观.察值
概率和数理统计样本和抽样分布
几个常见统计量
样本平值
样本方差
它反映了总体 方差的信息
X
1 n
n i1
在数理统计中，不是对所研究的对象全体 ( 称 为总体)进行观察，而是抽取其中的部分(称为样本) 进行观察获得数据（抽样），并通过这些数据对总 体进行推断.
数理统计方法具有“部分推断整体”的特征 .
概率和数理统计样本和抽样分布
1.总体
对随机试验的某一数量指标进行试验或观察： • 试验的全部可能的观察值称为总体 • 每一个可能观察值称为个体 • 总体中所包含的个体的个数称为总体的容量
简单随机样本是应用中最常见的情形，今后， 当说到“X1,X2,…,Xn是取自某总体的样本”时，若不
特别说明，就指简单随机样本.
概率和数理统计样本和抽样分布
3. 总体、样本、样本值的关系
例如：考察某大学一年级2000名男生的身高 • 总体：2000名男生身高的所有可能值。等价于某个
随机变量X。 • 样本：例如抽取10名男生，则这10名男生的身高可
• 所抽取的部分个体称为样本。 • 样本中所包含的个体数目称为样本容量。
概率和数理统计样本和抽样分布
对总 X在 体相同的条n 件 次下 重， 复进 、行 观察，其结X 果 1， X 依 2， 次 ， Xn记 . 为
这样得到的随X1机 ,X2变 ,X量 n是来自总 X 体 的一个简单随机 与样 总本 体， 随机变量 同具 的有
这种不含任何未知参数的样本的函数称为统 计量. 它是完全由样本决定的量.
概率和数理统计样本和抽样分布
定义设X1, X2,, Xn是 来 自 总X的 体一 个 样 本 g(X1,X2,,Xn)是X1,X2,,Xn的函数，g 若 中 不 含 未 知 参 数 g(X， 1, X则 2,, Xn)称 是 一 个统计.量
能值为一个样本。可表示为随机变量X1, … ,X10。 • 样本值：这10名男生的身高测量值,记为x1,…,x10。
注意：事实上我们抽样后得到的资料都是具体的、确
定的值。我们只能观察到随机变量取的值而见不到
随机变量。
概率和数理统计样本和抽样分布
总体（理论分布） ？
样本
样本值
统计是从手中已有的资料--样本值，去推断总 体的情况---总体分布F(x)的性质.
概率论与数理统计的区别： • 概率论所研究的随机变量，其分布都是假设已知的，
在这个前提下研究其性质、特点和规律性。 • 数理统计所研究的随机变量，其分布是未知或不完
全知道的。需要通过独立重复的观察并对观察数据 进行分析，来推断其分布。
概率和数理统计样本和抽样分布
数理统计的任务就是研究有效地收集、整理、 分析所获得的有限的资料，对所研究的问题, 尽可 能地作出精确可靠的结论.
Xi
它反映了 总体均值 的信息
S2n11in1(Xi X)2
n1 1i n1Xi2nX2
样本标准差
S n1 1i n1(Xi X)2
概率和数理统计样本和抽样分布
样本k阶原点矩
第六章 样本及抽样分布
• 第一节 随机样本 • 第二节 直方图和箱线图 • 第三节 抽样分布
概率和数理统计样本和抽样分布
第一节
随机样本
概率和数理统计样本和抽样分布
数理统计是具有广泛应用的一个数学分支，它以概 率论为理论基础，根据试验或观察得到的数据，来 研究随机现象，对研究对象的客观规律性作出合理 的估计和判断。
字特征
例如: 研究某批灯泡的寿命时，关心的数量指标就是 寿命。那么，此总体就可以用随机变量X表示。
概率和数理统计样本和抽样分布
2. 样本
• 总体分布一般是未知，或只知道是包含未知参 数的分布。
• 为推断总体分布及各种特征，按一定规则从总 体中抽取若干个体进行观察试验，以获得有关 总体的信息，这一抽取过程称为 “抽样”。
量X1,X2,…,Xn表示.
概率和数理统计样本和抽样分布
若总体的分布函数为F(x)、概率密度函数为 f(x),则其简单随机样本的联合分布函数为
F*(x1,x2, ,xn)=F(x1) F(x2) … F(xn)
其简单随机样本的联合概率密度函数为 举例：0-1
和正态总体
f*(x1,x2, ,xn)=f(x1) f(x2) … f(xn)
分布 . n称为这个样本的容量.
一旦取定一组样本X1, … ,Xn ,得到n个具体的数 (x1,x2,…,xn)，称为样本的一次观察值，简称样本值 .
最常用的一种抽样叫作“简单随机抽样”，其特点：
1. 代表性： X1,X2,…,Xn中每一个与所考察的总体有 相同的分布.
2. 独立性： X1,X2,…概率,和X数n理是统计相样本互和抽独样分立布 的随机变量.
有限总体：一大学男生的身高
总体
无 种型限号总灯体泡：的一寿湖命泊（任容一量地很点大的的深有度限，总全体国）某
概率和数理统计样本和抽样分布
• 总体中的每一个个体是随机试验的一个观察值，因 此它是某一随机变量X 的值
• 一个总体对应一个随机变量X • 不再区分总体和相应的随机变量，统称为总体X • X 的分布函数和数字特征称为总体的分布函数和数
定义：
设X是具有分布函数F的随机变量，若X1, X2, , Xn是具有同一分布函数F的、相互独立的随机 变量，则称X1, X2, , Xn为从分布函数F（或总体 F、或总体X）得到的容量为n的简单随机样本， 简称样本，它们的观察值x1, x2, , xn称为样本值， 又称为X的n个独立的观察值.
由简单随机抽样得到的样本称为简单随机样本， 它可以用与总体独立同分布的n个相互独立的随机变