在开始这一次 Blog 之前,我们先明确我们要干啥—— 什么是正态总体下的抽样分布?首先,就是这个总体是服从正态分布的。然后我们从总体中抽取出的这些样本所构成的统计量所服从的分布,就是我们今天需要学习的。本节难度较大,主要难在那几种分布(
x2, t 分布、F分布之间的拼凑)
一、需要用到的定理或性质准备
【1】就是
x2 分布的定义:若
Xi∼N(0,1),那么有:
i=1∑nXi2∼x2(n)
【2】接下来就是
x2 分布的性质:若
Xi∼x2(n1),Yi∼x2(n2),那么:
Xi+Yi∼x2(n1+n2)
【3】关于
t 分布的定义:若
Xi∼N(0,1),
Yi∼x2(n),那么:
Yi/n
Xi∼t(n)
【4】然后就是 F 分布的定义:若
Xi∼x2(n1);
Yi∼x2(n2),那么:
Yi/n2Xi/n1∼F(n1,n2)
二、启航—— 一波定理来袭
好!我们准备好了所需要的定理和性质之后,我们下面来看看正态总体下的抽样分布的定理:
2.1 一个正态总体
【1】若
Xi∼N(μ,σ2),且
Xi 相互独立,那么,有:
Xˉ∼N(μ,nσ2)
我们下面来简单证明一下:首先明确,正态分布的第一个参数是期望(均值),第二个参数是方差。
由于
Xˉ=nX1+X2+⋯+Xn
因此,
E(Xˉ)=n1E(∑i=1nXi)=n1∑i=1nE(Xi)=n1nμ=μ
D(Xˉ)=n21D(∑i=1nXi),这里需要特别注意:只有当
Xi 相互独立时,方差里面的
∑ 才可以提出来,其他情况是不允许的!!
因此,在
Xi 相互独立的情况下,有:
D(Xˉ)=n21∑i=1nD(Xi)=n21nσ2=nσ2
【2】这个定理大家要记住:
σ2(n−1)S2∼x2(n−1)
这里,
S2是修正后的样本方差:
S2=n−11∑i=1n(Xi−Xˉ)2
特别注意:定理里面它所服从的卡方分布的自由度是 n-1 !!!
【3】下面这个定理需要记忆:
σ21i=1∑n(Xi−μ)2∼x2(n)
这个定理的样子看起来和定理 【2】 很像,但是这个是减去 总体的均值μ而非样本均值
Xˉ。我们证明一下,将上式做下面的变换:
i=1∑n(σXi−μ)2
我们已经知道:
σXi−μ 就是一个标准化的过程,那么有:
σXi−μ∼N(0,1)
而根据
x2 分布的定义,
n 个服从标准正态分布的
Xi 的加和就服从
x2 分布,得证。
【4】这个定理也需要记忆:
SXˉ−μn
∼t(n−1)
下面我们来证明一下:首先,根据定理 【1】:
Xˉ∼N(μ,nσ2),那么我们对
Xˉ 做标准化,有:
nσ2
Xˉ−μ=n
σXˉ−μ∼N(0,1)
又根据定理 【2】:
σ2(n−1)S2∼t(n−1)
最后,我们再把
t 分布的定义搬出来:
Y/n
X∼t(n)
那么,我们就可以得到:
(σ2(n−1)S2)/(n−1)
n
σXˉ−μ=σ2S2
n
σXˉ−μ=SXˉ−μn
∼t(n−1)
2.2 两个正态总体
两个正态总体的定理有一、、难记忆,大家克服一下!
【1】对于两个正态总体:
X∼N(μ1,σ12)、
Y∼N(μ2,σ22),
{X1,X2,⋯,Xn1}是第一个总体的样本、
{Y1,Y2,⋯,Yn2}是第二个总体的样本。其中,
n1 不一定等于
n2。那么有:
n1σ12+n2σ22
(Xˉ−Yˉ)−(μ1−μ2)∼N(0,1)
别看定理很复杂,其实很容易证明,首先:
Xˉ∼N(μ1,n1σ12),
Yˉ∼N(μ2,n2σ22),那么,根据正态分布的加减性质:
Xˉ−Yˉ∼N((μ1−μ2),n1σ12+n2σ22)
最后,对它标准化一下就整出来啦!!
【2】这个性质大家需要记忆一下:
S2/σ22S1/σ12∼F(n1−1,n2−1)
这个定理的证明很简单,我们需要回顾一下上面在 2.2 的定理:
σ2(n−1)S2∼x2(n−1)
那么,我们再把
F 分布的定义拿出来:若
Xi∼x(n1),
Y∼x2(n2),那么:
Y/n2Xi/n1∼F(n1,n2)
所以,我们套用一下 F 分布的定义就可以得到啦!