4.4 抽样分布
正态总体的抽样分布
关注点：总体是正态分布，抽样，样本所构造的统计量的分布的相关研究。
单正态总体的抽样分布
定理
正态总体\(X\sim N(\mu,\sigma^2)\)，\((X_1,X_2,\cdots,X_n)\)是样本，样本均值为\(\overline{X}\)，样本方差为\(S^2\).
其中
\[\overline{X}=\frac{1}{n}\sum\limits_{i=1}^nX_i, \]\[S^2 = \frac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2 \]- \(\overline{X}\sim N(\mu,\frac{\sigma^2}{n})\)
证明：
\[E\overline{X}=E(\frac{1}{n}\sum\limits_{i=1}^nX_i) = \frac{1}{n}\sum\limits_{i=1}^nEX_i=\frac{1}{n}n\mu = \mu \]\[D\overline{X}=D(\frac{1}{n}\sum\limits_{i=1}^nX_i)=\frac{1}{n^2}\sum\limits_{i=1}^nDX_i=\frac{1}{n^2}n\sigma^2=\frac{\sigma^2}{n} \]由于\(\overline{X}=\frac{1}{n}(X_1+X_2+\cdots+X_n)\)，且\((X_1+X_2+\cdots+X_n)\)服从正态分布，所以\(\overline{X}\)也服从正态分布。
再结合\(E\overline{X}\)和\(D\overline{X}\)的值，所以\(\overline{X}\)服从参数为\((\mu,\frac{\sigma^2}{n})\)的正态分布。
理解
样本均值的方差比总体的方差小，并且样本容量(\(n\))越大，方差越小。
假设有100个随机数，
- 当样本容量\(n=2\)时，可能刚好抽出两个很大的数，于是样本均值很大；也可能刚好抽出两个很小的数，于是样本均值很小，所以样本容量小会导致样本均值的方差大。
- 当样本容量\(n=98\)时，每次抽样可能都是那么些数字，每次抽样可能就和上次抽样相差一两个数字，于是样本均值都差不多，也就是说样本均值的方差比较小。
推论
\[U=\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]因为\(\overline{X}\)服从正态分布，所以标准化之后就服从标准正态分布。
-
\(\frac{n-1}{\sigma^2}S^2=\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\overline{X})\sim \chi^2(n-1)\)
-
\(\overline{X}\)和\(S\)相互独立。
另外一些定理
- \(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\mu)^2\sim\chi^2(n)\)
- \(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\overline{X})\sim \chi^2(n-1)\)
- \(\frac{1}{\sigma^2}\sum\limits_{i=1}^n(X_i-\mu)^2\sim\chi^2(n)\)
这样两个定理的区别在于上面用的\(\overline{X}\)是样本均值，下面的\(\mu\)是总体期望。
上面的卡方分布的自由度是\(n-1\)，下面的自由度是\(n\)。
简单理解记忆：上面的定理有\(\overline{X}=\frac{1}{n}(X_1+\cdots+X_n)\)，比下面的定理多出一个约束(方程)。
联系线性方程组的知识点，多一个方程就少一个自由未知量，因此自由度就比下面的少1.
- \(\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1)\)
证明：
前置知识：
- 标准正态分布和卡方分布构成\(t\)分布：\[X\sim N(0,1)，Y\sim \chi^2(n) \]\[\frac{X}{\sqrt{Y/n}}\sim t(n) \]
结合上文的推论与定理：
\[\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]\[\frac{(n-1)S^2}{\sigma^2}\sim \chi^2(n-1) \]因此
\[\frac{ \frac{\overline{X}-\mu}{\sigma/\sqrt{n}} }{ \sqrt{ \frac{(n-1)S^2}{\sigma^2}/n-1 } } \sim t(n-1) \]又因为
\[\frac{ \frac{\overline{X}-\mu}{\sigma/\sqrt{n}} }{ \sqrt{ \frac{(n-1)S^2}{\sigma^2}/n-1 } }= \frac{\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}}{\frac{S}{\sigma}} =\frac{\overline{X}-\mu}{S/\sqrt{n}} \]所以
\[\frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1) \]双正态总体的抽样分布
-
两个总体：\(X\sim N(\mu_1,\sigma_1^2),Y\sim N(\mu_2,\sigma_2^2)\)，
-
分别抽样：\((X_1,\cdots,X_{n_1})\)和\((Y_1,\cdots,Y_{n_2})\)，(两个样本的容量不一样，分别是\(n_1\)和\(n_2\))
-
样本均值：\(\overline{X},\overline{Y}\)，
-
样本方差：\(S_1^2,S_2^2\)。
定理
证明：
根据上面单正态总体关于样本均值的定理，有
- \(\overline{X}\sim N(\mu_1,\frac{\sigma_1^2}{n_1})\)
- \(\overline{Y}\sim N(\mu_2,\frac{\sigma_2^2}{n_2})\)
再根据正态分布的线性可加性，有
\[\overline{X}-\overline{Y}\sim N(\mu_1-\mu_2,\frac{\sigma_1^2}{n_1}-\frac{\sigma_2^2}{n_2}) \]再标准化，就得到了上面的定理。
证明：
前置知识点：
\(F\)分布
\(X\sim \chi^2(n_1),Y\sim \chi^2(n_2)\)
则\(\frac{X/n_1}{Y/n_2}\sim F(n_1,n_2)\)
根据上面单正态总体关于样本方差的定理，有
- \(\frac{(n_1-1)S_1^2}{\sigma_1^2}\sim \chi^2(n_1-1)\)
- \(\frac{(n_2-1)S_2^2}{\sigma_2^2}\sim \chi^2(n_2-1)\)
于是
\[\frac{ \frac{(n_1-1)S_1^2}{\sigma_1^2}/(n_1-1) }{ \frac{(n_2-1)S_2^2}{\sigma_2^2}/(n_2-1) } \sim F(n_1-1,n_2-1) \]因此
\[\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-2) \]标签：4.4,抽样,frac,sqrt,overline,mu,数理统计,sigma,sim From： https://www.cnblogs.com/feixianxing/p/sampling-distribution.html使用教材：
《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社