第五章 统计量及其分布.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 例5.3.7 设总体密度函数为 p(x)=3x2, 0?x?1. 从该总体抽得一个容量为5的样本， 试计算 P(x(2)?1/2)。 解：有两种求法：从古典概型出发；从次序统 计量密度函数出发。 例5.3.8 设总体分布为U(0,1)， x1, x2,…, xn为样 本，试求第 k 个次序统计量的分布。 三、多个次序统计量的联合分布 对任意多个次序统计量可给出其联合分布，以两个为例说明： 定理5.3.6 在定理5.3.5的记号下，次序统计 量 (x(i), x(j)), (i ? j) 的联合分布密度函数为 次序统计量的函数在实际中经常用到。 如 样本极差 Rn = x(n) ? x(1)， 样本中程 [x(n) ? x(1)]/2。 样本极差是一个很常用的统计量，其分布只在很少几种场合可用初等函数表示。 令 R = x(n) ? x(1) ，由 R ? 0, 可以推出 0 ? x(1) = x(n)?R ?1? R ， 则 例5.3.9 设总体分布为U(0,1)， x1, x2,…, xn 为 样本，则(x(n), x(1))的联合密度函数为 p1,n(y,z)=n(n?1)(z?y)n-2, 0 ? y ? z ?1 这正是参数为(n?1, 2)的贝塔分布。 5.3.6 样本分位数与样本中位数 样本中位数也是一个很常见的统计量，它也是次序统计量的函数，通常如下定义： 更一般地，样本p分位数mp可如下定义： 定理5.3.7 设总体密度函数为p(x)，xp为其p分 位数， p(x)在xp处连续且 p(xp) ? 0，则 特别，对样本中位数，当n??时近似地有 当n?? 时样本 p 分位数 mp 的渐近分布为 例5.3.10 设总体为柯西分布，密度函数为 p(x,?)= 1/[?(1+(x??)2)] , ?? ? x ? +? 通常，样本均值在概括数据方面具有一定的优势。但当数据中含有极端值时，使用中位数比使用均值更好，中位数的这种抗干扰性在统计中称为具有稳健性。 不难看出?是该总体的中位数，即x0.5=? 。 设 x1, x2,…, xn 是来自该总体的样本，当样本量n 较大时，样本中位数m0.5 的渐近分布为 m0.5 ? AN(?, ?2/4n) . 5.3.7 五数概括与箱线图 次序统计量的应用之一是五数概括与箱线图。在得到有序样本后，容易计算如下五个值： 最小观测值 xmin= x(1) , 最大观测值 xmax=x(n) , 中位数 m0.5 , 第一4分位数 Q1 = m0.25, 第三4分位数 Q3 = m0.75. 所谓五数概括就是指用这五个数： xmin , Q1 , m0.5 , Q3 , xmax 来大致描述一批数据的轮廓。 §5.4 三大抽样分布 大家很快会看到，有很多统计推断是基于正态分布的假设的，以标准正态变量为基石而构造的三个著名统计量在实际中有广泛的应用，这是因为这三个统计量不仅有明确背景，而且其抽样分布的密度函数有明显表达式，它们被称为统计中的“ 三大抽样分布 ” 。 5.4.1 ?2 分布(卡方分布) 定义5.4.1 设 X1, X2,…, Xn, 独立同分布于标准 正态分布N(0,1) ，则?2= X12+… Xn2的分布称 为自由度为n 的?2分布，记为 ?2 ? ?2(n) 。 当随机变量 ?2 ? ?2(n) 时，对给定 ? (0???1)，称满足 P(?2 ? ?1??2(n)) 的 ?1??2(n) 是自由度为n?1的卡方分布的1?? 分位数. 分位数 ?1??2(n) 可以从附表3 中查到。 该密度函数的图像是一只取非负值的偏态分布 5.4.2 F 分布 定义5.4.2 设X1 ? ?2(m), X2 ? ?2(n), X1与X2独立， 则称 F =(X1/m)/(X2/n) 的分布是自由度为 m 与 n 的 F分布，记为F ? F(m, n)，其中m 称为分子自 由度，n 称为分母自由度。 当随机变量F ? F(m,n) 时，对给定 ? (0???1)