正态总体抽样分布结论证明

设正态总体X~N(μ,σ²),X1,X2,...Xn是来自正态总体的样本,样本均值为€X,样本方差为S²,则有以下结论,

注:样本均值(X拔)符号表示:€X,卡方分布符号表示:£²(n);其它符号表示不变。

其中€X=(1/n)∑:(i=1~n)(Xi)


(1),€X~N(μ,σ²/n),

即(€X-μ)/√(σ²/n)~N(0,1);

(2),{∑:(i=1~n)(Xi-μ)²/σ²}~£²(n);

(3),(n-1)S²/σ²=∑:(i=1~n)(Xi-€X)²/σ²,

{(n-1)S²/σ²}~£²(n-1);

(4),€X与S²相互独立,

T={(€X-μ)/(S/√n)}~t(n-1)。


证一、为什么(3)式的自由度是n-1?

表面上,∑:(i=1~n)(Xi-€X)²是n个正态随机变量Xi-€X的平方和,但实际上它们不都是独立的,它们之间有一种线性约束关系:∑:(i=1~n)(Xi-€X)=(∑:(i=1~n)Xi)-n€X=0,这表明当n个正态随机变量中有n-1取值给定时剩下一个的取值就跟着唯一确定了,故这n项平方和中只有n-1项是独立的,所以(3)式的自由度为n-1。

证二、(4)式是怎么来的?

€X与S²相互独立就不证了,由(1)式和(3)式可知,(€X-μ)/√(σ²/n)~N(0,1),{(n-1)S²/σ²}~£²(n-1),由t分布定义得,[(€X-μ)/√(σ²/n)]/√{[(n-1)S²/σ²]/(n-1)}=T={(€X-μ)/(S/√n)}~t(n-1),从而得证。


已经申查一遍,若文中仍有文字,符号等错误可以评论指出,后期修改。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,189评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,577评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,857评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,703评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,705评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,620评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,995评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,656评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,898评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,639评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,720评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,395评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,982评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,953评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,195评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,907评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,472评论 2 342

推荐阅读更多精彩内容

  • 【概述】 SVM训练分类器的方法是寻找到超平面,使正负样本在超平面的两侧(分类正确性即“分得开”),且样本到超平面...
    sealaes阅读 10,995评论 0 7
  • 《深入浅出统计学》读书笔记 1、信息图形化 饼图 对不同组(或者类)所占的比例进行比较 条形图 对大小进行比较,但...
    haidaozheng阅读 4,905评论 0 6
  • 一年级语文上册生字表 生字表一(共400字) 啊(ā)爱(ài)安(ān)岸(àn)爸(bà)八(bā)巴(bā)...
    meychang阅读 2,755评论 0 6
  • 切成冷凍的日子 分給我 從不事先張揚 從不下回分解 誰在許願樹下 溫暖了一場冷雨 告訴我 月亮喜歡藍色的天空 如果...
    秋鳶子阅读 428评论 1 2
  • “我之前和大家说过,物理既不等同于语文也不等同于数学。物理有一个肯定的答案,是实践中总结出来的真理,少一个字就是...
    金铁塔阅读 992评论 0 2