统计学入门(Ⅷ)

十五、正态总体方差的区间估计 为构造正态总体方差σ2的置信区间,我们从σ2的点估计即样本方差S2出发,因为我们已知((11—9)式)即 X2服从自由度为n-1的 X2分布.于是对给定的置信度 y =1-a,我们需要确定两个数:x21-a。与x2a/2使则将(15-1)代入上式,经过整理,上式等价于于是σ2的置信度为-α的双侧置信限为: X2称为 X2分布的上侧分位点,对不同的 P值及自由度f,分位点的数值x2(f)可查x2分布表(例如《常用数理统计表》表5). 例15-1设某台装料机包装的重量服从正态分布.随机检查了10包,实际重量的样本标准差为2.5kg,求该装料机所包装的重量的…     

拟秩统计量的一极限定理

<正> §1.摘要.在本文中我们将证明下面的结果.定理1.设 X_1,…,X_m;Y_1,…,Y_n;Z_1,…,Z_1是从具有连续分布函数 F 的总体中抽出的独立样本,此处 F 滿足以下三个条件:1°F 为关于原点对称,并具密度函数 f 的分布;2°存在一有限常数 K,使得对任何 x 及 h≠0 有     

混合样本方差的优良性

常见的教科书中通常采用混合样本方差作为方差相等的两个正态总体方差的估计,而对其优良性却鲜有解释.在本文中,我们证明了混合样本方差是总体方差的UMVUE,即一致最小方差无偏估计.     

序贯最近邻密度估计

§1.引言设 X_1,…,X_n 是从某个具有分布 F 和密度 f 的一维总体中抽出的独立同分布(iid)样本,为估计密度函数 f(x),1965年 Loftsgarden 和 Quesenberry 提出了下面一种估计方法:选定一个与 n 有关的自然数 k_(?)≤n,找出最小的α_n(x),使得区间[x-(?)),x α_n(x)]内至少包含样本 X_1,…,X_n 中的 k_n 个点,并用     

最近邻密度估计的收敛速度

设x_1,x_2,…,x_n是从某个具有分布F(x)和密度f(x)的一维总体中抽的独立同分布的样本。为了估计f(x),1965年Loftogarden和Quesenberry提出了下面的方法:选定一个与n有关的自然数k(n),找最小的a_n(x),使区间内所包含的样本点x_1,x_2,…,x_n的个数不小于k(n)。然后以作为f(x)的估计。这在文献中常称为最近邻估计。本文目的是证明了下列定理: 定理 设f(x)和f″(x)在全直线上都是有界的,若取k(n)使极限非零且有限则     

两个未知均值方差混合模型有限制下对数极大似然比的极限分布

本文讨论了检验样本是来自一个正态总体还是两个未知均值和方差的正态的混合分布,采用对数极大似然比的检验,如果不加限制,Ｈａｒｔｉｎｇａｎｍ曾指出不是寻找的、Ｘ＾２分布,我们在混合的中了一点后得到了其极限分布产工给出了分位点数值表。     

GBVE分布相关参数的矩型估计

考虑Gumbel提出的二元指数分布,其可靠度函数为 .我们把这类分布称为 .根据(Lnx1,LnX2)的混合矩的性质,本文提出了δ的两个矩型估计δ1和δ2,证明了δ1和δ2都有强相合性和渐近正态性,得到了δ1和δ2的渐近方差σδ12和σδ22并把σδ12和σδ22作了比较.最后还给出了若干随机模拟结果.     

一类密度函数最近邻估计的一致收敛速度

<正> 设 X_1,X_2,…,X_n 是来自 R_d(d≥1)上的具分布函数 F(x)的总体的 iid.样本.F(x)有概率密度 f(x),k=k(n)是与 n 有关的自然数.找最小正数 a_n(x),使得     

密度核估计强相合性的一致收敛速度

设X_1,…,X_n为取自一维总体的iid.样本,F(x)及f(x)分别为总体的分布函数和密度函数.取概率密度K(x)作为核,则可作出f(x)的核估计     

两阶段抽样的序贯密度估计

§1 引言 设X_1,…,X_n为自一维总体中取出的iid样本,F(x)及f(x)分别为总体的分布函数及密度函数。为估计f(x),Wolverton和Wagner,以及Yamato独立地进行了递归密度估计 f_n(x)=1/n sum from j=1 to n(1/h_j k(x-x_j/h_j)) (1) 此处,K(x)为核密度,{h_j}为一串趋于0的正数。 设x固定,且f(x)>0。1976年,Carroll在[3]中利用Bickel和Wichura关于多参数过程弱收敛的准则,构造了f(x)的Chow-Robbins意义下的序贯区间估计(参看[5])。     

转移向量的Minimax估计

<正> 设随机变量 X 的分布 F(x)为已知,则对任何实数θ,X_θ=X+θ的分布将为F(x—θ).以这种方式依赖着一参数θ的分布族称为转移分布族,而θ称为转移参数.设 x_1,…,x_n 为从总体 F(x—θ)中取出的独立样本,要求从它去估計θ.这一问题吸引了不少学者的注意,较早期的工作中,应当提到 Pitman 在1939年的文章[1].在这一工作中,Pitman 在 F(x)有密度的条件下,找到了具转移性质(正式定义见下文)的方     

不独立和不相关

若随机变量 X 和 Y 的相关系数 r(X,Y)=0,称 X 与 Y 不相关,众所周知,独立变量一定不相关(自然要求方差有限),不独立变量也可以不相关,单位圆内的均匀分布即其一例,这种例子可随意举出很多,这启发我们提出下面的问题任意给定两个一维分布 F 和 G,其方差都非零有限.是否存在两个随机变量 X,Y ,使得:1)X 有分布 F,Y 有分布 G.2)X,Y 不独立.3)r(X,Y)=0.我们的直觉是这问题有肯定的回答,但证明并非一目了然,诚然,这不是什么很重要或很     

关于线性模型误差方差估计的渐近展开

<正> 早在1945年,许宝(马彔)教授在他的著名工作[2]中,得出了取自总体的独立样本的样本方差依分布收敛于正态的速度及分布的渐近展开.陈希孺教授在1979年将收敛速度推广到一般的线性模型,1980年,陈希孺教授及白志东,赵林城解除了[1]对试验点列的限制,获得与独立情况下完全一致的理想速度.在渐近展开方面,赵林城在试验点列满足一定限制的条件下,对试验误差独立同分布的场合,得到了(?)_n~2的分布按1/n~(1/n)的幂次的渐近展开式.本文目的在于,在一般场合下,对(?)_n~2 的特征函数加上一定限制,获得了(?)_n~2的分布展开到1/n~(1/n)阶的项后余项为 O(1/n).     

截断数据模型中的两阶段抽样序贯密度估计

令X_1,X_2,…是iid随机变量序列,满足分布F密度函数f.X_i被随机变量Y_i右截断,而Y_i是iid随机变量,且与X_t独立。我们仅能观察到样本 Z_i=min(X_i,Y_i),δ_i=I(X_i≤Y_i)估计量f_n和_n是基于KM估计量的f的核型估计,在本文中,我们基于f_n和_n分别构造f的两阶段抽样的序贯固定长度2d,渐近置信系数1-α。(0<α<1)的置信区间。并讨论了停时的渐近性质。     

统计线性模型(Ⅵ)

五、假设检验§5-1.对初等统计中假设检验问题的简单回顾 1°.一个正态总体,未知方差时对均值的双边检验。 假定:Y_1,…,Y_N独立同分布N(μ,σ～2),σ～2未知。对假设H_0:μ=μ_0(μ_0为给定值),进行检验。 在初等统计中,我们找到了一个统计量T: T=N(y-μ_0)/s。(s是样本标准差)。它有两个性质, (1)它被y_1,…,y_N完全确定,而不含任何未知参数。(这就是所谓“统计量”的含义)。、(2)待验假设H。成立时.T的概率分布已知,它服从xN,0.i”卜卜’.’,;;。’一 据此,由预先给出的显著性水平17。,可由0分布临界值表宣州隆二界地义(如分位点ti…     

(2χ~2)~(1/2)-(2n-1)~(1/2)的近似正态性及多总体标准差的齐性检验

计算了随机变量(2χ~2)~(1/2)的数学期望和方差,比较分析了随机变量(2χ~2)~(1/2)-2n~(1/2)与(2χ~2)~(1/2)-(2n-1)~(1/2)的近似分布的相同和不同之处,并且利用2χ2的近似分布的正态性,建立了多总体标准差的检验法.     

非参数回归的若干性质

非参数回归,由于其具有不依赖于样本所从属的总体的分布形式与总体分布的参数无关,无需检验总体的参数等诸多优点而被广泛应用.本文讨论了非参数回归的一些性质.1　预备知识设有一组样本{(xi,yi),i=1,2,…,n}.考虑yi=f(xi)+εi,　i=1,2,…,n,其中E(εi)=0,D(εi)=σ2,cov(εi,εj)=0,i≠j,则一元非参数回归为f(x)=1nh∑ni=1Kx-xihyi1nh∑ni=1Kx-xih,(1)其中h为带宽,K(x)为核函数,一般取为关于原点对称的概率密度函数,如标准正态密度函数等.同样可定义二元非参数回归f(z)=1nh21+h22∑ni=1Kx-xih1,y-yih2yi1nh21+h22∑ni=1Kx-xih1,y-yi…     

F检验法中要求两子样独立的条件不必要

本文证明了来自两个正态总体的两子样未必独立时，两子样方差仍相互独立，说明Ｆ检验法中要求两子样独立的条件是不必要的。     

关于单一自由度比较分析法的注

如果用通常方差分析的方法,检验多个正态总体均值有显著差异,文[1]以实例介绍了单一自由度比较均值的方法,值得推广应用。该分析法关键是设计单一自由度独立而正确的比较表.而要设计这样的比较表,除了选择有实际意义的比较内容外,在文[1]中正确构造正交系数表是很关键的──要利用正交系数表来判断设计是否为单一自由度独立而正确的比较。正交系数表的构造虽有一定的原则可循,但构造和验证正交系统表并不容易,而且这些正交系数表总共有多少还是个问题。本文提出可不用正交系数表来设计(多水平的)单一自由度所有独立而正确的比较表的简单方法…     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量y干扰.只有当X≥y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g(x),√n∫f9(x)[dFn(x)-dF(x)]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.