例題: 表 1 のデータについて標本平均,標本分散,母平均,母分散を求めなさい。
和 $x_{i}$ | 度数 | 相対度数 | 累積相対度数 | 確率 $f(x_{i})$ | 分布関数 $F(x_{i})$ |
---|---|---|---|---|---|
2 | 23 | 0.023 | 0.023 | 1/36=0.028 | 1/36=0.028 |
3 | 48 | 0.048 | 0.071 | 2/36=0.056 | 3/36=0.083 |
4 | 90 | 0.090 | 0.161 | 3/36=0.083 | 6/36=0.167 |
5 | 101 | 0.101 | 0.262 | 4/36=0.111 | 10/36=0.278 |
6 | 158 | 0.158 | 0.420 | 5/36=0.139 | 15/36=0.417 |
7 | 160 | 0.160 | 0.580 | 6/36=0.167 | 21/36=0.583 |
8 | 135 | 0.135 | 0.715 | 5/36=0.139 | 26/36=0.722 |
9 | 122 | 0.122 | 0.837 | 4/36=0.111 | 30/36=0.833 |
10 | 87 | 0.087 | 0.924 | 3/36=0.083 | 33/36=0.917 |
11 | 50 | 0.050 | 0.974 | 2/36=0.056 | 35/36=0.972 |
12 | 26 | 0.026 | 1.000 | 1/36=0.028 | 36/36=1.000 |
合計 | 1000 | 1.000 | 1.000 |
解: 1000 個の標本について,標本平均 $\bar{X}$,標本分散 $V$ は, $\bar{X} = ( 2 \cdot 23 + 3 \cdot 48 + 4 \cdot 90 + 5 \cdot 101 + 6 \cdot 158 + 7 \cdot 160 + 8 \cdot 135 + 9 \cdot 122 + 10 \cdot 87 + 11 \cdot 50 + 12 \cdot 26 ) / 1000 = 7.033$ $V = ( 2^{2} \cdot 23 + 3^{2} \cdot 48 + 4^{2} \cdot 90 + 5^{2} \cdot 101 + 6^{2} \cdot 158 + 7^{2} \cdot 160 + 8^{2} \cdot 135 + 9^{2} \cdot 122 + 10^{2} \cdot 87 + 11^{2} \cdot 50 + 12^{2} \cdot 26 ) / 1000 - 7.033^{2} = 5.569911$
> x <- 2:12 > f <- c(23, 48, 90, 101, 158, 160, 135, 122, 87, 50, 26) > n <- sum(f) > X <- sum(f*x)/n > X [1] 7.033 > V <- sum(f*x^2)/n-X^2 > V [1] 5.569911 > V <- sum(f*(x-X)^2)/n # 精度的にはこちらを推奨 > V [1] 5.569911
また,母平均 $\mu$,母分散 $\sigma^{2}$ は,
$\mu = 2 \cdot 1 / 36 + 3 \cdot 2 / 36 + 4 \cdot 3 / 36 + 5 \cdot 4 / 36 + 6 \cdot 5 / 36 + 7 \cdot 6 / 36
+ 8 \cdot 5 / 36 + 9 \cdot 4 / 36 + 10 \cdot 3 / 36 + 11 \cdot 2 / 36 + 12 \cdot 1 / 36
= 7$
$\sigma^{2} = ( 2^{2} \cdot 1 / 36 + 3^{2} \cdot 2 / 36 + 4^{2} \cdot 3 / 36 + 5^{2} \cdot 4 / 36 + 6^{2} \cdot 5 / 36 + 7^{2} \cdot 6 / 36
+ 8^{2} \cdot 5 / 36 + 9^{2} \cdot 4 / 36 + 10^{2} \cdot 3 / 36 + 11^{2} \cdot 2 / 36 + 12^{2} \cdot 1 / 36 - 7^{2}
= 35 / 6
= 5.83333333$
> f <- c(1:6, 5:1)/36 > f [1] 0.02777778 0.05555556 0.08333333 0.11111111 0.13888889 0.16666667 0.13888889 0.11111111 [9] 0.08333333 0.05555556 0.02777778 > mu <- sum(f*x) > mu [1] 7 > sigma2 <- sum(f*x^2)-mu^2 > sigma2 [1] 5.833333 > sigma2 <- sum(f*(x-mu)^2) # 精度的にはこちらを推奨 > sigma2 [1] 5.833333