Chapter 05 연습문제_해답

5.1
(a)

가능한 표본 x
{1, 2, 3} 2
{1, 2, 4} 2.33
{2, 3, 4} 3

(b)

x p ( x)
2 1/3
2.33 1/3
3 1/3

(c)
E ( x ) = ∑ xp ( x )

= 2× 13 + 2.33× 13 + 3× 13 ≒ 2.443
(d)
Var ( x ) = ∑ x2 p ( x ) - x2

= 2 2× 13 + 2.33 2× 13 + 3 2× 13 - (2.443) 2
≒ 0.1747
(e)
N- n = 4-3 = 1
N-1 4-1 3

5.2
N- n = 100 - 10 = 90 ≒ 0.91
N- 1 100 - 1 99

5.3

표본평균 
 의 표준오차     는 표본크기 n이 커지면 작아지게 된다.


5.4

 
 의 분포는 표준정규분포로써 N( 0 , 1 ) 을 따른다.
  


- 1 -
5.5

랜덤하게 추출한 10개월간의 평균을   라 하자. 그러면 

 
 는    을 따른다고
  

할 수 있다. 따라서   
  
  
 
≤      이므로 
 
  
   ≤     

 
  

≤ · 

 
≒     ≤   
         ≒  

5.6
교육의 평균 연수를 x라 하면, 구하고자 하는 확률은 다음과 같다.


   ≤ 
 ≤      
   
  
≤
  

  

   
≤
   
≒      ≤  ≤   

   ≤  ≤      ≤  ≤  

        

5.7
신장의 표본평균을 x 라고 하면, 구하고자 하는 확률은 다음과 같다.
     
  ≤ 
 ≤      
  

≤ ≤ 
 
 
    ≤  ≤     

5.8
 
   
 
      

    
   ≈  


- 2 -
5.9

(a) x1 + x2 ～ N ( μ1+μ2 ,
n1
σ 12
+ n2
2
σ 2
)
N( )
σ 12 σ 2
(b) x1 - x2 ～ μ1-μ2 ,
n1 + n2
2

5.10
A 팀의 평균 타율을 x , B 팀의 평균 타율을 y 라고 하면,

(
x∼ N 0.35 , ( 0.01)
25
2
, y ∼ N 0.3 ,
( 0.03) 2
30 ) ( ) 이다.

그러므로, A , B 팀의 평균 타율의 차는 다음과 같다.

x - y∼ N ( μ1-μ2 ,
σ 12
n1 + n2
2
σ 2
)
⇒ x- y ～ (
N 0.05 , ( 0.01)
25
2
+ (0.03) 2
30 )
5.11
(a)
∞  
   
       




  

 

 
  


∞      
  
   


 


 
 
  

   
 

에서    로 두면,    
   ＜   이므로

∞ 

  
 


           
      

 
 
  


∞ 
 
    


   

   
      




    

- 3 -
 
   

(b)   ′            


  

    
      ′    


  
    
(c)   ″                
 
       ″  


 
   

    

       ″     ′  

         

5.12
  ∼     ,   ∼     인 분포를 하면,        는     인 분포를 따른다.

5.13
(a) t - 분포의 확률밀도함수는

f (x ) =
Γ( n +2 1 ) ( 1 + x ) 2
- (n +
2
1)

n ( n2 )
πΓ
n

=
( n +2 1 ) ( 1 + x )
Γ 2
- (n +
2
1)

n ( n2 ) ( 12 )
Γ Γ
n
- (n + 1)

)( ) 2
1 + xn
2
= 1
(
n Β n2 , 12
이므로 E ( X ) 는 다음과 같이 구해진다.
- (n + 1)

)( )
=⌠
2
1 + xn
2
∞ 1
E( X ) ⌡ -∞
x
(
n Β n2 , 12
dx

- (n + 1)

=
(
n Β n2 , 12
1
)
⌠
⌡
∞

-∞
(
x 1 + xn
2
) 2
dx

=0

- 4 -
(b)
- (n+ 1)

)( )
=⌠
2
1 + xn
2
∞ 1
E( X )
2
⌡ -∞
x 2

(
n Β n2 , 12
dx

- (n+ 1)

=
(
n Β n2 , 12
1
)
⌠
⌡- ∞ x 2
∞
1 + x2
n ( ) 2
dx

- (n + 1)

=
nΒ (
2
n , 1
)
⌠
⌡ 0
∞
(
x 1 + xn
2
) 2
xdx
2 2

이므로, 이때 ( 1 + xn ) 2 -1
= t로 두면 x2 = n (1 - t )t - 1 , xdx = - n 2 dt
2t ( )
이다. 따라서

E( X 2 ) = 2 ⌠
⌡
0
n (1 - t ) 2 t
1 - 12
⋅t
n+1
2
( - 2nt ) dt
nΒ ( n , 1
2 2 ) 1
2

= n 2
⌠
⌡ t
n
1
2 - 1- 1
(1- t)
1
2 + 1- 1
dt
(
n Β n2 , 12 0
)
=
Β
n
n
(2 2)
, 1 Β
2 (
n -1 , 3 ,
2 ) ( n -1
2 에서 n ＞2 )
=n
Γ ( n +1
2 ) ( n2 -1) ( 32 )
Γ Γ

Γ ( 12 ) ( n2 ) ( n +1
Γ
2 ) Γ

=n
Γ ( n2 -1)( 12 ) ( 12 ) Γ

Γ ( 12 )( n2 -1) ( n2 -1) Γ
n
= n -2

이 된다. 그러므로, Var ( X ) 는 다음과 같이 구해진다.

Var ( X ) = E ( X 2 ) - [ E ( X ) ] 2
n - 02
= n -2
n
= n -2

- 5 -
5.14

X = x- μ 에서 x = 47.8
10 = 4.78
s/ n

  
  
   
  


     ․   ≒ 
 
  

⇒X = 4.78 - 4.55 ≒0.487

1.495/ 10

5.15
자유도가 ( n 1 - 1 , n 2 - 1 )인 F 분포이다.

5.16
(a) U , V 가 각각 자유도가 n 1 과 n 2 인 χ 2 - 분포를 따르므로 E ( U ) = n 1 이고,
E ( V ) = n 2 임을 알고 있다. 또한 U , V 가 서로 독립이므로
n 1
E (X ) = n 2 E (U )E V
1
( ) 에서

 
∞
  

  



 
    
   

 

   
  









     ∞


    

   



  

 

      
    



 


 





  

 

 
  
      
  

 
  
이다. 따라서
  
     ⋅ ⋅      ＞ 
      

- 6 -
(b) E ( U ) =n 1 이고, E ( U 2 ) = n 1 2 + 2n 1 이므로 Var ( U ) = 2n 1 라는 사실과

E ( V ) = n 2 이고, E ( V 2 ) = n 2 2 +2n 2 이므로 Var ( V ) = 2n 2 라는 사실을 알고 있다.

n
( ) E ( U ) E ( V1 )
E (X 2 ) = n 2
1
2
2
2 에서

 
∞

  
     

        
 

  



 







  

  ∞


     

   
   

 

     


    
 




  





 

 


 
        
   

 
      

이다. 따라서


 

     

    

      


    
 

 
 
     

n2
와 같이 되며, E ( X ) = n -2 이므로
2

             
 
    
  

 
      
 

    
      
    ＞ 
        
을 얻는다.

- 7 -
5.17
   ×  
표본비율 


   ≈     을 따른다. 그러므로
  

  
   ∼   을 따르게 된다.
 
따라서

     

 
    ≤      ≤      ≤ 
   


≒  ×      

5.18
다음과 같이 난수를 생성하자.

(a) E열에 각 행의       으로부터 얻은 표본의 평균을 구하기 위해 다음과 같은 수식

을 사용한다.
E1=Average(A1:D1)
이후 E100까지 복사하여 계산한 결과를 얻는다.

- 8 -
 (b) [데이터분석]⇒[기술통계법]을 활용하여 평균과 분산을 구하여 비교한다.
Column1

평균 2.9075
표준 오차 0.07059
중앙값 2.75
최빈값 2.75
표준 편차 0.705905
분산 0.498302
첨도 0.118171
왜도 0.342561
범위 3.75
최소값 1.25
최대값 5
합 290.75
관측수 100

(c)

5.19
먼저 다음과 같이 자료를 입력한다.

[데이터분석]⇒[난수생성]을 통해 난수를 생성한다.

- 9 -
 이때 분포는 이산분포를 선택하고 종료(A)에 위에서 입력한 내용을 선택하여 설정해준다.
그러면 원하는 결과를 얻을 수 있다.

5.20
원래의 모집단의 평균과 분산을 구하면 각각  이다. 그런데 표본이   인 경우
평균과 분산은 이론적으로 3.5, 1.458이고,   인 경우의 평균과 분산은 3.5, 0.972이다.
그래서 엑셀을 이용하여 난수를 생성하여 구한 평균과 분산은 아래와 같다.

이 결과를 보면 이론적 결과에 어느 정도 근사함을 알 수 있다.

- 10 -