常用统计量
1、样本均值：
X
ˉ
=
1
n
∑
i
=
1
n
X
i
\bar{X}=\frac{1}{n} \sum_{i=1}^{n} X_{i}
Xˉ=n1∑i=1nXi.
2、样本方差：
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
S^{2}=\frac{1}{n-1} \sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2}
S2=n−11∑i=1n(Xi−Xˉ)2.
常见分布
正态分布
X
∼
N
(
μ
,
σ
2
)
X \sim N\left(\mu, \sigma^{2}\right)
X∼N(μ,σ2)
则其概率密度函数为
f
(
x
)
=
1
σ
2
π
e
−
(
x
−
μ
)
2
2
σ
2
{\displaystyle f(x)={\frac {1}{\sigma {\sqrt {2\pi }}}}\;e^{-{\frac {\left(x-\mu \right)^{2}}{2\sigma ^{2}}}}\!}
f(x)=σ2π1e−2σ2(x−μ)2
期望：
E
(
X
)
=
μ
E(X)=\mu
E(X)=μ
方差：
D
(
X
)
=
σ
2
D(X)=\sigma^{2}
D(X)=σ2
标准化：
X
−
μ
σ
2
∼
N
(
0
,
1
)
\frac{X-\mu}{\sigma^{2}} \sim N(0,1)
σ2X−μ∼N(0,1).
对数正态分布
在概率论与统计学中，任意随机变量的对数服从正态分布,则这个随机变量服从的分布称为对数正态分布。如果
Y
{\displaystyle Y}
Y 是正态分布的随机变量，则
exp
(
Y
)
{\displaystyle \exp(Y)}
exp(Y)（指数函数）为对数正态分布；同样，如果
X
{\displaystyle X}
X 是对数正态分布，则
ln
X
{\displaystyle \ln X}
lnX为正态分布。 如果一个变量可以看作是许多很小独立因子的乘积，则这个变量可以看作是对数正态分布。一个典型的例子是股票投资的长期收益率，它可以看作是每天收益率的乘积。 对于
x
>
0
{\displaystyle x>0}
x>0，对数正态分布的概率密度函数为
f
(
x
;
μ
,
σ
)
=
1
x
σ
2
π
e
−
(
ln
x
−
μ
)
2
/
2
σ
2
{\displaystyle f(x;\mu ,\sigma )={\frac {1}{x\sigma {\sqrt {2\pi }}}}e^{-(\ln x-\mu )^{2}/2\sigma ^{2}}}
f(x;μ,σ)=xσ2π1e−(lnx−μ)2/2σ2
其中
μ
{\displaystyle \mu }
μ 与
σ
{\displaystyle \sigma }
σ 分别是变量对数的平均值与标准差。它的期望值是
E
(
X
)
=
e
μ
+
σ
2
/
2
{\displaystyle \mathrm {E} (X)=e^{\mu +\sigma ^{2}/2}}
E(X)=eμ+σ2/2
方差为
v
a
r
(
X
)
=
(
e
σ
2
−
1
)
e
2
μ
+
σ
2
.
{\displaystyle \mathrm {var} (X)=(e^{\sigma ^{2}}-1)e^{2\mu +\sigma ^{2}}.\,}
var(X)=(eσ2−1)e2μ+σ2.
给定期望值与方差，也可以用这个关系求
μ
{\displaystyle \mu }
μ 与
σ
{\displaystyle \sigma }
σ
μ
=
ln
(
E
(
X
)
)
−
1
2
ln
(
1
+
v
a
r
(
X
)
E
(
X
)
2
)
,
{\displaystyle \mu =\ln(\mathrm {E} (X))-{\frac {1}{2}}\ln \left(1+{\frac {\mathrm {var} (X)}{\mathrm {E} (X)^{2}}}\right),}
μ=ln(E(X))−21ln(1+E(X)2var(X)),
σ
2
=
ln
(
1
+
v
a
r
(
X
)
E
(
X
)
2
)
.
{\displaystyle \sigma ^{2}=\ln \left(1+{\frac {\mathrm {var} (X)}{\mathrm {E} (X)^{2}}}\right).}
σ2=ln(1+E(X)2var(X)).
χ 2 \chi^{2} χ2分布
若
X
1
,
X
2
,
…
X
n
∼
N
(
0
,
1
)
X_{1}, X_{2}, \ldots X_{n} \sim N(0,1)
X1,X2,…Xn∼N(0,1)，则
X
=
∑
i
=
1
n
X
i
2
∼
χ
2
(
v
)
X=\sum_{i=1}^{n} X_{i}^{2} \sim \chi^{2}(v)
X=i=1∑nXi2∼χ2(v)
自由度
v
=
n
−
k
v=n-k
v=n−k（其中 ，
k
k
k为限制条件数）
E ( X ) = v , D ( X ) = 2 v E(X)=v,D(X)=2v E(X)=v,D(X)=2v
若 χ 2 ( v 1 ) , χ 2 ( v 2 ) \chi^{2}(v_{1}),\chi^{2}(v_{2}) χ2(v1),χ2(v2)互相独立，则 χ 2 ( v 1 ) + χ 2 ( v 2 ) \chi^{2}(v_{1})+\chi^{2}(v_{2}) χ2(v1)+χ2(v2)服从 分布，自由度为 v 1 + v 2 v_{1}+v_{2} v1+v2
如果将总体中的方差 σ 2 σ^{2} σ2用样本方差 s 2 s^{2} s2代替，它是否也服从 χ 2 \chi^{2} χ2分布呢？理论上可以证明，它是服从 χ 2 \chi^{2} χ2分布的，但是参数 v v v不是 n n n而是 n − 1 n-1 n−1了，究其原因在于它是 n − 1 n-1 n−1个独立同分布于标准正态分布的随机变量的平方和
我们常常把一个式子中独立变量的个数称为这个式子的“自由度”，确定一个式子自由度的方法是：若式子包含有 n n n个变量，其中 k k k个被限制的样本统计量，则这个表达式的自由度为 n − k n-k n−k。比如中包含 ξ 1 ， ξ 2 ， … ， ξ n ξ_{1}，ξ_{2}，…，ξ_{n} ξ1，ξ2，…，ξn这 n n n个变量，其中 ξ 1 . . . ξ n − 1 ξ_{1}...ξ_{n-1} ξ1...ξn−1相互独立， ξ n ξ_{n} ξn为其余变量的平均值，因此自由度为 n − 1 n-1 n−1。
有这样一个式子：
(
n
−
1
)
s
2
σ
2
∼
χ
2
(
n
−
1
)
\frac{(n-1) s^{2}}{\sigma^{2}} \sim \chi^{2}(n-1)
σ2(n−1)s2∼χ2(n−1)
其中
s
2
s^{2}
s2为样本的标准差。该式子的含义是
(
n
−
1
)
∗
(n-1)*
(n−1)∗样本方差与总体方差之比服从自由度为
n
−
1
n-1
n−1的卡方分布。而且，
X
ˉ
\bar X
Xˉ与
s
2
s^{2}
s2相互独立。证明
t t t分布(学生分布)
若
X
∼
N
(
0
,
1
)
X \sim N(0,1)
X∼N(0,1)，
Y
∼
χ
2
(
n
)
Y \sim \chi^{2}(n)
Y∼χ2(n)，且
X
,
Y
X,Y
X,Y相互独立：
t
=
X
Y
n
∼
t
(
n
)
t=\frac{X}{\sqrt{\frac{Y}{n}}} \sim t(n)
t=nYX∼t(n)
自由度为
n
n
n.
F F F分布
若
X
∼
χ
2
(
n
1
)
X \sim \chi^{2}\left(n_{1}\right)
X∼χ2(n1)，
Y
∼
χ
2
(
n
2
)
Y \sim \chi^{2}\left(n_{2}\right)
Y∼χ2(n2)，且
X
,
Y
X,Y
X,Y相互独立：
F
=
X
/
n
1
Y
/
n
2
∼
F
(
n
1
,
n
2
)
F=\frac{X / n_{1}}{Y / n_{2}} \sim F\left(n_{1}, n_{2}\right)
F=Y/n2X/n1∼F(n1,n2)
自由度
n
1
,
n
2
n_{1}, n_{2}
n1,n2.
参数区间估计
正态总体参数的置信区间——枢轴变量法
求 μ \mu μ的置信度为 1 − α 1-\alpha 1−α的置信区间
目的是要找 P ( μ ∈ ( X ˉ − δ , X ˉ + δ ) ) = 1 − α P(\mu \in(\bar{X}-\delta,\bar{X}+\delta))=1-\alpha P(μ∈(Xˉ−δ,Xˉ+δ))=1−α
-
当 σ 2 \sigma^{2} σ2已知时： ( μ ‾ , μ ˉ ) = ( X ˉ − z α / 2 σ n , X ˉ + z α / 2 σ n ) (\underline{\mu}, \bar{\mu})=\left(\bar{X}-z_{\alpha / 2} \frac{\sigma}{\sqrt{n}}, \bar{X}+z_{\alpha / 2} \frac{\sigma}{\sqrt{n}}\right) (μ,μˉ)=(Xˉ−zα/2nσ,Xˉ+zα/2nσ)
-
当 σ 2 \sigma^{2} σ2未知时： ( X ˉ − t α / 2 ( n − 1 ) S n , X ˉ + t α / 2 ( n − 1 ) S n ) \left(\bar{X}-t_{\alpha / 2}(n-1) \frac{S}{\sqrt{n}}, \bar{X}+t_{\alpha / 2}(n-1) \frac{S}{\sqrt{n}}\right) (Xˉ−tα/2(n−1)nS,Xˉ+tα/2(n−1)nS)
推导过程：
大样本情况下, 由中心极限定理可知:
不论
X
i
∼
i
i
d
f
(
μ
,
σ
2
)
X_{i} \stackrel{iid}\sim f\left(\mu, \sigma^{2}\right)
Xi∼iidf(μ,σ2)(任意分布)，有
∑
i
=
1
n
X
i
n
→
∞
N
(
n
μ
,
n
σ
2
)
\sum_{i=1}^{n} X_{i}^{n \rightarrow \infty} N\left(n \mu, n \sigma^{2}\right)
i=1∑nXin→∞N(nμ,nσ2)
X
ˉ
\bar X
Xˉ与
S
2
S^{2}
S2相互独立, 且
E
(
X
ˉ
)
=
μ
,
D
(
X
ˉ
)
=
1
n
σ
2
,
E
(
S
2
)
=
σ
2
E \left(\bar X\right)=\mu,D(\bar X)=\frac{1}{n}σ^{2},E(S^{2})=σ^{2}
E(Xˉ)=μ,D(Xˉ)=n1σ2,E(S2)=σ2.
下面就可以根据样本统计量得到关于被估计参数测量值的分布情况:
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
S^{2}=\frac{1}{n-1} \sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2}
S2=n−11i=1∑n(Xi−Xˉ)2
(
n
−
1
)
S
2
σ
2
=
∑
i
=
1
n
(
X
i
−
X
ˉ
σ
)
2
∼
χ
2
(
n
−
1
)
\frac{(n-1) S^{2}}{\sigma^{2}}=\sum_{i=1}^{n}\left(\frac{X_{i}-\bar{X}}{\sigma}\right)^{2} \sim \chi^{2}(n-1)
σ2(n−1)S2=i=1∑n(σXi−Xˉ)2∼χ2(n−1)
X
ˉ
−
μ
S
n
=
X
ˉ
−
μ
σ
/
n
S
/
σ
=
X
ˉ
−
μ
σ
/
n
(
n
−
1
)
S
2
/
σ
2
n
−
1
∼
t
(
n
−
1
)
\frac{\bar{X}-\mu}{\frac{S}{\sqrt{n}}}=\frac{\frac{\bar{X}-\mu}{\sigma / n}}{S / \sigma}=\frac{\frac{\bar{X}-\mu}{\sigma / \sqrt{n}}}{\sqrt{\frac{(n-1) S^{2} / \sigma^{2}}{n-1}}} \sim t(n-1)
nSXˉ−μ=S/σσ/nXˉ−μ=n−1(n−1)S2/σ2σ/nXˉ−μ∼t(n−1)
到此, 得到了
t
t
t分布,
t
t
t分布为已知分布, 置信区间自然唾手可得:
P
(
∣
X
ˉ
−
μ
S
/
n
∣
<
δ
S
/
n
)
=
1
−
α
P\left(\left|\frac{\bar{X}-\mu}{S / \sqrt{n}}\right|<\frac{\delta}{S / \sqrt{n}}\right)=1-\alpha
P(∣∣∣∣S/nXˉ−μ∣∣∣∣<S/nδ)=1−α
P
(
∣
t
∣
<
t
α
2
(
n
−
1
)
)
=
1
−
α
P\left(|t|<t_{\frac{\alpha}{2}}(n-1)\right)=1-\alpha
P(∣t∣<t2α(n−1))=1−α
δ
=
t
α
2
(
n
−
1
)
S
n
\delta=t_{\frac{\alpha}{2}}(n-1) \frac{S}{\sqrt{n}}
δ=t2α(n−1)nS
方差 σ 2 \sigma^{2} σ2的置信度 1 − α 1−\alpha 1−α置信区间
-
若 μ \mu μ已知： ( ∑ i = 1 n ( X i − μ ) 2 χ α / 2 2 ( n ) , ∑ i = 1 n ( X i − μ ) 2 χ 1 − α / 2 2 ( n ) ) \left(\frac{\sum_{i=1}^{n}\left(X_{i}-\mu\right)^{2}}{ \chi_{\alpha / 2}^{2}(n)}, \frac{\sum_{i=1}^{n}\left(X_{i}-\mu\right)^{2}}{\chi_{1-\alpha / 2}^{2}(n)}\right) (χα/22(n)∑i=1n(Xi−μ)2,χ1−α/22(n)∑i=1n(Xi−μ)2)
-
若 μ \mu μ未知： [ ∑ i = 1 n ( X i − X ˉ ) 2 χ n − 1 2 ( α / 2 ) , ∑ i = 1 n ( X i − X ˉ ) 2 χ n − 1 2 ( 1 − α / 2 ) ] \left[\frac{\sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2}}{\chi_{n-1}^{2}(\alpha / 2)}, \frac{\sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^{2}}{\chi_{n-1}^{2}(1-\alpha / 2)}\right] [χn−12(α/2)∑i=1n(Xi−Xˉ)2,χn−12(1−α/2)∑i=1n(Xi−Xˉ)2]
两个正态总体参数差异性的置信区间
两个总体均值差 μ 1 − μ 2 \mu_{1} − \mu_{2} μ1−μ2的置信区间
- 设
σ
1
2
,
σ
2
2
\sigma_{1}^{2}, \sigma_{2}^{2}
σ12,σ22均为已知
X ˉ − Y ˉ ∼ N ( μ 1 − μ 2 , σ 1 2 n 1 + σ 2 2 n 2 ) \bar{X}-\bar{Y} \sim N\left(\mu_{1}-\mu_{2}, \frac{\sigma_{1}^{2}}{n_{1}}+\frac{\sigma_{2}^{2}}{n_{2}}\right) Xˉ−Yˉ∼N(μ1−μ2,n1σ12+n2σ22)
及
Z = ( X ˉ − Y ˉ ) − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 ∼ N ( 0 , 1 ) Z=\frac{(\bar{X}-\bar{Y})-\left(\mu_{1}-\mu_{2}\right)}{\sqrt{\frac{\sigma_{1}^{2}}{n_{1}}+\frac{\sigma_{2}^{2}}{n_{2}}}} \sim N(0,1) Z=n1σ12+n2σ22(Xˉ−Yˉ)−(μ1−μ2)∼N(0,1)
μ 1 , μ 2 \mu_{1} , \mu_{2} μ1,μ2的置信度为 1 − α 1-\alpha 1−α的置信区间为
( X ˉ − Y ˉ ± Z α / 2 σ 1 2 n 1 + σ 2 2 n 2 ) \left(\bar{X}-\bar{Y} \pm Z_{\alpha / 2} \sqrt{\frac{\sigma_{1}^{2}}{n_{1}}+\frac{\sigma_{2}^{2}}{n_{2}}}\right) ⎝⎛Xˉ−Yˉ±Zα/2n1σ12+n2σ22⎠⎞ - 设
σ
1
2
=
σ
2
2
=
σ
2
\sigma_{1}^{2}=\sigma_{2}^{2}=\sigma^{2}
σ12=σ22=σ2, 但
σ
2
\sigma^{2}
σ2为未知.
仿上
Z = ( X ˉ − Y ˉ ) − ( μ 1 − μ 2 ) σ 1 n 1 + 1 n 2 ∼ N ( 0 , 1 ) Z=\frac{(\bar{X}-\bar{Y})-\left(\mu_{1}-\mu_{2}\right)}{\sigma \sqrt{\frac{1}{n_{1}}+\frac{1}{n_{2}}}} \sim N(0,1) Z=σn11+n21(Xˉ−Yˉ)−(μ1−μ2)∼N(0,1)
K i 2 = ( n i − 1 ) S i 2 σ 2 ∼ χ 2 ( n i − 1 ) , i = 1 , 2 K_{i}^{2}=\frac{\left(n_{i}-1\right) S_{i}^{2}}{\sigma^{2}} \sim \chi^{2}\left(n_{i}-1\right), \quad i=1,2 Ki2=σ2(ni−1)Si2∼χ2(ni−1),i=1,2
由两个总体独立，故 K 1 2 K_{1}^{2} K12和 K 2 2 K_{2}^{2} K22独立，由Cochran 定理，
K 1 2 + K 2 2 ∼ χ 2 ( n 1 + n 2 − 2 ) K_{1}^{2}+K_{2}^{2} \sim \chi^{2}\left(n_{1}+n_{2}-2\right) K12+K22∼χ2(n1+n2−2)
T = Z ( K 1 2 + K 2 2 ) / ( n 1 + n 2 − 2 ) ∼ t ( n 1 + n 2 − 2 ) T=\frac{Z}{\sqrt{\left(K_{1}^{2}+K_{2}^{2}\right) /\left(n_{1}+n_{2}-2\right)}} \sim t\left(n_{1}+n_{2}-2\right) T=(K12+K22)/(n1+n2−2)Z∼t(n1+n2−2)
注意 ( K 1 2 + K 2 2 ) / ( n 1 + n 2 − 2 ) = S w 2 / σ 2 \left(K_{1}^{2}+K_{2}^{2}\right) /\left(n_{1}+n_{2}-2\right)=S_{w}^{2} / \sigma^{2} (K12+K22)/(n1+n2−2)=Sw2/σ2
此处
S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 = ( n 1 + n 2 − 2 ) − 1 [ ∑ 2 n 1 ( X i − X ˉ ) 2 + ∑ n 2 ( Y i − Y ˉ ) 2 ] \begin{aligned} S_{w}^{2}&=\frac{\left(n_{1}-1\right) S_{1}^{2}+\left(n_{2}-1\right) S_{2}^{2}}{n_{1}+n_{2}-2} \\ &=\left(n_{1}+n_{2}-2\right)^{-1}\left[\sum_{2}^{n_{1}}\left(X_{i}-\bar{X}\right)^{2}+\sum^{n_{2}}\left(Y_{i}-\bar{Y}\right)^{2}\right] \end{aligned} Sw2=n1+n2−2(n1−1)S12+(n2−1)S22=(n1+n2−2)−1[2∑n1(Xi−Xˉ)2+∑n2(Yi−Yˉ)2]
( X ˉ − Y ˉ ) − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 ∼ t ( n 1 + n 2 − 2 ) \frac{(\bar{X}-\bar{Y})-\left(\mu_{1}-\mu_{2}\right)}{S_{w} \sqrt{\frac{1}{n_{1}}+\frac{1}{n_{2}}}} \sim t\left(n_{1}+n_{2}-2\right) Swn11+n21(Xˉ−Yˉ)−(μ1−μ2)∼t(n1+n2−2)
从而可得 μ 1 , μ 2 \mu_{1},\mu_{2} μ1,μ2的置信区间为
( X ˉ − Y ˉ ± t α / 2 ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 ) \left(\bar{X}-\bar{Y} \pm t_{\alpha / 2}\left(n_{1}+n_{2}-2\right) S_{w} \sqrt{\frac{1}{n_{1}}+\frac{1}{n_{2}}}\right) (Xˉ−Yˉ±tα/2(n1+n2−2)Swn11+n21)
两个总体方差比 σ 1 2 / σ 2 2 \sigma_{1}^{2} / \sigma_{2}^{2} σ12/σ22的置信区间
-
若 μ 1 , μ 2 \mu_{1},\mu_{2} μ1,μ2已知
则
S 1 2 = 1 m ∑ i = 1 m ( X i − μ 1 ) 2 , S 2 2 = 1 n ∑ i = 1 n ( Y i − μ 2 ) 2 S_{1}^{2}=\frac{1}{m} \sum_{i=1}^{m}\left(X_{i}-\mu_{1}\right)^{2}, S_{2}^{2}=\frac{1}{n} \sum_{i=1}^{n}\left(Y_{i}-\mu_{2}\right)^{2} S12=m1i=1∑m(Xi−μ1)2,S22=n1i=1∑n(Yi−μ2)2
S 1 2 / σ 1 2 S 2 2 / σ 2 2 ∼ F ( n 1 , n 2 ) \frac{S_{1}^{2} / \sigma_{1}^{2}}{S_{2}^{2} / \sigma_{2}^{2}} \sim F\left(n_{1}, n_{2}\right) S22/σ22S12/σ12∼F(n1,n2)
1 − α = P ( F 1 − α / 2 ( n 1 , n 2 ) < S 1 2 / σ 1 2 S 2 2 / σ 2 2 < F α / 2 ( n 1 , n 2 ) ) 1-\alpha=P\left(F_{1-\alpha / 2}\left(n_{1}, n_{2}\right)<\frac{S_{1}^{2} / \sigma_{1}^{2}}{S_{2}^{2} / \sigma_{2}^{2}}<F_{\alpha / 2}\left(n_{1}, n_{2}\right)\right) 1−α=P(F1−α/2(n1,n2)<S22/σ22S12/σ12<Fα/2(n1,n2))
再利用不等式的等价变形, 得到 σ 1 2 / σ 2 2 \sigma_{1}^{2} / \sigma_{2}^{2} σ12/σ22的置信系数为 1 − α 1 − \alpha 1−α的置信区间为
[ S 1 2 S 2 2 ⋅ 1 F n 1 , n 2 ( α / 2 ) , S 1 2 S 2 2 ⋅ 1 F n 1 , n 2 ( 1 − α / 2 ) ] \left[\frac{S_{1}^{2}}{S_{2}^{2}} \cdot \frac{1}{F_{n_{1}, n_{2}}(\alpha / 2)}, \frac{S_{1}^{2}}{S_{2}^{2}} \cdot \frac{1}{F_{n_{1}, n_{2}}(1-\alpha / 2)}\right] [S22S12⋅Fn1,n2(α/2)1,S22S12⋅Fn1,n2(1−α/2)1]
-
若 μ 1 , μ 2 \mu_{1},\mu_{2} μ1,μ2未知
( n 1 − 1 ) S 1 2 / σ 1 2 ∼ χ n 1 − 1 2 , ( n 2 − 1 ) S 2 2 / σ 2 2 ∼ χ n 2 − 1 2 (n_{1}-1) S_{1}^{2} / \sigma_{1}^{2} \sim \chi_{n_{1}-1}^{2},(n_{2}-1) S_{2}^{2} / \sigma_{2}^{2} \sim \chi_{n_{2}-1}^{2} (n1−1)S12/σ12∼χn1−12,(n2−1)S22/σ22∼χn2−12
得到 σ 1 2 / σ 2 2 \sigma_{1}^{2} / \sigma_{2}^{2} σ12/σ22的置信系数为 1 − α 1 − \alpha 1−α的置信区间为
[ S 1 2 S 2 2 ⋅ 1 F n 1 − 1 , n 2 − 1 ( α / 2 ) , S 1 2 S 2 2 ⋅ 1 F n 1 − 1 , n 2 − 1 ( 1 − α / 2 ) ] \left[\frac{S_{1}^{2}}{S_{2}^{2}} \cdot \frac{1}{F_{n_{1}-1, n_{2}-1}(\alpha / 2)}, \frac{S_{1}^{2}}{S_{2}^{2}} \cdot \frac{1}{F_{n_{1}-1, n_{2}-1}(1-\alpha / 2)}\right] [S22S12⋅Fn1−1,n2−1(α/2)1,S22S12⋅Fn1−1,n2−1(1−α/2)1]
扫一扫
2119
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
