随机试验
- 基本概念：样本空间，样本点，事件
- 事件运算：交，差，并，补，德摩根定律
- 频率/概率：
A
n
n
\frac{A_n}{n}
nAn
- 概率类型：古典概型(等概率，离散)，几何概型(连续，面积)
- 联合概率
- 边缘概率
- 条件概率
- 乘法公式： P ( A B ) = P ( B ∣ A ) P ( A ) P(AB)=P(B|A)P(A) P(AB)=P(B∣A)P(A)
- 全概率公式： P ( B ) = P ( A 1 ) P ( B ∣ A 1 ) + . . . + P ( A n ) P ( B ∣ A n ) P(B)=P(A_1)P(B|A_1)+...+P(A_n)P(B|A_n) P(B)=P(A1)P(B∣A1)+...+P(An)P(B∣An)
- 贝叶斯公式： P ( A 1 ∣ B ) = P ( B ∣ A 1 ) P ( A 1 ) P ( B ) P(A_1|B)=\frac{P(B|A_1)P(A_1)}{P(B)} P(A1∣B)=P(B)P(B∣A1)P(A1)
- 事件相互独立/不相容
随机变量
- 离散型随机变量
- 0-1分布(伯努利)
- 分布律： p k ( 1 − p ) 1 − k p^k(1-p)^{1-k} pk(1−p)1−k
- 数学期望：p
- 方差：p(1-p)
- 二项分布(n重伯努利)
- 分布律： p k ( 1 − p ) n − k p^k(1-p)^{n-k} pk(1−p)n−k
- 数学期望：p
- 方差：np(1-p)
- 泊松分布
- 分布律： λ k k ! e − λ \frac{\lambda^k}{k!}e^{-\lambda} k!λke−λ
- 数学期望： λ \lambda λ ( λ ≈ n p \lambda \approx np λ≈np)
- 方差： λ \lambda λ
- 几何分布
- 分布律： p ( 1 − p ) k − 1 p(1-p)^{k-1} p(1−p)k−1
- 说明：第k次发生事件的概率
- 超几何分布
- 分布律： ( M m ) ( N − M n − m ) ( N n ) \frac{\binom{M}{m}\binom{N-M}{n-m}}{\binom{N}{n}} (nN)(mM)(n−mN−M)
- 说明：不放回抽样
- 0-1分布(伯努利)
- 连续型随机变量
- 均匀分布
- 概率密度： 1 b − a \frac{1}{b-a} b−a1
- 分布函数： x − a b − a \frac{x-a}{b-a} b−ax−a
- 数学期望： a + b 2 \frac{a+b}{2} 2a+b
- 方差： ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2
- 指数分布
- 概率密度： λ e − λ x \lambda e^{-\lambda x} λe−λx
- 分布函数： 1 − e − λ x 1-e^{-\lambda x} 1−e−λx
- 数学期望： 1 λ \frac{1}{\lambda} λ1
- 方差： 1 λ 2 \frac{1}{\lambda^2} λ21
- 正态分布
N
(
μ
,
σ
2
)
N(\mu,\sigma^2)
N(μ,σ2)
- 概率密度： 1 σ 2 π e ( x − μ ) 2 2 σ 2 \frac{1}{\sigma\sqrt{2\pi}}e^{\frac{(x-\mu)^2}{2\sigma^2}} σ2π1e2σ2(x−μ)2
- 分布函数： ∫ − ∞ + ∞ 1 2 π σ e ( x − μ ) 2 2 σ 2 d x \int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}\sigma}e^{\frac{(x-\mu)^2}{2\sigma^2}}dx ∫−∞+∞2πσ1e2σ2(x−μ)2dx
- 数学期望： μ \mu μ
- 方差： σ 2 \sigma^2 σ2
- 均匀分布
随机变量的函数
设： Y = g ( x ) Y=g(x) Y=g(x)，已知随机变量X得分布，则：随机变量Y的分布
- 离散型随机变量
- 通过X的分布律，和已知的y=g(x)的函数关系计算Y的分布律，从而得到Y的分布律。
- 数学期望： ∑ g ( x i ) p i \sum g(x_i)p_i ∑g(xi)pi
- 连续型随机变量
- 随机变量Y的密度函数： f Y ( y ) = f X ( g − 1 ( y ) ) ∣ [ g − 1 ( y ) ] ′ ∣ f_Y(y)=f_X(g^{-1}(y))|[g^{-1}(y)]^{'}| fY(y)=fX(g−1(y))∣[g−1(y)]′∣
- 数学期望： ∫ g ( x ) f ( x ) d x \int g(x)f(x)dx ∫g(x)f(x)dx
多维随机变量
- 联合分布
- f ( x , y ) = f X ( x ) f Y ( y ) f(x,y)=f_X(x)f_Y(y) f(x,y)=fX(x)fY(y) (X,Y相互独立)
- 边缘分布
- 条件分布
- 数学期望性质
- E ( C ) = C E(C) = C E(C)=C
- E ( X + Y ) = E ( X ) + E ( Y ) E(X+Y)=E(X)+E(Y) E(X+Y)=E(X)+E(Y)
- E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y) (X,Y相互独立)
- E ( C X ) = C E ( X ) E(CX)=CE(X) E(CX)=CE(X)
- 方差性质
- D ( C ) = 0 D(C)=0 D(C)=0
- D ( C X ) = C 2 D ( X ) D(CX)=C^2D(X) D(CX)=C2D(X)
- D ( X + Y ) = D ( X ) + D ( Y ) + 2 C o v ( X , Y ) D(X+Y)=D(X)+D(Y)+2Cov(X,Y) D(X+Y)=D(X)+D(Y)+2Cov(X,Y), 若X,Y相互独立，则有： D ( X + Y ) = D ( X ) + D ( Y ) D(X+Y)=D(X)+D(Y) D(X+Y)=D(X)+D(Y). 注： C o v ( X , Y ) = E [ ( X − X ‾ ) ( Y − Y ‾ ) ] Cov(X,Y)=E[(X-\overline{X})(Y-\overline{Y})] Cov(X,Y)=E[(X−X)(Y−Y)]
- 协方差与相关系数
- 协方差：Cov(X,Y)
- 相关系数： ρ = C o v ( X , Y ) D ( X ) D ( Y ) \rho=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}} ρ=D(X)D(Y)Cov(X,Y)
- 性质：
- Cov(X,X) = D(X)
- Cov(X,Y) = Cov(Y,X)
- Cov(aX, bY) = abCov(X,Y)
- Cov(X+Y, Z) = Cov(X,Z) + Cov(Y,Z)
- D ( X ) D ( Y ) ≥ C o v 2 ( X , Y ) D(X)D(Y) \ge Cov^2(X,Y) D(X)D(Y)≥Cov2(X,Y)
- 两个随机变量函数的分布
- X+Y
- 离散型：类似一维情况，写出Z=X+Y的分布律。
- 注：对于泊松,二项分布，满足加法叠加性质。
- 连续型：卷积公式
- f Z ( z ) = ∫ f ( z − y , y ) d y f_Z(z)=\int f(z-y,y)dy fZ(z)=∫f(z−y,y)dy
- 若X,Y相互独立， f Z ( z ) = ∫ f X ( z − y ) f Y ( y ) d y f_Z(z)=\int f_X(z-y)f_Y(y)dy fZ(z)=∫fX(z−y)fY(y)dy
- 注: 对于正态分布，满足加法叠加性质
- 离散型：类似一维情况，写出Z=X+Y的分布律。
- Max(X,Y) / Min(X,Y)
- M a x ( X , Y ) = F X ( x ) F Y ( y ) Max(X,Y)=F_X(x)F_Y(y) Max(X,Y)=FX(x)FY(y)
- M i n ( X , Y ) = 1 − ( 1 − F X ( x ) ( ) 1 − F Y ( y ) ) Min(X,Y)=1-(1-F_X(x)()1-F_Y(y)) Min(X,Y)=1−(1−FX(x)()1−FY(y))
- X+Y
大数定理
- 切比雪夫不等式
- P { X ≥ ϵ } ≤ E ( X ) ϵ P\{X \ge \epsilon\}\le\frac{E(X)}{\epsilon} P{X≥ϵ}≤ϵE(X)
- P { ∣ X − μ ∣ ≤ ϵ } ≥ 1 − σ 2 ϵ 2 P\{|X-\mu|\le\epsilon\}\ge1-\frac{\sigma^2}{\epsilon^2} P{∣X−μ∣≤ϵ}≥1−ϵ2σ2
- 大数定理
- lim n − > + ∞ P { ∣ X − E ( X ) ∣ < ϵ } = 1 即： X − > P E ( X ) \lim_{n->+\infty}P\{|X-E(X)|\lt\epsilon\}=1即：X ->^PE(X) limn−>+∞P{∣X−E(X)∣<ϵ}=1即：X−>PE(X)
- lim n − > + ∞ P { ∣ E ( X ) − μ ∣ < ϵ } = 1 即： E ( X ) − > P μ \lim_{n->+\infty}P\{|E(X)-\mu|\lt\epsilon\}=1即：E(X)->^P\mu limn−>+∞P{∣E(X)−μ∣<ϵ}=1即：E(X)−>Pμ
- 伯努利大数定理: lim n − > + ∞ P { ∣ A n n − p ∣ < ϵ } = 1 \lim_{n->+\infty}P\{|\frac{A_n}{n}-p|\lt\epsilon\}=1 limn−>+∞P{∣nAn−p∣<ϵ}=1
中心极限定理
-
X
i
相互独立情况
X_i相互独立情况
Xi相互独立情况
- lim n − > + ∞ P { ∑ ( X i − μ i ) ∑ σ 2 ≤ x } ∼ Φ ( x ) \lim_{n->+\infty}P\{\frac{\sum(X_i-\mu_i)}{\sqrt{\sum\sigma^2}}\le x\}\sim\Phi(x) limn−>+∞P{∑σ2∑(Xi−μi)≤x}∼Φ(x)
- 独立同分布情况
- lim n − > + ∞ P { ∑ X i − n μ σ n ≤ x } ∼ Φ ( x ) \lim_{n->+\infty}P\{\frac{\sum X_i-n\mu}{\sigma\sqrt{n}}\le x\}\sim\Phi(x) limn−>+∞P{σn∑Xi−nμ≤x}∼Φ(x)
- 独立同分布，且
X
i
X_i
Xi为0-1分布
- lim n − > + ∞ P { ∑ X i − n p n p ( 1 − p ) ≤ x } ∼ Φ ( x ) \lim_{n->+\infty}P\{\frac{\sum X_i-np}{\sqrt{np(1-p)}}\le x\}\sim\Phi(x) limn−>+∞P{np(1−p)∑Xi−np≤x}∼Φ(x)
抽样分布
- 统计量
- 样本均值： X ‾ = 1 n ∑ X i \overline{X}=\frac{1}{n}\sum X_i X=n1∑Xi
- 样本方差： S 2 = 1 n − 1 ∑ ( X i − X ‾ ) 2 S^2=\frac{1}{n-1}\sum(X_i-\overline{X})^2 S2=n−11∑(Xi−X)2
- k阶原点矩： A k = 1 n ∑ X i k A_k=\frac{1}{n}\sum X_i^k Ak=n1∑Xik
- k阶中心矩： B k = 1 n ∑ ( X i − X ‾ ) k B_k=\frac{1}{n}\sum(X_i-\overline{X})^k Bk=n1∑(Xi−X)k
- E ( X ‾ ) = μ ; D ( X ‾ ) = σ 2 n E(\overline{X})=\mu;D(\overline{X})=\frac{\sigma^2}{n} E(X)=μ;D(X)=nσ2
- 伽马函数： γ ( n ) = ∫ 0 + ∞ e − x x n − 1 d x \gamma(n)=\int_{0}^{+\infty}e^{-x}x^{n-1}dx γ(n)=∫0+∞e−xxn−1dx
- 常用分布函数
- 单正态抽样分布
- 卡方分布：
ϰ
2
(
n
)
\varkappa^2(n)
ϰ2(n)
- 说明：标准正态分布的平方和
- 数学期望：n
- 方差：2n
- ( n − 1 ) S 2 σ 2 ∼ ϰ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2}\sim\varkappa^2(n-1) σ2(n−1)S2∼ϰ2(n−1)
- T分布：t(n)
- 说明： N ( 0 , 1 ) ϰ 2 ( n ) n ∼ t ( n ) \frac{N(0,1)}{\sqrt{\frac{\varkappa^2(n)}{n}}}\sim t(n) nϰ2(n)N(0,1)∼t(n)
- 数学期望：0
- 方差： n n − 2 \frac{n}{n-2} n−2n
- X ‾ − μ S / n ∼ t ( n − 1 ) \frac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1) S/nX−μ∼t(n−1)
- F分布：F(m,n)
- 说明： ϰ 2 ( m ) / m ϰ 2 ( n ) / n ∼ F ( m , n ) \frac{\varkappa^2(m)/m}{\varkappa^2(n)/n}\sim F(m,n) ϰ2(n)/nϰ2(m)/m∼F(m,n)
- 数学期望： n n − 2 \frac{n}{n-2} n−2n
- 方差： 2 n 2 ( m + n − 2 ) m ( n − 2 ) ( n − 4 ) \frac{2n^2(m+n-2)}{m(n-2)(n-4)} m(n−2)(n−4)2n2(m+n−2)
- 1 F ( m , n ) = F ( n , m ) \frac{1}{F(m,n)}=F(n,m) F(m,n)1=F(n,m)
- [ t ( n ) ] 2 = F ( 1 , n ) [t(n)]^2=F(1,n) [t(n)]2=F(1,n)
- 卡方分布：
ϰ
2
(
n
)
\varkappa^2(n)
ϰ2(n)
- 双正态抽样分布
- 均值差相关分布
- 标准正态分布：N(0,1)
- N ( 0 , 1 ) ∼ ( X ‾ − Y ‾ ) − ( μ x − μ y ) σ x 2 n x + σ y 2 n y N(0,1) \sim\frac{(\overline{X}-\overline{Y})-(\mu_x-\mu_y)}{\sqrt{\frac{\sigma_x^2}{n_x}+\frac{\sigma_y^2}{n_y}}} N(0,1)∼nxσx2+nyσy2(X−Y)−(μx−μy)
- t分布：
t
(
n
x
+
n
y
−
2
)
;
σ
x
2
=
σ
y
2
=
σ
2
t(n_x+n_y-2);\sigma_x^2=\sigma_y^2=\sigma^2
t(nx+ny−2);σx2=σy2=σ2
- t ( n x + n y − 2 ) ∼ ( X ‾ − Y ‾ ) − ( μ x − μ y ) S W 1 n x + 1 n y t(n_x+n_y-2)\sim \frac{(\overline{X}-\overline{Y})-(\mu_x-\mu_y)}{S_W\sqrt{\frac{1}{n_x}}+\frac{1}{n_y}} t(nx+ny−2)∼SWnx1+ny1(X−Y)−(μx−μy)
- S W = n x − 1 n x + n y − 2 S X + n y − 1 n x + n y − 2 S Y S_W=\frac{n_x-1}{n_x+n_y-2}S_X+\frac{n_y-1}{n_x+n_y-2}S_Y SW=nx+ny−2nx−1SX+nx+ny−2ny−1SY
- 标准正态分布：N(0,1)
- 方差比相关分布
- F分布
- S x 2 / S y 2 σ x 2 / σ y 2 ∼ F ( n x − 1 , n y − 1 ) \frac{S_x^2/S_y^2}{\sigma_x^2/\sigma_y^2}\sim F(n_x-1,n_y-1) σx2/σy2Sx2/Sy2∼F(nx−1,ny−1)
- F分布
- 均值差相关分布
- 单正态抽样分布
参数估计
- 点估计
- 矩估计法
- 极大似然估计法
- 评价标准
- 无偏性
- 有效性
- 相合性
置信区间
- 单正态总体分布情况
- 均值估计
- 方差已知情况
- ( X ‾ − u α / 2 σ n , X ‾ + u α / 2 σ n ) (\overline{X}-u_{\alpha/2}\frac{\sigma}{\sqrt{n}},\overline{X}+u_{\alpha/2}\frac{\sigma}{\sqrt{n}}) (X−uα/2nσ,X+uα/2nσ)
- 方差未知情况
- ( X ‾ − t α / 2 S n , X ‾ + t α / 2 S n ) (\overline{X}-t_{\alpha/2}\frac{S}{\sqrt{n}},\overline{X}+t_{\alpha/2}\frac{S}{\sqrt{n}}) (X−tα/2nS,X+tα/2nS)
- 方差已知情况
- 方差估计
- ( ( n − 1 ) S 2 ϰ α / 2 2 ( n − 1 ) , ( n − 1 ) S 2 ϰ 1 − α / 2 2 ( n − 1 ) ) (\frac{(n-1)S^2}{\varkappa_{\alpha/2}^2(n-1)},\frac{(n-1)S^2}{\varkappa_{1-\alpha/2}^2(n-1)}) (ϰα/22(n−1)(n−1)S2,ϰ1−α/22(n−1)(n−1)S2)
- 均值估计
- 双正态总体分布情况
- 均值差区间估计
- 方差已知情况
- ( X ‾ − Y ‾ − u α / 2 σ x 2 n x + σ y 2 n y , X ‾ − Y ‾ + u α / 2 σ x 2 n x + σ y 2 n y ) (\overline{X}-\overline{Y}-u_{\alpha/2}\sqrt{\frac{\sigma_x^2}{n_x}+\frac{\sigma_y^2}{n_y}},\overline{X}-\overline{Y}+u_{\alpha/2}\sqrt{\frac{\sigma_x^2}{n_x}+\frac{\sigma_y^2}{n_y}}) (X−Y−uα/2nxσx2+nyσy2,X−Y+uα/2nxσx2+nyσy2)
- 方差未知情况(方差相等)
- ( X ‾ − Y ‾ − t α / 2 S w 1 n x + 1 n y , X ‾ − Y ‾ + t α / 2 S w 1 n x + 1 n y ) (\overline{X}-\overline{Y}-t_{\alpha/2}S_w\sqrt{\frac{1}{n_x}+\frac{1}{n_y}},\overline{X}-\overline{Y}+t_{\alpha/2}S_w\sqrt{\frac{1}{n_x}+\frac{1}{n_y}}) (X−Y−tα/2Swnx1+ny1,X−Y+tα/2Swnx1+ny1)
- 方差已知情况
- 方差比区间估计
- ( S x 2 S y 2 1 F α / 2 ( n x − 1 , n y − 1 ) , S x 2 S y 2 1 F 1 − α / 2 ( n x − 1 , n y − 1 ) ) (\frac{S_x^2}{S_y^2}\frac{1}{F_{\alpha/2}(n_x-1,n_y-1)},\frac{S_x^2}{S_y^2}\frac{1}{F_{1-\alpha/2}(n_x-1,n_y-1)}) (Sy2Sx2Fα/2(nx−1,ny−1)1,Sy2Sx2F1−α/2(nx−1,ny−1)1)
- 均值差区间估计
假设检验
- 一个正态总体分布情况
- 均值检验
- 已知方差情况
- X ‾ − μ σ 2 / n ∼ U \frac{\overline{X}-\mu}{\sigma^2/\sqrt{n}}\sim U σ2/nX−μ∼U;(标准正态分布)
- 未知方差情况
- X ‾ − μ S 2 / n ∼ t ( n − 1 ) \frac{\overline{X}-\mu}{S^2/\sqrt{n}}\sim t(n-1) S2/nX−μ∼t(n−1)
- 已知方差情况
- 方差检验
- ( n − 1 ) S 2 σ 2 ∼ ϰ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2}\sim\varkappa^2(n-1) σ2(n−1)S2∼ϰ2(n−1)
- 均值检验
- 两个正态总体分布情况
- 均值差检验
- 已知方差情况
- X ‾ − Y ‾ − ( μ x − μ y ) σ x 2 n x + σ y 2 n y ∼ U \frac{\overline{X}-\overline{Y}-(\mu_x-\mu_y)}{\sqrt{\frac{\sigma_x^2}{n_x}+\frac{\sigma_y^2}{n_y}}}\sim U nxσx2+nyσy2X−Y−(μx−μy)∼U
- 未知方差情况
- X ‾ − Y ‾ − ( μ x − μ y ) S w 1 n x + 1 n y ∼ t ( n x + n y − 2 ) \frac{\overline{X}-\overline{Y}-(\mu_x-\mu_y)}{S_w\sqrt{\frac{1}{n_x}+\frac{1}{n_y}}}\sim t(n_x+n_y-2) Swnx1+ny1X−Y−(μx−μy)∼t(nx+ny−2)
- S w = n x − 1 n x + n y − 2 S x + n y − 1 n x + n y − 2 S y S_w=\frac{n_x-1}{n_x+n_y-2}S_x+\frac{n_y-1}{n_x+n_y-2}S_y Sw=nx+ny−2nx−1Sx+nx+ny−2ny−1Sy
- 已知方差情况
- 方差比检验
- S x 2 S y 2 / σ x 2 σ y 2 ∼ F ( n x − 1 , n y − 1 ) \frac{S_x^2}{S_y^2}/\frac{\sigma_x^2}{\sigma_y^2}\sim F(n_x-1,n_y-1) Sy2Sx2/σy2σx2∼F(nx−1,ny−1)
- 均值差检验
多因素影响的方差分析
检验环境因素对随机变量的影响程度
- 单因素方差分析
- S T = S E + S A S_T=S_E+S_A ST=SE+SA(总误差平方和=误差平方和+水平效应误差平方和)
- 检验因素是否对随机变量有影响： S A / ( s − 1 ) S E / ( n − s ) ∼ F ( s − 1 , n − s ) \frac{S_A/(s-1)}{S_E/(n-s)}\sim F(s-1,n-s) SE/(n−s)SA/(s−1)∼F(s−1,n−s)
- 参数估计：
- σ 2 ^ = S E n − s \hat{\sigma^2}=\frac{S_E}{n-s} σ2^=n−sSE
- μ ^ = X ‾ \hat{\mu}=\overline{X} μ^=X
- 当环境因素判定为对随机变量有影响时(即， H 0 H_0 H0为假时)， δ j = X ‾ j − X ‾ \delta_j=\overline{X}_j-\overline{X} δj=Xj−X的置信区间： ( X i ‾ − X j ‾ − t α / 2 S E ‾ ( 1 / n i + 1 / n j ) , X i ‾ − X j ‾ + t α / 2 S E ‾ ( 1 / n i + 1 / n j ) ) (\overline{X_i}-\overline{X_j}-t_{\alpha/2}\sqrt{\overline{S_E}(1/n_i+1/n_j)},\overline{X_i}-\overline{X_j}+t_{\alpha/2}\sqrt{\overline{S_E}(1/n_i+1/n_j)}) (Xi−Xj−tα/2SE(1/ni+1/nj),Xi−Xj+tα/2SE(1/ni+1/nj))
- 多因素方差分析
- S T = S E + S A + S B + S A X B S_T=S_E+S_A+S_B+S_{AXB} ST=SE+SA+SB+SAXB
- 检验因素是否对随机变量有影响：
- S A / ( r − 1 ) S E / r s ( t − 1 ) ∼ F A ( r − 1 , r s ( t − 1 ) ) \frac{S_A/(r-1)}{S_E/rs(t-1)}\sim F_A(r-1, rs(t-1)) SE/rs(t−1)SA/(r−1)∼FA(r−1,rs(t−1))
- S B / ( s − 1 ) S E / r s ( t − 1 ) ∼ F B ( s − 1 , r s ( t − 1 ) ) \frac{S_B/(s-1)}{S_E/rs(t-1)}\sim F_B(s-1,rs(t-1)) SE/rs(t−1)SB/(s−1)∼FB(s−1,rs(t−1))
- S A X B / ( r − 1 ) ( s − 1 ) S E / ( r s ( t − 1 ) ) ∼ F A X B ( ( r − 1 ) ( s − 1 ) , r s ( t − 1 ) ) \frac{S_{AXB}/(r-1)(s-1)}{S_E/(rs(t-1))}\sim F_{AXB}((r-1)(s-1),rs(t-1)) SE/(rs(t−1))SAXB/(r−1)(s−1)∼FAXB((r−1)(s−1),rs(t−1))
- 参数估计
- σ 2 ^ = S E r s t − 1 \hat{\sigma^2}=\frac{S_E}{rst-1} σ2^=rst−1SE
- μ ^ = X ‾ \hat{\mu}=\overline{X} μ^=X
- 无重复试验多因素方差分析
- S T = S E + S A + S B S_T=S_E+S_A+S_B ST=SE+SA+SB
- 检验因素是否对随机变量有影响：
- S A / ( r − 1 ) S E / ( r − 1 ) ( s − 1 ) ∼ F A ( r − 1 , ( r − 1 ) ( s − 1 ) ) \frac{S_A/(r-1)}{S_E/(r-1)(s-1)}\sim F_A(r-1,(r-1)(s-1)) SE/(r−1)(s−1)SA/(r−1)∼FA(r−1,(r−1)(s−1))
- S B / ( s − 1 ) S E / ( r − 1 ) ( s − 1 ) ∼ F B ( s − 1 , ( r − 1 ) ( s − 1 ) ) \frac{S_B/(s-1)}{S_E/(r-1)(s-1)}\sim F_B(s-1,(r-1)(s-1)) SE/(r−1)(s−1)SB/(s−1)∼FB(s−1,(r−1)(s−1))
- 参数估计
- σ 2 ^ = S E r s − 1 \hat{\sigma^2}=\frac{S_E}{rs-1} σ2^=rs−1SE
- μ ^ = X ‾ \hat{\mu}=\overline{X} μ^=X
回归分析
一元线性回归模型
- Y = β 0 + β 1 X + ϵ Y=\beta_0+\beta_1X+\epsilon Y=β0+β1X+ϵ; ϵ ∼ N ( 0 , σ 2 ) \epsilon \sim N(0,\sigma^2) ϵ∼N(0,σ2)
- Y ∼ N ( β 0 + β 1 X , σ 2 ) Y \sim N(\beta_0+\beta_1X,\sigma^2) Y∼N(β0+β1X,σ2)
- 最小二乘法估计线性函数参数-
β
0
^
,
β
1
^
\hat{\beta_0},\hat{\beta_1}
β0^,β1^(无偏估计)
- { β 0 ^ = Y ‾ − β 1 ^ X ‾ β 1 ^ = L x y L x x \begin{cases}\hat{\beta_0}=\overline{Y}-\hat{\beta_1}\overline{X} \\ \hat{\beta_1}=\frac{L_{xy}}{L_{xx}} \end{cases} {β0^=Y−β1^Xβ1^=LxxLxy
- L x y = ∑ x i y i − n X ‾ Y ‾ L_{xy}=\sum x_iy_i-n\overline{X}\overline{Y} Lxy=∑xiyi−nXY
- L x x = ∑ x i 2 − n X ‾ 2 L_{xx}=\sum x_i^2-n\overline{X}^2 Lxx=∑xi2−nX2
- 随机变量间是否存在线性关系的假设显著性检验：
-
S
T
=
S
回
+
S
剩
S_T=S_回+S_剩
ST=S回+S剩
- S_回: 线性回归误差平方和。 ∑ ( y i ^ − y ‾ ) 2 \sum(\hat{y_i}-\overline{y})^2 ∑(yi^−y)2
- S_剩: 剩余误差平方和。 ∑ ( y i − y i ^ ) 2 \sum(y_i-\hat{y_i})^2 ∑(yi−yi^)2
- 参数估计
- σ 2 ^ = S 剩 n − 2 \hat{\sigma^2}=\frac{S_剩}{n-2} σ2^=n−2S剩
- ( n − 2 ) σ 2 ^ σ 2 ∼ ϰ 2 ( n − 2 ) \frac{(n-2)\hat{\sigma^2}}{\sigma^2}\sim\varkappa^2(n-2) σ2(n−2)σ2^∼ϰ2(n−2)
- F检验法
- S 回 S 剩 / ( n − 2 ) ∼ F ( 1 , n − 2 ) \frac{S_回}{S_剩/(n-2)}\sim F(1,n-2) S剩/(n−2)S回∼F(1,n−2)
- S 回 σ 2 ∼ ϰ 2 ( 1 ) \frac{S_回}{\sigma^2}\sim\varkappa^2(1) σ2S回∼ϰ2(1)
- S 剩 σ 2 ∼ ϰ 2 ( n − 2 ) \frac{S_剩}{\sigma^2}\sim\varkappa^2(n-2) σ2S剩∼ϰ2(n−2)
- 预测值的置信水平区间
- ( y i ± t α / 2 σ 1 + 1 n + ( x i − x ‾ ) 2 L x x ^ ^ ) (\hat{y_i\pm t_{\alpha/2}\hat{\sigma\sqrt{1+\frac{1}{n}+\frac{(x_i-\overline{x})^2}{L_{xx}}}}}) (yi±tα/2σ1+n1+Lxx(xi−x)2^^)
-
S
T
=
S
回
+
S
剩
S_T=S_回+S_剩
ST=S回+S剩
3711
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
