目录
附一 几种常用的概率分布表
分布 | 参数 | 分布律或概率密度 | 数学期望 | 方差 |
---|---|---|---|---|
(0-1)分布 | 0 < p < 1 0<p<1 0<p<1 | P { X = k } = p k ( 1 − p ) 1 − k , k = 0 , 1 P\{X=k\}=p^k(1-p)^{1-k},k=0,1 P{X=k}=pk(1−p)1−k,k=0,1 | p p p | p ( 1 − p ) p(1-p) p(1−p) |
二项分布 | n ⩾ 1 0 < p < 1 n\geqslant1\\0<p<1 n⩾10<p<1 | P { X = k } = ( n k ) p k ( 1 − p ) n − k k = 0 , 1 , ⋯ , n \begin{aligned}P\{X=k\}&=\dbinom{n}{k}p^k(1-p)^{n-k}\\k&=0,1,\cdots,n\end{aligned} P{X=k}k=(kn)pk(1−p)n−k=0,1,⋯,n | n p np np | n p ( 1 − p ) np(1-p) np(1−p) |
负二项分布 (巴斯卡分布) | r ⩾ 1 0 < p < 1 r\geqslant1\\0<p<1 r⩾10<p<1 | P { X = k } = ( k − 1 r − 1 ) p r ( 1 − p ) k − r k = r , r + 1 , ⋯ \begin{aligned}P\{X=k\}&=\dbinom{k-1}{r-1}p^r(1-p)^{k-r}\\k&=r,r+1,\cdots\end{aligned} P{X=k}k=(r−1k−1)pr(1−p)k−r=r,r+1,⋯ | r p \cfrac{r}{p} pr | r ( 1 − p ) p 2 \cfrac{r(1-p)}{p^2} p2r(1−p) |
几何分布 | 0 < p < 1 0<p<1 0<p<1 | P { X = k } = p k − 1 ( 1 − p ) k = 0 , 1 , ⋯ \begin{aligned}P\{X=k\}&=p^{k-1}(1-p)\\k&=0,1,\cdots\end{aligned} P{X=k}k=pk−1(1−p)=0,1,⋯ | 1 p \cfrac{1}{p} p1 | 1 − p p 2 \cfrac{1-p}{p^2} p21−p |
超几何分布 | N , M , n ( M ⩽ N ) ( n ⩽ N ) N,M,n\\(M\leqslant N)\\(n\leqslant N) N,M,n(M⩽N)(n⩽N) | P { X = k } = ( M k ) ( N − M n − k ) ( N k ) k 为整数 , max { 0 , n − N + M } ⩽ k ⩽ min { n , M } P\{X=k\}=\cfrac{\dbinom{M}{k}\dbinom{N-M}{n-k}}{\dbinom{N}{k}}\\k\text{为整数},\max\{0,n-N+M\}\leqslant k\leqslant\min\{n,M\} P{X=k}=(kN)(kM)(n−kN−M)k为整数,max{0,n−N+M}⩽k⩽min{n,M} | n M N \cfrac{nM}{N} NnM | n M N ( 1 − M N ) ( N − n N − 1 ) \cfrac{nM}{N}\left(1-\cfrac{M}{N}\right)\left(\cfrac{N-n}{N-1}\right) NnM(1−NM)(N−1N−n) |
泊松分布 | λ > 0 \lambda>0 λ>0 | P { X = k } = λ k e − λ k ! k = 0 , 1 , 2 , ⋯ P\{X=k\}=\cfrac{\lambda^ke^{-\lambda}}{k!}\\k=0,1,2,\cdots P{X=k}=k!λke−λk=0,1,2,⋯ | λ \lambda λ | λ \lambda λ |
均匀分布 | a < b a<b a<b | f ( x ) = { 1 b − a , a < x < b 0 , 其他 f(x)=\begin{cases}\cfrac{1}{b-a},&a<x<b\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧b−a1,0,a<x<b其他 | a + b 2 \cfrac{a+b}{2} 2a+b | ( b − a ) 2 12 \cfrac{(b-a)^2}{12} 12(b−a)2 |
正态分布 | μ σ > 0 \mu\\\sigma>0 μσ>0 | f ( x ) = 1 2 π σ e − ( x − μ ) 2 / ( 2 σ 2 ) f(x)=\cfrac{1}{\sqrt{2\pi}\sigma}e^{-(x-\mu)^2/(2\sigma^2)} f(x)=2πσ1e−(x−μ)2/(2σ2) | μ \mu μ | σ 2 \sigma^2 σ2 |
Γ \Gamma Γ分布 | α > 0 β > 0 \alpha>0\\\beta>0 α>0β>0 | f ( x ) = { 1 β α Γ ( α ) x α − 1 e − x / β , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{1}{\beta^\alpha\Gamma(\alpha)}x^{\alpha-1}e^{-x/\beta},&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧βαΓ(α)1xα−1e−x/β,0,x>0其他 | α β \alpha\beta αβ | α β 2 \alpha\beta^2 αβ2 |
指数分布 (负指数分布) | θ > 0 \theta>0 θ>0 | f ( x ) = { 1 θ e − x / θ , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{1}{\theta}e^{-x/\theta},&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧θ1e−x/θ,0,x>0其他 | θ \theta θ | θ 2 \theta^2 θ2 |
χ 2 \chi^2 χ2分布 | n ⩾ 1 n\geqslant1 n⩾1 | f ( x ) = { 1 2 n / 2 Γ ( n / 2 ) x n / 2 − 1 e − x / 2 , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{1}{2^{n/2}\Gamma(n/2)}x^{n/2-1}e^{-x/2},&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧2n/2Γ(n/2)1xn/2−1e−x/2,0,x>0其他 | n n n | 2 n 2n 2n |
韦布尔分布 | η > 0 β > 0 \eta>0\\\beta>0 η>0β>0 | f ( x ) = { β η ( x η ) β − 1 e − ( x / η ) β , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{\beta}{\eta}\left(\cfrac{x}{\eta}\right)^{\beta-1}e^{-(x/\eta)^\beta},&x>0\\0,\text{其他}\end{cases} f(x)=⎩⎪⎪⎨⎪⎪⎧ηβ(ηx)β−1e−(x/η)β,0,其他x>0 | η Γ ( 1 β + 1 ) \eta\Gamma\left(\cfrac{1}{\beta}+1\right) ηΓ(β1+1) | η { Γ ( 2 β + 1 ) − [ Γ ( 1 β + 1 ) ] 2 } \eta\left\{\Gamma\left(\cfrac{2}{\beta}+1\right)-\left[\Gamma\left(\cfrac{1}{\beta}+1\right)\right]^2\right\} η⎩⎨⎧Γ(β2+1)−[Γ(β1+1)]2⎭⎬⎫ |
瑞利分布 | σ > 0 \sigma>0 σ>0 | f ( x ) = { x σ 2 e − x 2 / ( 2 σ 2 ) , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{x}{\sigma^2}e^{-x^2/(2\sigma^2)},&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧σ2xe−x2/(2σ2),0,x>0其他 | π 2 σ \sqrt{\cfrac{\pi}{2}}\sigma 2πσ | 4 − π 2 σ 2 \cfrac{4-\pi}{2}\sigma^2 24−πσ2 |
β \beta β分布 | α > 0 β > 0 \alpha>0\\\beta>0 α>0β>0 | f ( x ) = { Γ ( α + β ) Γ ( α ) Γ ( β ) x α − 1 ( 1 − x ) β − 1 , 0 < x < 1 0 , 其他 f(x)=\begin{cases}\cfrac{\Gamma(\alpha+\beta)}{\Gamma(\alpha)\Gamma(\beta)}x^{\alpha-1}(1-x)^{\beta-1},&0<x<1\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧Γ(α)Γ(β)Γ(α+β)xα−1(1−x)β−1,0,0<x<1其他 | α α + β \cfrac{\alpha}{\alpha+\beta} α+βα | α β ( α + β ) 2 ( α + β + 1 ) \cfrac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)} (α+β)2(α+β+1)αβ |
对数 正态分布 | μ σ > 0 \mu\\\sigma>0 μσ>0 | f ( x ) = { 1 2 π σ x e − ( ln x − μ ) 2 / ( 2 σ 2 ) , x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{1}{\sqrt{2\pi}\sigma x}e^{-(\ln x-\mu)^2/(2\sigma^2)},&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧2πσx1e−(lnx−μ)2/(2σ2),0,x>0其他 | e μ + σ 2 2 e^{\mu+\frac{\sigma^2}{2}} eμ+2σ2 | e 2 μ + σ 2 ( e σ 2 − 1 ) e^{2\mu+\sigma^2}(e^{\sigma^2}-1) e2μ+σ2(eσ2−1) |
柯西分布 | a λ > 0 a\\\lambda>0 aλ>0 | f ( x ) = 1 π 1 λ 2 + ( x − a ) 2 f(x)=\cfrac{1}{\pi}\cfrac{1}{\lambda^2+(x-a)^2} f(x)=π1λ2+(x−a)21 | 不存在 | 不存在 |
t t t分布 | n ⩾ 1 n\geqslant1 n⩾1 | f ( x ) = Γ ( n + 1 2 ) n π Γ ( n / 2 ) ( 1 + x 2 n 2 ) − ( n + 1 ) / 2 f(x)=\cfrac{\Gamma\left(\cfrac{n+1}{2}\right)}{\sqrt{n\pi}\Gamma(n/2)}\left(1+\cfrac{x^2}{n^2}\right)^{-(n+1)/2} f(x)=nπΓ(n/2)Γ(2n+1)(1+n2x2)−(n+1)/2 | 0 , n > 1 0,n>1 0,n>1 | n n − 2 , n > 2 \cfrac{n}{n-2},n>2 n−2n,n>2 |
F F F分布 | n 1 , n 2 n_1,n_2 n1,n2 | f ( x ) = { Γ [ ( n 1 + n 2 ) / 2 ] Γ ( n 1 / 2 ) Γ ( n 2 / 2 ) ( n 1 n 2 ) ( n 1 n 2 x ) n 1 / 2 − 1 ( 1 + n 1 n 2 x ) − ( n 1 + n 2 ) / 2 x > 0 0 , 其他 f(x)=\begin{cases}\cfrac{\Gamma[(n_1+n_2)/2]}{\Gamma(n_1/2)\Gamma(n_2/2)}\left(\cfrac{n_1}{n_2}\right)\left(\cfrac{n_1}{n_2}x\right)^{n_1/2-1}\\\left(1+\cfrac{n_1}{n_2}x\right)^{-(n_1+n_2)/2}&x>0\\0,&\text{其他}\end{cases} f(x)=⎩⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎧Γ(n1/2)Γ(n2/2)Γ[(n1+n2)/2](n2n1)(n2n1x)n1/2−1(1+n2n1x)−(n1+n2)/20,x>0其他 | n 2 n 2 − 2 n 2 > 2 \cfrac{n_2}{n_2-2}\\n_2>2 n2−2n2n2>2 | 2 n 2 2 ( n 1 + n 2 − 2 ) n 1 ( n 2 − 2 ) 2 ( n 2 − 4 ) n 2 > 4 \cfrac{2n_2^2(n_1+n_2-2)}{n_1(n_2-2)^2(n_2-4)}\\n_2>4 n1(n2−2)2(n2−4)2n22(n1+n2−2)n2>4 |
附二 大数定律及中心极限定理
- 切比雪夫不等式:设随机变量 X X X具有数学期望 E ( X ) = μ E(X)=\mu E(X)=μ,方差 D ( X ) = σ 2 D(X)=\sigma^2 D(X)=σ2,则对于任意正数 ϵ \epsilon ϵ,不等式 P { ∣ X − μ ∣ ⩾ ϵ } ⩽ σ 2 ϵ 2 P\{|X-\mu|\geqslant\epsilon\}\leqslant\cfrac{\sigma^2}{\epsilon^2} P{∣X−μ∣⩾ϵ}⩽ϵ2σ2成立。
- 切比雪夫大数定律:设相互独立的随机变量 X 1 , X 2 , ⋯ , X n , ⋯ X_1,X_2,\cdots,X_n,\cdots X1,X2,⋯,Xn,⋯,分别具有数学期望 E ( X i ) = μ i E(X_i)=\mu_i E(Xi)=μi及方差 D ( X i ) = σ i 2 D(X_i)=\sigma^2_i D(Xi)=σi2,若存在参数 C C C,使 D ( X i ) ⩽ C , k = 1 , 2 , ⋯ D(X_i)\leqslant C,k=1,2,\cdots D(Xi)⩽C,k=1,2,⋯,则对于任意正数 ϵ \epsilon ϵ,不等式 lim n → ∞ P { ∣ 1 n ∑ i − 1 n X i − 1 n ∑ i = 1 n μ i ∣ < ϵ } = 1 \lim\limits_{n\to\infty}P\left\{\left|\cfrac{1}{n}\sum^n\limits_{i-1}X_i-\cfrac{1}{n}\sum^n\limits_{i=1}\mu_i\right|<\epsilon\right\}=1 n→∞limP{∣∣∣∣∣n1i−1∑nXi−n1i=1∑nμi∣∣∣∣∣<ϵ}=1成立。特别地,当 X 1 , X 2 , ⋯ , X n , ⋯ X_1,X_2,\cdots,X_n,\cdots X1,X2,⋯,Xn,⋯有相同的数学期望 μ \mu μ时,则有 lim n → ∞ P { ∣ 1 n ∑ i − 1 n X i − μ ∣ < ϵ } = 1 \lim\limits_{n\to\infty}P\left\{\left|\cfrac{1}{n}\sum^n\limits_{i-1}X_i-\mu\right|<\epsilon\right\}=1 n→∞limP{∣∣∣∣∣n1i−1∑nXi−μ∣∣∣∣∣<ϵ}=1。
- 辛钦大数定律(弱大数定律):设 X 1 , X 2 , ⋯ X_1,X_2,\cdots X1,X2,⋯是相互独立,服从同一分布的随机变量序列,且具有数学期望 E ( X k ) = μ ( k = 1 , 2 , ⋯ ) E(X_k)=\mu(k=1,2,\cdots) E(Xk)=μ(k=1,2,⋯)。做前 n n n个变量的算术平均 1 n ∑ k = 1 n X k \cfrac{1}{n}\sum^n\limits_{k=1}X_k n1k=1∑nXk,则对于任意 ϵ > 0 \epsilon>0 ϵ>0,有 lim n → ∞ P { ∣ 1 n ∑ i − 1 n X i − μ ∣ < ϵ } = 1. \lim\limits_{n\to\infty}P\left\{\left|\cfrac{1}{n}\sum^n\limits_{i-1}X_i-\mu\right|<\epsilon\right\}=1. n→∞limP{∣∣∣∣∣n1i−1∑nXi−μ∣∣∣∣∣<ϵ}=1.
- 伯努利大数定律:设 f A f_A fA是 n n n次独立重复实验中事件 A A A发生的次数, p p p是事件 A A A在每次实验中发生的概率,则对于任意正数 ϵ > 0 \epsilon>0 ϵ>0,有 lim n → ∞ P { ∣ f A n − p ∣ < ϵ } = 1 \lim\limits_{n\to\infty}P\left\{\left|\cfrac{f_A}{n}-p\right|<\epsilon\right\}=1 n→∞limP{∣∣∣∣∣nfA−p∣∣∣∣∣<ϵ}=1或 lim n → ∞ P { ∣ f A n − p ∣ ⩾ ϵ } = 0. \lim\limits_{n\to\infty}P\left\{\left|\cfrac{f_A}{n}-p\right|\geqslant\epsilon\right\}=0. n→∞limP{∣∣∣∣∣nfA−p∣∣∣∣∣⩾ϵ}=0.
- 列维-林德伯格定理(独立同分布的中心极限定理):设随机变量 X 1 , X 2 , ⋯ , X n , ⋯ X_1,X_2,\cdots,X_n,\cdots X1,X2,⋯,Xn,⋯相互独立,服从同一分布,且具有数学期望和方差: E ( X k ) = μ , D ( X k ) = σ 2 > 0 ( k = 1 , 2 , ⋯ ) E(X_k)=\mu,D(X_k)=\sigma^2>0(k=1,2,\cdots) E(Xk)=μ,D(Xk)=σ2>0(k=1,2,⋯),则随机变量之和 ∑ k = 1 n X k \sum^n\limits_{k=1}X_k k=1∑nXk的标准化变量 Y n = ∑ k = 1 n X k − E ( ∑ k = 1 n X k ) D ( ∑ k = 1 n X k ) = ∑ k = 1 n X k − n μ n σ Y_n=\cfrac{\sum^n\limits_{k=1}X_k-E(\sum^n\limits_{k=1}X_k)}{\sqrt{D(\sum^n\limits_{k=1}X_k)}}=\cfrac{\sum^n\limits_{k=1}X_k-n\mu}{\sqrt{n}\sigma} Yn=D(k=1∑nXk)k=1∑nXk−E(k=1∑nXk)=nσk=1∑nXk−nμ的分布函数 F n ( x ) F_n(x) Fn(x)对于任意 x x x满足 lim n → ∞ F n ( x ) = lim n → ∞ P { ∑ k = 1 n X k − n μ n σ ⩽ x } = ∫ − ∞ x 1 2 π e − t 2 / 2 d t = Φ ( x ) . \begin{aligned}\lim\limits_{n\to\infty}F_n(x)&=\lim\limits_{n\to\infty}P\left\{\cfrac{\sum^n\limits_{k=1}X_k-n\mu}{\sqrt{n}\sigma}\leqslant x\right\}\\&=\displaystyle\int^x_{-\infty}\cfrac{1}{\sqrt{2\pi}}e^{-t^2/2}\mathrm{d}t=\varPhi(x).\end{aligned} n→∞limFn(x)=n→∞limP⎩⎪⎪⎨⎪⎪⎧nσk=1∑nXk−nμ⩽x⎭⎪⎪⎬⎪⎪⎫=∫−∞x2π1e−t2/2dt=Φ(x).
- 李雅普诺夫定理:设随机变量 X 1 , X 2 , ⋯ , X n , ⋯ X_1,X_2,\cdots,X_n,\cdots X1,X2,⋯,Xn,⋯相互独立,且具有数学期望和方差: E ( X k ) = μ k , D ( X k ) = σ k 2 > 0 ( k = 1 , 2 , ⋯ ) E(X_k)=\mu_k,D(X_k)=\sigma_k^2>0(k=1,2,\cdots) E(Xk)=μk,D(Xk)=σk2>0(k=1,2,⋯)。记 B n 2 = ∑ k = 1 n σ k 2 B_n^2=\sum^n\limits_{k=1}\sigma_k^2 Bn2=k=1∑nσk2,若存在正数 δ \delta δ,使得当 n → ∞ n\to\infty n→∞时, 1 B n 2 + δ ∑ k = 1 n E { ∣ X k − μ k ∣ 2 + δ } → 0 \cfrac{1}{B_n^{2+\delta}}\sum^n\limits_{k=1}E\{|X_k-\mu_k|^{2+\delta}\}\to0 Bn2+δ1k=1∑nE{∣Xk−μk∣2+δ}→0,则随机变量之和 ∑ k = 1 n X k \sum^n\limits_{k=1}X_k k=1∑nXk的标准化变量 Z n = ∑ k = 1 n X k − E ( ∑ k = 1 n X k ) D ( ∑ k = 1 n X k ) = ∑ k = 1 n X k − ∑ k = 1 n μ k B n Z_n=\cfrac{\sum^n\limits_{k=1}X_k-E(\sum^n\limits_{k=1}X_k)}{\sqrt{D(\sum^n\limits_{k=1}X_k)}}=\cfrac{\sum^n\limits_{k=1}X_k-\sum^n\limits_{k=1}\mu_k}{B_n} Zn=D(k=1∑nXk)k=1∑nXk−E(k=1∑nXk)=Bnk=1∑nXk−k=1∑nμk的分布函数 F n ( x ) F_n(x) Fn(x)对于任意 x x x满足 lim n → ∞ F n ( x ) = lim n → ∞ P { ∑ k = 1 n X k − ∑ k = 1 n μ k B n ⩽ x } = ∫ − ∞ x 1 2 π e − t 2 / 2 d t = Φ ( x ) . \begin{aligned}\lim\limits_{n\to\infty}F_n(x)&=\lim\limits_{n\to\infty}P\left\{\cfrac{\sum^n\limits_{k=1}X_k-\sum^n\limits_{k=1}\mu_k}{B_n}\leqslant x\right\}\\&=\displaystyle\int^x_{-\infty}\cfrac{1}{\sqrt{2\pi}}e^{-t^2/2}\mathrm{d}t=\varPhi(x).\end{aligned} n→∞limFn(x)=n→∞limP⎩⎪⎪⎨⎪⎪⎧Bnk=1∑nXk−k=1∑nμk⩽x⎭⎪⎪⎬⎪⎪⎫=∫−∞x2π1e−t2/2dt=Φ(x).
- 棣莫弗-拉普拉斯定理:设随机变量 η n ( n = 1 , 2 , ⋯ ) \eta_n(n=1,2,\cdots) ηn(n=1,2,⋯)服从参数为 n , p ( 0 < p < 1 ) n,p(0<p<1) n,p(0<p<1)的二项分布,则对于任意 x x x,有 lim n → ∞ P { η n − n p n p ( 1 − p ) ⩽ x } = ∫ − ∞ x 1 2 π e − t 2 / 2 d t = Φ ( x ) . \lim\limits_{n\to\infty}P\left\{\cfrac{\eta_n-np}{\sqrt{np(1-p)}}\leqslant x\right\}=\displaystyle\int^x_{-\infty}\cfrac{1}{\sqrt{2\pi}}e^{-t^2/2}\mathrm{d}t=\varPhi(x). n→∞limP{np(1−p)ηn−np⩽x}=∫−∞x2π1e−t2/2dt=Φ(x).
附三 正态总体均值、方差的置信区间与单侧置信限(置信水平为 1 − α 1-\alpha 1−α)
- 一个正态总体:
待估参数 | 其他参数 | 枢轴量的分布 | 置信区间 | 单侧置信限 |
---|---|---|---|---|
μ \mu μ | σ 2 \sigma^2 σ2已知 | Z = X ‾ − μ σ / n ∼ N ( 0 , 1 ) Z=\cfrac{\overline{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1) Z=σ/nX−μ∼N(0,1) | ( X ‾ ± σ n z α / 2 ) \left(\overline{X}\pm\cfrac{\sigma}{\sqrt{n}}z_{\alpha/2}\right) (X±nσzα/2) | μ ‾ = X ‾ + σ n z α μ ‾ = X ‾ − σ n z α \overline{\mu}=\overline{X}+\cfrac{\sigma}{\sqrt{n}}z_\alpha\qquad\underline{\mu}=\overline{X}-\cfrac{\sigma}{\sqrt{n}}z_\alpha μ=X+nσzαμ=X−nσzα |
μ \mu μ | σ 2 \sigma^2 σ2未知 | t = X ‾ − μ S / n ∼ t ( n − 1 ) t=\cfrac{\overline{X}-\mu}{S/\sqrt{n}}\sim t(n-1) t=S/nX−μ∼t(n−1) | ( X ‾ ± S n t α / 2 ( n − 1 ) ) \left(\overline{X}\pm\cfrac{S}{\sqrt{n}}t_{\alpha/2}(n-1)\right) (X±nStα/2(n−1)) | μ ‾ = X ‾ + S n t α ( n − 1 ) μ ‾ = X ‾ − S n t α ( n − 1 ) \overline{\mu}=\overline{X}+\cfrac{S}{\sqrt{n}}t_\alpha(n-1)\qquad\underline{\mu}=\overline{X}-\cfrac{S}{\sqrt{n}}t_\alpha(n-1) μ=X+nStα(n−1)μ=X−nStα(n−1) |
σ 2 \sigma^2 σ2 | μ \mu μ未知 | χ 2 = ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \chi^2=\cfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) χ2=σ2(n−1)S2∼χ2(n−1) | ( ( n − 1 ) S 2 χ α / 2 2 ( n − 1 ) , ( n − 1 ) S 2 χ 1 − α / 2 2 ( n − 1 ) ) \left(\cfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\cfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right) (χα/22(n−1)(n−1)S2,χ1−α/22(n−1)(n−1)S2) | σ 2 ‾ = ( n − 1 ) S 2 χ 1 − α 2 ( n − 1 ) σ 2 ‾ = ( n − 1 ) S 2 χ α 2 ( n − 1 ) \overline{\sigma^2}=\cfrac{(n-1)S^2}{\chi^2_{1-\alpha}(n-1)}\qquad\underline{\sigma^2}=\cfrac{(n-1)S^2}{\chi^2_{\alpha}(n-1)} σ2=χ1−α2(n−1)(n−1)S2σ2=χα2(n−1)(n−1)S2 |
- 两个正态总体:
待估参数 | 其他参数 | 枢轴量的分布 | 置信区间 | 单侧置信限 |
---|---|---|---|---|
μ 1 − μ 2 \mu_1-\mu_2 μ1−μ2 |
σ
1
2
,
σ
2
2
\sigma_1^2,\sigma_2^2
σ12,σ22 已知 | Z = X ‾ − Y ‾ − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 ∼ N ( 0 , 1 ) Z=\cfrac{\overline{X}-\overline{Y}-(\mu_1-\mu_2)}{\sqrt{\cfrac{\sigma_1^2}{n_1}+\cfrac{\sigma_2^2}{n_2}}}\sim N(0,1) Z=n1σ12+n2σ22X−Y−(μ1−μ2)∼N(0,1) | ( X ‾ − Y ‾ ± z α / 2 σ 1 2 n 1 + σ 2 2 n 2 ) \left(\overline{X}-\overline{Y}\pm z_{\alpha/2}\sqrt{\cfrac{\sigma_1^2}{n_1}+\cfrac{\sigma_2^2}{n_2}}\right) ⎝⎛X−Y±zα/2n1σ12+n2σ22⎠⎞ | μ 1 − μ 2 ‾ = X ‾ − Y ‾ + z α σ 1 2 n 1 + σ 2 2 n 2 μ 1 − μ 2 ‾ = X ‾ − Y ‾ − z α σ 1 2 n 1 + σ 2 2 n 2 \overline{\mu_1-\mu_2}=\overline{X}-\overline{Y}+z_\alpha\sqrt{\cfrac{\sigma_1^2}{n_1}+\cfrac{\sigma_2^2}{n_2}}\\\underline{\mu_1-\mu_2}=\overline{X}-\overline{Y}-z_\alpha\sqrt{\cfrac{\sigma_1^2}{n_1}+\cfrac{\sigma_2^2}{n_2}} μ1−μ2=X−Y+zαn1σ12+n2σ22μ1−μ2=X−Y−zαn1σ12+n2σ22 |
μ 1 − μ 2 \mu_1-\mu_2 μ1−μ2 |
σ
1
2
=
σ
2
2
=
σ
2
\sigma_1^2=\sigma_2^2=\sigma^2
σ12=σ22=σ2 未知 | t = X ‾ − Y ‾ − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 ∼ t ( n 1 + n 2 − 2 ) S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 t=\cfrac{\overline{X}-\overline{Y}-(\mu_1-\mu_2)}{S_w\sqrt{\cfrac{1}{n_1}+\cfrac{1}{n_2}}}\sim t(n_1+n_2-2)\\S_w^2=\cfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2} t=Swn11+n21X−Y−(μ1−μ2)∼t(n1+n2−2)Sw2=n1+n2−2(n1−1)S12+(n2−1)S22 | ( X ‾ − Y ‾ ± t α / 2 ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 ) \left(\overline{X}-\overline{Y}\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\cfrac{1}{n_1}+\cfrac{1}{n_2}}\right) ⎝⎛X−Y±tα/2(n1+n2−2)Swn11+n21⎠⎞ | μ 1 − μ 2 ‾ = X ‾ − Y ‾ + t α ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 μ 1 − μ 2 ‾ = X ‾ − Y ‾ − t α ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 \overline{\mu_1-\mu_2}=\overline{X}-\overline{Y}+t_\alpha(n_1+n_2-2)S_w\sqrt{\cfrac{1}{n_1}+\cfrac{1}{n_2}}\\\underline{\mu_1-\mu_2}=\overline{X}-\overline{Y}-t_\alpha(n_1+n_2-2)S_w\sqrt{\cfrac{1}{n_1}+\cfrac{1}{n_2}} μ1−μ2=X−Y+tα(n1+n2−2)Swn11+n21μ1−μ2=X−Y−tα(n1+n2−2)Swn11+n21 |
σ 1 2 σ 2 2 \cfrac{\sigma_1^2}{\sigma_2^2} σ22σ12 |
μ
1
,
μ
2
\mu_1,\mu_2
μ1,μ2 未知 | F = S 1 2 / S 2 2 σ 1 2 / σ 2 2 ∼ F ( n 1 − 1 , n 2 − 1 ) F=\cfrac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2}\sim F(n_1-1,n_2-1) F=σ12/σ22S12/S22∼F(n1−1,n2−1) | ( S 1 2 S 2 2 1 F α / 2 ( n 1 − 1 , n 2 − 1 ) , S 1 2 S 2 2 1 F 1 − α / 2 ( n 1 − 1 , n 2 − 1 ) ) \left(\cfrac{S_1^2}{S_2^2}\cfrac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\cfrac{S_1^2}{S_2^2}\cfrac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right) (S22S12Fα/2(n1−1,n2−1)1,S22S12F1−α/2(n1−1,n2−1)1) | σ 1 2 σ 2 2 ‾ = S 1 2 S 2 2 1 F 1 − α ( n 1 − 1 , n 2 − 1 ) σ 1 2 σ 2 2 ‾ = S 1 2 S 2 2 1 F α ( n 1 − 1 , n 2 − 1 ) \overline{\cfrac{\sigma_1^2}{\sigma_2^2}}=\cfrac{S_1^2}{S_2^2}\cfrac{1}{F_{1-\alpha}(n_1-1,n_2-1)}\\\underline{\cfrac{\sigma_1^2}{\sigma_2^2}}=\cfrac{S_1^2}{S_2^2}\cfrac{1}{F_{\alpha}(n_1-1,n_2-1)} σ22σ12=S22S12F1−α(n1−1,n2−1)1σ22σ12=S22S12Fα(n1−1,n2−1)1 |
正态总体均值、方差的检验法(显著性水平为 α \alpha α)
原假设 H 0 H_0 H0 | 检验统计量 | 备选假设 H 1 H_1 H1 | 拒绝域 | |
---|---|---|---|---|
1 1 1 | μ ⩽ μ 0 μ ⩾ μ 0 μ = μ 0 ( σ 2 已知 ) \mu\leqslant\mu_0\\\mu\geqslant\mu_0\\\mu=\mu_0\\(\sigma^2\text{已知}) μ⩽μ0μ⩾μ0μ=μ0(σ2已知) | Z = X ‾ − μ 0 σ / n Z=\cfrac{\overline{X}-\mu_0}{\sigma/\sqrt{n}} Z=σ/nX−μ0 | μ > μ 0 μ < μ 0 μ ≠ μ 0 \mu>\mu_0\\\mu<\mu_0\\\mu\ne\mu_0 μ>μ0μ<μ0μ=μ0 | z ⩾ z α z ⩽ − z α ∣ z ∣ ⩾ z α / 2 z\geqslant z_\alpha\\z\leqslant-z_\alpha\\\vert z\vert\geqslant z_{\alpha/2} z⩾zαz⩽−zα∣z∣⩾zα/2 |
2 2 2 | μ ⩽ μ 0 μ ⩾ μ 0 μ = μ 0 ( σ 2 未知 ) \mu\leqslant\mu_0\\\mu\geqslant\mu_0\\\mu=\mu_0\\(\sigma^2\text{未知}) μ⩽μ0μ⩾μ0μ=μ0(σ2未知) | t = X ‾ − μ 0 S / n t=\cfrac{\overline{X}-\mu_0}{S/\sqrt{n}} t=S/nX−μ0 | μ > μ 0 μ < μ 0 μ ≠ μ 0 \mu>\mu_0\\\mu<\mu_0\\\mu\ne\mu_0 μ>μ0μ<μ0μ=μ0 | t ⩾ t α ( n − 1 ) t ⩽ − t α ( n − 1 ) ∣ t ∣ ⩾ t α / 2 ( n − 1 ) t\geqslant t_\alpha(n-1)\\t\leqslant-t_\alpha(n-1)\\\vert t\vert\geqslant t_{\alpha/2}(n-1) t⩾tα(n−1)t⩽−tα(n−1)∣t∣⩾tα/2(n−1) |
3 3 3 | μ 1 − μ 2 ⩽ δ μ 1 − μ 2 ⩾ δ μ 1 − μ 2 = δ ( σ 1 2 , σ 2 2 已知 ) \mu_1-\mu_2\leqslant\delta\\\mu_1-\mu_2\geqslant\delta\\\mu_1-\mu_2=\delta\\(\sigma_1^2,\sigma_2^2\text{已知}) μ1−μ2⩽δμ1−μ2⩾δμ1−μ2=δ(σ12,σ22已知) | Z = X ‾ − Y ‾ − δ σ 1 2 n 1 + σ 2 2 n 2 Z=\cfrac{\overline{X}-\overline{Y}-\delta}{\sqrt{\cfrac{\sigma_1^2}{n_1}+\cfrac{\sigma_2^2}{n_2}}} Z=n1σ12+n2σ22X−Y−δ | μ 1 − μ 2 > δ μ 1 − μ 2 < δ μ 1 − μ 2 ≠ δ \mu_1-\mu_2>\delta\\\mu_1-\mu_2<\delta\\\mu_1-\mu_2\ne\delta μ1−μ2>δμ1−μ2<δμ1−μ2=δ | z ⩾ z α z ⩽ − z α ∣ z ∣ ⩾ z α / 2 z\geqslant z_\alpha\\z\leqslant-z_\alpha\\\vert z\vert\geqslant z_{\alpha/2} z⩾zαz⩽−zα∣z∣⩾zα/2 |
4 4 4 | μ 1 − μ 2 ⩽ δ μ 1 − μ 2 ⩾ δ μ 1 − μ 2 = δ ( σ 1 2 = σ 2 2 = σ 2 已知 ) \mu_1-\mu_2\leqslant\delta\\\mu_1-\mu_2\geqslant\delta\\\mu_1-\mu_2=\delta\\(\sigma_1^2=\sigma_2^2=\sigma^2\text{已知}) μ1−μ2⩽δμ1−μ2⩾δμ1−μ2=δ(σ12=σ22=σ2已知) | t = X ‾ − Y ‾ − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 t=\cfrac{\overline{X}-\overline{Y}-(\mu_1-\mu_2)}{S_w\sqrt{\cfrac{1}{n_1}+\cfrac{1}{n_2}}}\\S_w^2=\cfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2} t=Swn11+n21X−Y−(μ1−μ2)Sw2=n1+n2−2(n1−1)S12+(n2−1)S22 | μ 1 − μ 2 > δ μ 1 − μ 2 < δ μ 1 − μ 2 ≠ δ \mu_1-\mu_2>\delta\\\mu_1-\mu_2<\delta\\\mu_1-\mu_2\ne\delta μ1−μ2>δμ1−μ2<δμ1−μ2=δ | t ⩾ t α ( n 1 + n 2 − 1 ) t ⩽ − t α ( n 1 + n 2 − 1 ) ∣ t ∣ ⩾ t α / 2 ( n 1 + n 2 − 1 ) t\geqslant t_\alpha(n_1+n_2-1)\\t\leqslant-t_\alpha(n_1+n_2-1)\\\vert t\vert\geqslant t_{\alpha/2}(n_1+n_2-1) t⩾tα(n1+n2−1)t⩽−tα(n1+n2−1)∣t∣⩾tα/2(n1+n2−1) |
5 5 5 | σ 2 ⩽ σ 0 2 σ 2 ⩾ σ 0 2 σ 2 = σ 0 2 ( μ 未知 ) \sigma^2\leqslant\sigma^2_0\\\sigma^2\geqslant\sigma^2_0\\\sigma^2=\sigma^2_0\\(\mu\text{未知}) σ2⩽σ02σ2⩾σ02σ2=σ02(μ未知) | χ 2 = ( n − 1 ) S 2 σ 0 2 \chi^2=\cfrac{(n-1)S^2}{\sigma^2_0} χ2=σ02(n−1)S2 | σ 2 > σ 0 2 σ 2 < σ 0 2 σ 2 ≠ σ 0 2 \sigma^2>\sigma^2_0\\\sigma^2<\sigma^2_0\\\sigma^2\ne\sigma^2_0 σ2>σ02σ2<σ02σ2=σ02 | χ 2 ⩾ χ α 2 ( n − 1 ) χ 2 ⩽ χ 1 − α 2 ( n − 1 ) χ 2 ⩾ χ α / 2 2 ( n − 1 ) 或 χ 2 ⩽ χ 1 − α / 2 2 ( n − 1 ) \chi^2\geqslant\chi^2_\alpha(n-1)\\\chi^2\leqslant\chi^2_{1-\alpha}(n-1)\\\chi^2\geqslant\chi^2_{\alpha/2}(n-1)\text{或}\\\chi^2\leqslant\chi^2_{1-\alpha/2}(n-1) χ2⩾χα2(n−1)χ2⩽χ1−α2(n−1)χ2⩾χα/22(n−1)或χ2⩽χ1−α/22(n−1) |
6 6 6 | σ 1 2 ⩽ σ 2 2 σ 1 2 ⩾ σ 2 2 σ 1 2 = σ 2 2 ( μ 1 , μ 2 未知 ) \sigma_1^2\leqslant\sigma^2_2\\\sigma_1^2\geqslant\sigma^2_2\\\sigma_1^2=\sigma^2_2\\(\mu_1,\mu_2\text{未知}) σ12⩽σ22σ12⩾σ22σ12=σ22(μ1,μ2未知) | F = S 1 2 S 2 2 F=\cfrac{S_1^2}{S_2^2} F=S22S12 | σ 1 2 > σ 2 2 σ 1 2 < σ 2 2 σ 1 2 ≠ σ 2 2 \sigma_1^2>\sigma^2_2\\\sigma_1^2<\sigma^2_2\\\sigma_1^2\ne\sigma^2_2 σ12>σ22σ12<σ22σ12=σ22 | F ⩾ F α ( n − 1 ) F ⩽ F 1 − α ( n − 1 ) F ⩾ F α / 2 ( n − 1 ) 或 F ⩽ F 1 − α / 2 ( n − 1 ) F\geqslant F_\alpha(n-1)\\F\leqslant F_{1-\alpha}(n-1)\\F\geqslant F_{\alpha/2}(n-1)\text{或}\\F\leqslant F_{1-\alpha/2}(n-1) F⩾Fα(n−1)F⩽F1−α(n−1)F⩾Fα/2(n−1)或F⩽F1−α/2(n−1) |