统计学笔试知识点

伯努利大数定理

中心极限定理

独立同分布的中心极限定理：独立同分布的n个随机变量，有相同的期望$\mu$和方差${\sigma }^2$，当n充分大时，随机变量的算术平均近似服从正态分布

大数定律阐述了概率是客观存在的，而频率是具有稳定性的，当试验次数无穷多后稳定在一个值附近上下波动，这个值就是概率，表征了事件发生可能性的大小。大数定律是试验研究的理论基础。
中心极限定理则表明在相当一般的条件下，当独立随机变量个数不断增加时，其和的分布趋于正态分布，阐明了正态分布的重要性。
该定理（前两个）意义在于：现实问题中考虑的随机变量能表示成多个随机独立随机变量之和，如实验误差是由许多观测不到、可加的微小误差所合成的，其和近似服从正态分布，因此往往可以用正态分布来估计总的误差。

条件概率

其中，贝叶斯公式是已知结果去寻找原因
解题思路：
结果一般是$B$，题目给出的概率事件一般是$A_i$，这种概率需要注意是否需要组合条件计算（可以将事件$A_i$概率相加是否等于1作为判断，因为$A_i$的并集应该是完备集）。先求出全概率$P(B)$，再计算题目要求发生原因的概率$P(A_k)P(B|A_k)$，最后再除。
例题：
1.一台设备由10个元件组成，在保修期间，每个元件的失效率为0.05，各元件是否失效是相互独立的，若有一个元件失效，设备不能使用的概率为0.5，若有两个元件失效，设备不能使用的概率是0.8，若有三个或者三个以上的元件失效，设备一定不能使用。

（1）求设备在保修期内不能使用的概率；

（2）已知设备不能使用，求是一个元件失效的概率。
解：

常用分布

离散分布

数学期望

$\mu =E(X)=\sum xp(x)$
特别地：$E[(X-\mu {)}^2]=(E(x){)}^2-{\mu }^2$

方差

${\sigma }^2=E[(x-\mu {)}^2]=\sum (x-\mu {)}^{2}p(x)$

伯努利分布

进行一次伯努利试验，成功（X=1）概率为p（0≤p≤1），失败（X=0）概率为1-p，则称随机变量X服从伯努利分布。伯努利只有两种结果
c

数学期望

$E=p$

方差

$D=p(1-p)$

二项分布

如果试验E是一个伯努利试验，每次伯努利试验的成功概率为p，X代表成功的次数，则X的概率分布是二项分布，记为X~B(n,p)
$P(X=k)=(\frac{n!}{k!(n-k)!})p^k(1-p{)}^{1-k}$

数学期望

$E=np$

方差

$D=np(1-p)$

连续型分布

概率密度函数

Q: 概率密度函数在某点的函数值，有什么意义？
A: 其实 概率密度函数值 即为 概率在该点的变化率.

概率分布函数

正态分布

概率密度函数

数学期望

$E=\mu$

方差

$D={\sigma }^2$

均匀分布

均匀分布是指连续型随机变量所有可能出现值的出现概率都相同。其概率密度函数为：
$f(x)=\frac{1}{b-a}$

数学期望

$E=\frac{a+b}{2}$

方差

$D=\frac{(b-a{)}^2}{12}$

指数分布

指数分布通常用来表示随机事件发生的时间间隔，如旅客进机场的时间间隔、电子产品的寿命分布等。

指数分布的特征：无记忆性。比如灯泡的使用寿命服从指数分布，无论它已经使用了多长时间，假设为s，只要还没有损坏，它能再使用一段时间t的概率与一件新产品使用时间t的概率是一样的。
概率密度函数
$f(x)=\frac{1}{\theta }{e}^{-\frac{x}{\theta }}$

数学期望

$E=\theta$

方差

$D=\theta$

$\Gamma$分布

$\Gamma$函数

概率密度函数

${\chi }^2$分布

N(0,1)是标准正态分布

$t$分布

假设检验

例子

显著性水平

显著性水平 α 为犯第一类错误的概率。
显著性水平是指当原假设实际上正确时，检验统计量落在拒绝域的概率，简单理解就是犯弃真错误的概率。这个值是我们做假设检验之前统计者根据业务情况定好的。

P值

用于确定我们是否拒绝H0，是一个概率值，如图当P值小于显著水平时，说明检验的统计量落入拒绝域中，拒绝零假设。

步骤

假设形式：

检验统计量：
$\sigma$已知：$z=\frac{\bar{x}-{\mu }_0}{\sigma /\sqrt{n}}$
$\sigma$未知：$z=\frac{\bar{x}-{\mu }_0}{s/\sqrt{n}}$

参数估计

点估计

用样本的估计量的某个取值直接作为总体参数的估计值
例如：用样本均值直接作为总体均值的估计；
用两个样本均值之差直接作为总体均值之差的估计。

区间估计

例子：

最大似然估计

例子：设总体X服从参数为$\lambda$的指数分布，$(x_1,x_2,...,x_n)$为样本观察值，求$\lambda$的最大似然估计值
解：总体X的概率密度函数为:

似然函数：

设总体X分布律为：

求参数p的最大似然估计量

方差估计