统计学三大分布
1. 卡方分布
X 1 , ⋯ , X n i.i.d. , ∼ N ( 0 , 1 ) Y = ∑ i = 1 n X i 2 X_{1},\cdots,X_{n}\; \textup{i.i.d.},\sim N(0,1)\\Y=\sum_{i=1}^{n}X_{i}^{2} X1,⋯,Xni.i.d.,∼N(0,1)Y=i=1∑nXi2 Y Y Y服从自由度为 n n n的卡方分布: Y ∼ χ 2 ( n ) Y\sim \chi^{2}(n) Y∼χ2(n)重要性质: X 1 ∼ χ 2 ( m ) , X 2 ∼ χ 2 ( n ) , X 1 , X 2 独立 ⇒ X 1 + X 2 ∼ χ 2 ( m + n ) \boxed{X_{1}\sim \chi^{2}(m),\;X_{2}\sim \chi^{2}(n),\;X_{1},X_{2}独立\;\Rightarrow\; X_{1}+X_{2}\sim \chi^{2}(m+n)} X1∼χ2(m),X2∼χ2(n),X1,X2独立⇒X1+X2∼χ2(m+n) X 1 , ⋯ , X n i.i.d. , ∼ E ( λ ) ⇒ 2 λ ∑ i = 1 n X i ∼ χ 2 ( 2 n ) X_{1},\cdots,X_{n}\;\textup{i.i.d.},\sim E(\lambda)\;\Rightarrow\; 2\lambda\sum_{i=1}^{n}X_{i}\sim \chi^{2}(2n) X1,⋯,Xni.i.d.,∼E(λ)⇒2λi=1∑nXi∼χ2(2n)
2. t t t分布
X 1 ∼ χ 2 ( n ) , X 2 ∼ N ( 0 , 1 ) , X 1 , X 2 独立 X_{1}\sim \chi^{2}(n),\; X_{2}\sim N(0,1),\; X_{1},X_{2}独立 X1∼χ2(n),X2∼N(0,1),X1,X2独立 Y = X 2 1 n X 1 Y=\frac{X_{2}}{\sqrt{\frac{1}{n}X_{1}}} Y=n1X1X2 Y Y Y服从自由度为 n n n的 t t t分布: Y ∼ t ( n ) Y\sim t(n) Y∼t(n)重要性质: 当 n → ∞ 时 , t 分布 t ( n ) 收敛于标准正态分布 N ( 0 , 1 ) . 一般认为当 n > 30 ( 一说 n > 45 ) 时 , 有 Y = X 2 1 n X 1 ∼ 近似 N ( 0 , 1 ) . \boxed{当n\to \infty时,\; t分布t(n)收敛于标准正态分布N(0,1).\;一般认为当n>30\,(一说n>45)\,时,\; 有Y=\frac{X_{2}}{\sqrt{\frac{1}{n}X_{1}}}\overset{近似}{\sim}N(0,1).} 当n→∞时,t分布t(n)收敛于标准正态分布N(0,1).一般认为当n>30(一说n>45)时,有Y=n1X1X2∼近似N(0,1).
3. F F F分布
X 1 ∼ χ 2 ( n ) , X 2 ∼ χ 2 ( m ) , X 1 , X 2 独立 X_{1}\sim \chi^{2}(n),\; X_{2}\sim \chi^{2}(m),\; X_{1},X_{2}独立 X1∼χ2(n),X2∼χ2(m),X1,X2独立 Y = 1 m X 2 1 n X 1 Y=\frac{\frac{1}{m}X_{2}}{\frac{1}{n}X_{1}} Y=n1X1m1X2 Y Y Y服从自由度为 ( m , n ) (m,n) (m,n)的 F F F分布: Y ∼ F ( m , n ) Y\sim F(m,n) Y∼F(m,n)重要性质: X ∼ F ( m , n ) ⇒ 1 X ∼ F ( n , m ) \boxed{X\sim F(m,n)\; \Rightarrow\; \frac{1}{X}\sim F(n,m)} X∼F(m,n)⇒X1∼F(n,m) X ∼ t ( n ) ⇒ X 2 ∼ F ( 1 , n ) \boxed{X\sim t(n)\;\Rightarrow\; X^{2}\sim F(1,n)} X∼t(n)⇒X2∼F(1,n)
E ( X ) E(X) E(X) | D ( X ) D(X) D(X) | |
---|---|---|
X ∼ χ 2 ( n ) X\sim \chi^{2}(n) X∼χ2(n) | n \color{red}n n | 2 n \color{red}2n 2n |
X ∼ t ( n ) X\sim t(n) X∼t(n) | 0 ( n > 1 ) 0\;(n>1) 0(n>1) | n n − 2 ( n > 2 ) \frac{n}{n-2}\;(n>2) n−2n(n>2) |
X ∼ F ( m , n ) X\sim F(m,n) X∼F(m,n) | n n − 2 ( n > 2 ) \frac{n}{n-2}\;(n>2) n−2n(n>2) | 2 n 2 ( m + n − 2 ) m ( n − 2 ) 2 ( n − 4 ) ( n > 4 ) \frac{2n^{2}(m+n-2)}{m(n-2)^{2}(n-4)}\;(n>4) m(n−2)2(n−4)2n2(m+n−2)(n>4) |
统计量与抽样分布
1. 基本概念
(1) 总体(
X
X
X): 与所研究的问题有关的对象(个体)的全体所构成的集合.
——有限总体、无限总体、总体分布
(2) 样本[变量
(
X
1
,
⋯
,
X
n
)
(X_{1},\cdots,X_{n})
(X1,⋯,Xn), 观测值
(
x
1
,
⋯
,
x
n
)
(x_{1},\cdots,x_{n})
(x1,⋯,xn)]: 按一定的规定从总体中抽出的一部分个体.
——简单随机抽样、独立同分布
(3) 统计量: 不含任何未知参数的样本函数.
2. 常用统计量
样本均值: X ‾ = 1 n ∑ i = 1 n X i \overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_{i} X=n1i=1∑nXi样本方差: S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 S^{2}=\frac{1}{\color{red} n-1}\sum_{i=1}^{n}(X_{i}-\overline{X})^{2} S2=n−11i=1∑n(Xi−X)2样本标准差: S = S 2 S=\sqrt{S^{2}} S=S2样本 k k k阶(原点)矩: A k = 1 n ∑ i = 1 n X i k ( k ∈ N + ) A_{k}=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{k}\;(k\in \mathbb{N_{+}}) Ak=n1i=1∑nXik(k∈N+)样本 k k k阶中心矩: B k = 1 n ∑ i = 1 n ( X i − X ‾ ) k ( k ∈ N + ) B_{k}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\overline{X})^{k}\;(k\in \mathbb{N_{+}}) Bk=n1i=1∑n(Xi−X)k(k∈N+)部分性质: X ‾ 与 S 2 相互独立 \boxed{\overline{X}与S^{2}相互独立} X与S2相互独立 A 1 = X ‾ , B 2 = n − 1 n S 2 \boxed{A_{1}=\overline{X},\; B_{2}=\frac{n-1}{n}S^{2}} A1=X,B2=nn−1S2 总体 X , E ( X ) = μ , D ( X ) = σ 2 , X 1 ⋯ X n 是来自总体 X 的样本 , 则有 E ( X ‾ ) = μ , D ( X ‾ ) = σ 2 n , E ( S 2 ) = σ 2 , D ( S 2 ) = 2 σ 4 n − 1 . \boxed{总体X,\; E(X)=\mu,\; D(X)=\sigma^{2},\;X_{1}\cdots X_{n}是来自总体X的样本,\; 则有E(\overline{X})=\mu,\;D(\overline{X})=\frac{\sigma^{2}}{n},\;E(S^{2})=\sigma^{2},\;D(S^{2})=\frac{2\sigma^{4}}{n-1}.} 总体X,E(X)=μ,D(X)=σ2,X1⋯Xn是来自总体X的样本,则有E(X)=μ,D(X)=nσ2,E(S2)=σ2,D(S2)=n−12σ4.
3. 常见正态总体统计量的分布
X
1
,
⋯
,
X
n
X_{1},\cdots,X_{n}
X1,⋯,Xn是来自正态总体
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu, \sigma^{2})
X∼N(μ,σ2)的样本
X
‾
∼
N
(
μ
,
σ
2
n
)
\boxed{\overline X\sim N(\mu,\frac{\sigma^{2}}{n})}
X∼N(μ,nσ2)
(
n
−
1
)
S
2
σ
2
=
∑
i
=
1
n
(
X
i
−
X
‾
)
2
σ
2
∼
χ
2
(
n
−
1
)
\boxed{\frac{(n-1)S^{2}}{\sigma^{2}}=\frac{\displaystyle\sum_{i=1}^{n}(X_{i}-\textcolor{blue}{\overline X})^{2}}{\sigma^{2}}\sim \chi^{2}(\textcolor{red}{n-1})}
σ2(n−1)S2=σ2i=1∑n(Xi−X)2∼χ2(n−1)
∑
i
=
1
n
(
X
i
−
μ
)
2
σ
2
∼
χ
2
(
n
)
\frac{\displaystyle\sum_{i=1}^{n}(X_{i}-\textcolor{blue}{\mu})^{2}}{\sigma^{2}}\sim \chi^{2}(\textcolor{red}{n})
σ2i=1∑n(Xi−μ)2∼χ2(n)
X
‾
−
μ
S
/
n
∼
t
(
n
−
1
)
\boxed{\frac{\overline{X}-\mu}{\textcolor{blue}{S}/\sqrt{n}}\sim \textcolor{red}{t(n-1)}}
S/nX−μ∼t(n−1)
X
‾
−
μ
σ
/
n
∼
N
(
0
,
1
)
\frac{\overline{X}-\mu}{\textcolor{blue}{\sigma}/\sqrt{n}}\sim \textcolor{red}{N(0,1)}
σ/nX−μ∼N(0,1)
X
1
,
⋯
,
X
n
X_{1},\cdots,X_{n}
X1,⋯,Xn是来自正态总体
X
∼
N
(
μ
1
,
σ
1
2
)
X\sim N(\mu_{1}, \sigma_{1}^{2})
X∼N(μ1,σ12)的样本,
Y
1
,
⋯
,
Y
m
Y_{1},\cdots,Y_{m}
Y1,⋯,Ym是来自正态总体
Y
∼
N
(
μ
2
,
σ
2
2
)
Y\sim N(\mu_{2}, \sigma_{2}^{2})
Y∼N(μ2,σ22)的样本
X
‾
−
Y
‾
−
(
μ
1
−
μ
2
)
σ
1
2
n
+
σ
2
2
m
∼
N
(
0
,
1
)
\frac {\overline{X}-\overline{Y}-(\mu_{1}-\mu_{2})} {\sqrt{\frac{\sigma_{1}^{2}}{n}+\frac{\sigma_{2}^{2}}{m}}} \sim N(0,1)
nσ12+mσ22X−Y−(μ1−μ2)∼N(0,1)
S
2
2
/
σ
2
2
S
1
2
/
σ
1
2
∼
F
(
m
−
1
,
n
−
1
)
\boxed{\frac{S_{2}^{2}/\sigma_{2}^{2}}{S_{1}^{2}/\sigma_{1}^{2}}\sim F(m-1,n-1)}
S12/σ12S22/σ22∼F(m−1,n−1)
当
σ
1
2
=
σ
2
2
时
,
X
‾
−
Y
‾
−
(
μ
1
−
μ
2
)
(
n
−
1
)
S
1
2
+
(
m
−
1
)
S
2
2
n
+
m
−
2
1
n
+
1
m
∼
t
(
n
+
m
−
2
)
\boxed{当\sigma_{1}^{2}=\sigma_{2}^{2}时,\;\frac {\overline{X}-\overline{Y}-(\mu_{1}-\mu_{2})} {\sqrt{\frac {(n-1)S_{1}^{2}+(m-1)S_{2}^{2}} {n+m-2} }\sqrt{\frac{1}{n}+\frac{1}{m}}} \sim t(n+m-2)}
当σ12=σ22时,n+m−2(n−1)S12+(m−1)S22n1+m1X−Y−(μ1−μ2)∼t(n+m−2)
参数估计
1. 矩估计
总体分布为
f
(
x
;
θ
1
,
⋯
,
θ
k
)
f(x;\theta_{1},\cdots,\theta_{k})
f(x;θ1,⋯,θk). 解矩估计方程组
α
m
(
θ
1
,
⋯
,
θ
k
)
=
A
m
\alpha_{m}(\theta_{1},\cdots,\theta_{k})=A_{m}
αm(θ1,⋯,θk)=Am, 即:
∫
−
∞
∞
x
m
f
(
x
;
θ
1
,
⋯
,
θ
k
)
d
x
或
∑
i
x
i
m
f
(
x
i
;
θ
1
,
⋯
,
θ
k
)
=
1
n
∑
i
=
1
n
X
i
m
(
m
=
1
,
⋯
,
k
)
\boxed{\int_{-\infty}^{\infty}x^{m}f(x;\theta_{1},\cdots,\theta_{k})\textup{d}x或\sum_{i}x_{i}^{m}f(x_{i};\theta_{1},\cdots,\theta_{k})=\frac{1}{n}\sum_{i=1}^{n}X_{i}^{m}\;(m=1,\cdots,k)}
∫−∞∞xmf(x;θ1,⋯,θk)dx或i∑ximf(xi;θ1,⋯,θk)=n1i=1∑nXim(m=1,⋯,k), 得到
θ
j
\theta_{j}
θj的矩估计值
θ
j
^
=
θ
j
^
(
X
1
,
⋯
,
X
n
)
\hat{\theta_{j}}=\hat{\theta_{j}}(X_{1},\cdots,X_{n})
θj^=θj^(X1,⋯,Xn).
最常见的情况是用样本的
A
1
A_{1}
A1 (即
X
‾
\overline{X}
X)、
A
2
A_{2}
A2 (或
B
2
B_{2}
B2)去估计:
(1) 求出总体的矩
μ
=
E
(
X
)
=
g
(
θ
)
\mu=E(X)=g(\theta)
μ=E(X)=g(θ);
(2) 令
μ
=
g
(
θ
)
=
X
‾
\mu=g(\theta)=\overline{X}
μ=g(θ)=X, 反解出估计量方程
θ
^
=
h
(
X
‾
)
\hat{\theta}=h(\overline{X})
θ^=h(X);
(3) 将
X
‾
\overline{X}
X的值代入
θ
^
=
h
(
X
‾
)
\hat{\theta}=h(\overline{X})
θ^=h(X)计算出估计值.
有两个未知参数
θ
1
,
θ
2
\theta_{1},\theta_{2}
θ1,θ2的情况:
{
X
‾
=
μ
;
B
2
=
σ
2
(对矩估计的修正:
S
2
=
σ
2
)
.
\boxed{\begin{cases} \overline{X}=\mu;\\ B_{2}=\sigma^{2}\;\textup{(对矩估计的修正: }S^{2}=\sigma^{2}). \end{cases}}
{X=μ;B2=σ2(对矩估计的修正: S2=σ2).
2. 极大似然估计
总体
X
X
X,
P
(
X
=
x
)
=
p
(
x
;
θ
1
,
⋯
,
θ
k
)
P(X=x)=p(x;\theta_{1},\cdots,\theta_{k})
P(X=x)=p(x;θ1,⋯,θk)(对离散型总体)或概率密度为
f
(
x
;
θ
1
,
⋯
,
θ
k
)
f(x;\theta_{1},\cdots,\theta_{k})
f(x;θ1,⋯,θk)(对连续型总体), 其中
θ
\theta
θ为未知参数. 设
x
1
,
⋯
,
x
n
x_{1},\cdots,x_{n}
x1,⋯,xn是一组样本观测值.
(1) 计算似然函数
L
(
θ
1
,
⋯
,
θ
k
)
=
∏
i
=
1
n
p
(
x
i
;
θ
1
,
⋯
,
θ
k
)
或
∏
i
=
1
n
f
(
x
i
;
θ
1
,
⋯
,
θ
k
)
L(\theta_{1},\cdots,\theta_{k})=\displaystyle\prod_{i=1}^{n}p(x_{i};\theta_{1},\cdots,\theta_{k})或\displaystyle\prod_{i=1}^{n}f(x_{i};\theta_{1},\cdots,\theta_{k})
L(θ1,⋯,θk)=i=1∏np(xi;θ1,⋯,θk)或i=1∏nf(xi;θ1,⋯,θk);
(2) 对似然函数(其关于
θ
j
{\theta_{j}}
θj的部分通常较为复杂)取对数得
l
(
θ
1
,
⋯
,
θ
k
)
=
ln
L
(
θ
1
,
⋯
,
θ
k
)
=
∑
i
=
1
n
ln
p
(
x
i
;
θ
1
,
⋯
,
θ
k
)
或
∑
i
=
1
n
ln
f
(
x
i
;
θ
1
,
⋯
,
θ
k
)
\boxed{l(\theta_{1},\cdots,\theta_{k})=\textup{ln}L(\theta_{1},\cdots,\theta_{k})=\sum_{i=1}^{n}\textup{ln}p(x_{i};\theta_{1},\cdots,\theta_{k})或\sum_{i=1}^{n}\textup{ln}f(x_{i};\theta_{1},\cdots,\theta_{k})}
l(θ1,⋯,θk)=lnL(θ1,⋯,θk)=i=1∑nlnp(xi;θ1,⋯,θk)或i=1∑nlnf(xi;θ1,⋯,θk);
(3) 对
θ
j
\theta_{j}
θj求(偏)导, 并令
∂
∂
θ
j
l
(
θ
1
,
⋯
,
θ
k
)
=
0
\boxed{\frac{\partial}{\partial\theta_{j}}l(\theta_{1},\cdots,\theta_{k})=0}
∂θj∂l(θ1,⋯,θk)=0, 解出极大似然估计值
θ
j
^
\hat{\theta_{j}}
θj^;
(4) 验证二阶(偏)导
∂
2
∂
θ
j
2
l
(
θ
1
,
⋯
,
θ
k
)
∣
θ
j
=
θ
j
^
<
0
\frac{\partial^{2}}{\partial\theta_{j}^{2}}l(\theta_{1},\cdots,\theta_{k})|_{\theta_{j}=\hat{\theta_{j}}}<0
∂θj2∂2l(θ1,⋯,θk)∣θj=θj^<0, 确保
θ
j
^
\hat{\theta_{j}}
θj^为区间上的极大值点.
如果发现似然函数
L
(
θ
1
,
⋯
,
θ
k
)
L(\theta_{1},\cdots,\theta_{k})
L(θ1,⋯,θk)在区间上关于待估参数
θ
j
\theta_{j}
θj是单调的, 也即方程
∂
∂
θ
j
l
(
θ
1
,
⋯
,
θ
k
)
=
0
或
∂
∂
θ
j
L
(
θ
1
,
⋯
,
θ
k
)
=
0
\frac{\partial}{\partial\theta_{j}}l(\theta_{1},\cdots,\theta_{k})=0或\frac{\partial}{\partial\theta_{j}}L(\theta_{1},\cdots,\theta_{k})=0
∂θj∂l(θ1,⋯,θk)=0或∂θj∂L(θ1,⋯,θk)=0无解, 那么就要根据
L
(
θ
1
,
⋯
,
θ
k
)
L(\theta_{1},\cdots,\theta_{k})
L(θ1,⋯,θk)关于
θ
j
\theta_{j}
θj的单调性来选取
θ
j
^
\hat{\theta_{j}}
θj^的值了. 要注意
x
x
x的取值范围, 以及取值范围与
θ
j
\theta_{j}
θj的关联.
3. 估计量的优良性准则
设
θ
^
=
θ
^
(
X
1
,
⋯
,
X
n
)
\hat{\theta}=\hat{\theta}(X_{1},\cdots,X_{n})
θ^=θ^(X1,⋯,Xn)是未知参数
θ
\theta
θ的估计量.
【相合性】
若
∀
ε
>
0
\forall \varepsilon>0
∀ε>0, 有
lim
n
→
∞
P
(
∣
θ
^
−
θ
∣
⩾
ε
)
=
0
\lim\limits_{n\to \infty}P(|\hat{\theta}-\theta|\geqslant \varepsilon)=0
n→∞limP(∣θ^−θ∣⩾ε)=0 (依概率收敛), 则称
θ
^
\hat{\theta}
θ^为
θ
\theta
θ的相合估计量(一致估计量).
【无偏性】
若
E
(
θ
^
)
=
θ
\boxed{E(\hat{\theta})=\theta}
E(θ^)=θ, 则称
θ
^
\hat{\theta}
θ^为
θ
\theta
θ的无偏估计量;
若
lim
n
→
∞
E
(
θ
^
)
=
θ
\lim\limits_{n\to \infty}E(\hat{\theta})=\theta
n→∞limE(θ^)=θ, 则称
θ
^
\hat{\theta}
θ^为
θ
\theta
θ的渐近无偏估计量.
【有效性】
对于待估参数
θ
\theta
θ的估计量
θ
1
^
,
θ
2
^
\hat{\theta_{1}},\hat{\theta_{2}}
θ1^,θ2^, 若
D
(
θ
1
^
)
⩽
D
(
θ
2
^
)
\boxed{D(\hat{\theta_{1}})\leqslant D(\hat{\theta_{2}})}
D(θ1^)⩽D(θ2^), 则称
θ
1
^
\hat{\theta_{1}}
θ1^比
θ
2
^
\hat{\theta_{2}}
θ2^更加有效.
4. 区间估计
P
(
θ
‾
<
θ
<
θ
‾
)
=
1
−
α
(
0
<
α
<
1
)
P(\underline{\theta}<\theta<\overline{\theta})=1-\alpha\; (0<\alpha<1)
P(θ<θ<θ)=1−α(0<α<1)
随机区间
(
θ
‾
,
θ
‾
)
(\underline{\theta},\overline{\theta})
(θ,θ)是
θ
\theta
θ的置信度为
1
−
α
1-\alpha
1−α的置信区间, 分别称
θ
‾
\underline{\theta}
θ和
θ
‾
\overline{\theta}
θ为置信度为
1
−
α
1-\alpha
1−α的置信上限和置信下限.
假设检验
0. 上分位点
u
α
u_{\alpha}
uα是
X
X
X或其分布的上
α
\alpha
α分位点:
P
(
X
>
u
α
)
=
α
P(X>u_{\alpha})=\alpha
P(X>uα)=α
记号约定:
N
(
0
,
1
)
−
z
α
N(0,1)-\color{red}z_{\alpha}
N(0,1)−zα;
χ
2
(
n
)
−
χ
α
2
(
n
)
\chi^{2}(n)-\color{red}\chi_{\alpha}^{2}(n)
χ2(n)−χα2(n);
t
(
n
)
−
t
α
(
n
)
t(n)-\color{red}t_{\alpha}(n)
t(n)−tα(n);
F
(
n
,
m
)
−
F
α
(
n
,
m
)
F(n,m)-\color{red}F_{\alpha}(n,m)
F(n,m)−Fα(n,m)
性质:
z
1
−
α
=
−
z
α
z_{1-\alpha}=-z_{\alpha}
z1−α=−zα;
t
1
−
α
(
n
)
=
−
t
α
(
n
)
t_{1-\alpha}(n)=-t_{\alpha}(n)
t1−α(n)=−tα(n);
F
α
(
n
,
m
)
=
1
F
1
−
α
(
m
,
n
)
F_{\alpha}(n,m)=\displaystyle{\frac{1}{F_{1-\alpha}(m,n)}}
Fα(n,m)=F1−α(m,n)1
1. σ 2 \sigma^{2} σ2已知时关于 μ \mu μ的假设检验 ( u u u检验)
H 0 H_{0} H0 | H 1 H_{1} H1 | 检验统计量 | 拒绝域 W W W |
---|---|---|---|
μ = μ 0 \mu=\mu_{0} μ=μ0 | μ ≠ μ 0 \mu\ne\mu_{0} μ=μ0 | x ‾ − μ 0 σ / n \frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}} σ/nx−μ0 | { ∣ x ‾ − μ 0 σ / n ∣ > z α 2 } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}}\right\vert>z_{\frac{\alpha}{2}}\right\} { σ/nx−μ0 >z2α} |
μ = μ 0 / μ ⩽ μ 0 \mu=\mu_{0}/\mu\leqslant\mu_{0} μ=μ0/μ⩽μ0 | μ > μ 0 \mu>\mu_{0} μ>μ0 | x ‾ − μ 0 σ / n \frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}} σ/nx−μ0 | { ∣ x ‾ − μ 0 σ / n ∣ > z α } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}}\right\vert>z_{\alpha}\right\} { σ/nx−μ0 >zα} |
μ = μ 0 / μ ⩾ μ 0 \mu=\mu_{0}/\mu\geqslant\mu_{0} μ=μ0/μ⩾μ0 | μ < μ 0 \mu<\mu_{0} μ<μ0 | x ‾ − μ 0 σ / n \frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}} σ/nx−μ0 | { ∣ x ‾ − μ 0 σ / n ∣ < − z α } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{\sigma/\sqrt{n}}\right\vert<-z_{\alpha}\right\} { σ/nx−μ0 <−zα} |
2. σ 2 \sigma^{2} σ2未知时关于 μ \mu μ的假设检验 ( t t t检验)
H 0 H_{0} H0 | H 1 H_{1} H1 | 检验统计量 | 拒绝域 W W W |
---|---|---|---|
μ = μ 0 \mu=\mu_{0} μ=μ0 | μ ≠ μ 0 \mu\ne\mu_{0} μ=μ0 | x ‾ − μ 0 S / n \frac{\overline{x}-\mu_{0}}{S/\sqrt{n}} S/nx−μ0 | { ∣ x ‾ − μ 0 S / n ∣ > t α 2 ( n − 1 ) } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{S/\sqrt{n}}\right\vert>t_{\frac{\alpha}{2}}(n-1)\right\} { S/nx−μ0 >t2α(n−1)} |
μ = μ 0 / μ ⩽ μ 0 \mu=\mu_{0}/\mu\leqslant\mu_{0} μ=μ0/μ⩽μ0 | μ > μ 0 \mu>\mu_{0} μ>μ0 | x ‾ − μ 0 S / n \frac{\overline{x}-\mu_{0}}{S/\sqrt{n}} S/nx−μ0 | { ∣ x ‾ − μ 0 S / n ∣ > t α ( n − 1 ) } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{S/\sqrt{n}}\right\vert>t_{\alpha}(n-1)\right\} { S/nx−μ0 >tα(n−1)} |
μ = μ 0 / μ ⩾ μ 0 \mu=\mu_{0}/\mu\geqslant\mu_{0} μ=μ0/μ⩾μ0 | μ < μ 0 \mu<\mu_{0} μ<μ0 | x ‾ − μ 0 S / n \frac{\overline{x}-\mu_{0}}{S/\sqrt{n}} S/nx−μ0 | { ∣ x ‾ − μ 0 S / n ∣ < − t α ( n − 1 ) } \left\{\left\vert\frac{\overline{x}-\mu_{0}}{S/\sqrt{n}}\right\vert<-t_{\alpha}(n-1)\right\} { S/nx−μ0 <−tα(n−1)} |
3. μ \mu μ已知时关于 σ 2 \sigma^{2} σ2的假设检验 ( χ 2 \chi^{2} χ2检验/卡方检验)
4. μ \mu μ未知时关于 σ 2 \sigma^{2} σ2的假设检验 ( χ 2 \chi^{2} χ2检验/卡方检验)
5. σ 1 2 \sigma_{1}^{2} σ12及 σ 2 2 \sigma_{2}^{2} σ22已知时, μ 1 − μ 2 \mu_{1}-\mu_{2} μ1−μ2的假设检验
6. σ 1 2 = σ 2 2 = σ 2 \sigma_{1}^{2}=\sigma_{2}^{2}=\sigma^{2} σ12=σ22=σ2未知时, μ 1 − μ 2 \mu_{1}-\mu_{2} μ1−μ2的假设检验
7. μ 1 \mu_{1} μ1及 μ 2 \mu_{2} μ2未知时, σ 1 2 σ 2 2 \displaystyle{\frac{\sigma_{1}^{2}}{\sigma_{2}^{2}}} σ22σ12的假设检验 ( F F F检验)
8. 成对数据的 t t t检验
成对数据
x
1
,
⋯
,
x
n
x_{1},\cdots,x_{n}
x1,⋯,xn和
y
1
,
⋯
,
y
n
y_{1},\cdots,y_{n}
y1,⋯,yn
配对差值
d
i
=
y
i
−
x
i
(
i
=
1
,
⋯
,
n
)
d_{i}=y_{i}-x_{i}\;(i=1,\cdots,n)
di=yi−xi(i=1,⋯,n)
可以将
d
1
,
⋯
,
d
n
d_{1},\cdots,d_{n}
d1,⋯,dn视为来自正态总体
N
(
μ
,
σ
2
)
N(\mu,\sigma^{2})
N(μ,σ2)的样本
问题变成对单个正态总体在方差未知时, 对均值的
t
t
t检验