1.总体和样本:
总体指全体,即所有个体,包含有限全体和无限全体,X表示。
样本指抽样,(X1,X2,...,Xn)指的是样本变量,(x1,x2,...,xn)指的是样本的观测值。
简单随机抽样服从独立同分布。
2.统计量
统计量定义:不含任何未知参数的样本的函数(可以含参数,但参数不能是未知的,可随意构造)
常见统计量:
设样本(X1,X2,...,Xn)来自总体X,
样本均值:
未修正的样本方差:
样本方差:
样本标准差:
其中
样本k阶原点矩:
样本k阶中心矩:
协方差:
相关系数:
3.分布:
设随机变量X1,X2,...,Xn相互独立,且同服从标准正态分布,则它们的平方和=
服从自由度为n的
分布,记为
。自由度n表示独立随机变量的个数。
若X~,则EX=n,DX=2n
4.t分布:
设X~N(0,1),Y~,X,Y独立,则称随机变量
服从自由度为n的t分布,记作T~t(n).
t分布对称。
当自由度无限增大时,t分布将趋于标准正态分布。
5.F分布:
设X~(n1),Y~
(n2),X与Y相互独立,
.
6.正态总体下的抽样分布:
总体(一个或多个)是正态分布,抽样本构造的统计量的分布。
7.参数估计:
已知一个问题的总体是什么分布,但是总体分布的参数不清楚,抽样获取样本来构造统计量,使
,进而反解出估计总体分布的参数。
点估计:估计参数的值。
1.矩估计法:用样本的矩估计总体的矩
一阶样本矩:,一阶总体矩:
二阶样本矩:,二阶总体矩:
若,
是样本,求
矩估计。
一阶总体矩:,一阶样本矩:
。令
,即解得
(后续求矩估计值再把样本观测值代入)。
同理,二阶总体矩:,二阶样本矩:
。令
,解得
,(后续求矩估计值再把样本观测值代入)。
2.极大似然估计:
基本思想:1.概率大的事件比概率小的事件更容易发生。2.使事件A发生的概率最大的参数值作为其参数估计值。
最大似然函数分离散型和连续型。
离散型:
若总体,
为样本,求
的极大似然估计。
总体的概率函数为:
则似然函数为,取对数再对
求导,令导数等于0.解得
连续型同理。
区间估计:估计参数的范围。
为置信度(告诉你的),即以
的概率落入此区间。
为置信区间,
和
是你要求的。
定义:
1.,其中
的分布F是已知的且与
无关,
是已知的,
是未知的,我们的目的就是反解
的范围。
2.给定,确定F的上
分位数,上
分位数。(分布两边对称是为了保证区间最小)
本博客参考了【《概率论与数理统计》教学视频全集(宋浩)】 https://www.bilibili.com/video/BV1ot411y7mU/?p=61&share_source=copy_web&vd_source=83ca6ae1c32cb23d1c89679c0fe00479