中华科技大学统计学——李伯坚老师课程笔记

最新推荐文章于 2022-12-30 20:55:34 发布

乡村农夫

最新推荐文章于 2022-12-30 20:55:34 发布

阅读量906

点赞数

分类专栏：数学

本文链接：https://blog.csdn.net/qq_23114283/article/details/114505552

版权

11 篇文章 0 订阅

订阅专栏

贝氏定理： $P(A_{1}|B)=\frac{P(A_{1}\bigcap B)}{P(B)}=\frac{P(B|A_{1})P(A_{1})}{\sum_{i}^{n}P(B|A_{i})P(A_{i})}$

间断型分布

几何分配，重复实验直到成功就停止。 $E(x)=\frac{1}{p}, D(x)=\frac{q}{p^{2}}$
负二项分配，重复实验直到成功k次就停止。 $E(x)=\frac{k}{p}, D(x)=\frac{kq}{p^{2}}$
超几何分配，抽出不放回。 $E(x)=np, D(x)=\frac{N-n}{n-1}npq$
二项分配，抽出放回。
布阿松分配，探讨在一段时间内发生的次数 $\lambda$ 。 $P(x)=\frac{e^{-\lambda }\lambda ^{x}}{x!}$ , $E(x)=\lambda ,D(x)=\lambda$

动差，一阶原点动差就是期望，二阶中心动差是方差（变异数），三阶中心动差可以测量偏态，四阶中心动差可以测量峰度。

动差生成函数（对t微分r次，再另t等于0即可得出r阶动差）

连续型分布 $E(x)=\int_{-\infty }^{\infty }xf(x)dx, D(x)=\int_{-\infty }^{\infty }(x-\upsilon )^{2}f(x)dx$

伽玛分配 $f(x)=\frac{1}{\beta ^{\alpha }\Gamma (\alpha )}x^{\alpha -1}e^{-\frac{x}{\beta }}, \alpha >0, \beta >0$ 。 $E(x)=\alpha \beta ,D(x)=\alpha \beta ^{2}$
指数分配，是伽玛分配 $\alpha =1$ 的特例 $f(x)=\frac{1}{\beta }e^{-\frac{x}{\beta }},\beta >0$ 。 $E(x)=\beta ,D(x)=\beta ^{2}$
卡方分配，是伽玛分配的特例 $f(x)=\frac{1}{2^{\frac{\upsilon }{2}}\Gamma (\frac{\nu }{2})}x^{\frac{\nu }{2}-1}e^{-\frac{x}{2}}, x>0$ 。 $E(x)=\nu ,D(x)=2\nu$ 。性质： $Y=X_{1}+X_{2},$ 则Y的自由度为 $\nu _{1}+\nu _{2}$ 。标准常态分配的平方等于以1为自由度的卡方分配 $Z^{2}\sim \chi_{1}^{2}$ 。 $\frac{(n-1)s^{2}}{\sigma ^{2}}\sim \chi _{n-1}^{2}$
常态分配， $f(x)=\frac{1}{\sqrt{2\pi}\sigma }e^{-\frac{1}{2}(\frac{x-\mu }{\sigma })^{2}}$ , $E(x)=\mu ,D(x)=\sigma ^{2}$ 。标准化 $Z=\frac{X-\mu }{\sigma }$

联合分配: $E[g(x,y)]=\int_{-\infty }^{\infty }\int_{-\infty }^{\infty }g(x,y)f(x,y)dxdy$

共变异数： $cov(X,Y)=E[(X-\mu _{1})(Y-\mu _{2})]=E(XY)-E(X)E(Y)$

条件期望值： $E(X|Y=y)=\int_{-\infty }^{\infty }xf_{X|Y}(x|y)dx$ ,其中 $E(X|Y=y)=\frac{f(x,y)}{f_{Y}(y)}$

常用统计量的抽样分配： $\bar{X}, \hat{p},s^{2}$

中央极限定理： $\lim_{n\rightarrow \infty }\frac{X_{1}+...+X_{n}}{n}\sim N(\nu ,\frac{\sigma ^{2}}{n})$

抽样分配

T分配， $T=\frac{\bar{X}-\mu }{s/\sqrt{n}}=\frac{Z}{\sqrt{s^{2}/\sigma ^{2}}}=\frac{Z}{\sqrt{\chi ^{2}/n-1}}$ ,其中 $\chi ^{2}=\frac{(n-1)s^{2}}{\sigma ^{2}}$ 。几率密度函数 $f(t)=\frac{\Gamma (\frac{\nu +1}{2})}{\sqrt{\pi\nu }\Gamma (\frac{\nu }{2})}(1+\frac{t^{2}}{\nu })^{-\frac{\nu +1}{2}}, -\infty <t<\infty$
F分配， $F=\frac{\chi _{1}^{2}/\nu _{1}}{\chi _{2}^{2}/\nu _{2}}$ , $h(f)=\frac{\Gamma (\frac{\nu _{1}+\nu _{2}}{2})(\frac{\nu _{1}}{\nu _{2}})^{\frac{\nu _{1}}{2}}}{\Gamma (\frac{\nu _{1}}{2})\Gamma (\frac{\nu _{2}}{2})}\frac{f^{\frac{\nu _{1}}{2}-1}}{(1+\frac{\nu _{1}}{\nu _{2}}f)^{(\nu _{1}+\nu _{2})/2}}$ 。性质：1. $f(\nu _{1},\nu _{2})=\frac{1}{f(\nu _{2},\nu _{1})}$ 。 2. $f_{1-\alpha }(\nu _{2}, \nu _{1}) = \frac{1}{f_{\alpha }(\nu _{1}, \nu _{2})}$ 。3. $F(1,\nu _{2})\sim T^{2}(\nu _{2})$ 。 4. $E(x)=\frac{\nu _{2}}{\nu _{2}-2}$

===============================假设鉴定开始========================================

点估计

动差估计法， $E(x)=\bar{x},E(x^{2})=\sigma ^{2} + \mu ^{2}$
最大概似法，（利用微积分，求导取最值）
贝氏估计法，
母体平均数：大样本 $Z=\frac{\bar{x}-\mu }{s/\sqrt{n}}$ 。小样本 $t=\frac{\bar{x}-\mu }{s/\sqrt{n}}$ 。
母体比例：大样本 $Z=\frac{\hat{p}-p }{\sqrt{\frac{pq}{n}}}$ 。
母体变异数： $\chi ^{2}=\frac{(n-1)s^{2}}{\sigma ^{2}}$
两母体平均数的差：

区间估计

母体平均数的信赖区间： $P(-Z_{\alpha /2}<\frac{\bar{X}-\mu }{\sigma /\sqrt{n}}<Z_{\alpha /2}) = 1-\alpha \Rightarrow P(\bar{X}-Z_{\alpha /2}\sigma \sqrt{n}<\mu <\bar{X}+Z_{\alpha /2}\sigma \sqrt{n})=1-\sigma$
母体比例的信赖区间： $(\hat{p}-Z_{\alpha /2}\sqrt{\frac{\hat{p}\hat{q}}{n}}, \hat{p}+Z_{\alpha /2}\sqrt{\frac{\hat{p}\hat{q}}{n}})$
母体变异数的信赖区间： $P(\frac{(n-1)s^{2}}{\chi _{\alpha /2}^{2}}<\sigma ^{2}<\frac{(n-1)s^{2}}{\chi _{1-\alpha /2}^{2}}) = 1-\alpha$
布阿松分配 $\lambda$ 的区间估计: $(\bar{X}-Z_{\alpha /2}\sqrt{\frac{\bar{X}}{n}}, \bar{X}+Z_{\alpha /2}\sqrt{\frac{\bar{X}}{n}})$
两母体平均数差的信赖区间： $P[(\bar{_{X_{1}}}-\bar{_{X_{2}}})-Z_{\alpha /2}\sqrt{\frac{\sigma _{1}^{2}}{n_{1}}+\frac{\sigma _{2}^{2}}{n_{2}}}<\mu _{1}-\mu _{2}<(\bar{_{X_{1}}}+\bar{_{X_{2}}})-Z_{\alpha /2}\sqrt{\frac{\sigma _{1}^{2}}{n_{1}}+\frac{\sigma _{2}^{2}}{n_{2}}}] = 1-\alpha$
母体比例的信赖区间： $[(\hat{p_{1}}-\hat{p_{2}})-Z_{\alpha /2}\sqrt{\frac{\hat{p_{1}\hat{q_{1}}}}{n_{1}}+\frac{\hat{p_{2}\hat{q_{2}}}}{n_{2}}}, (\hat{p_{1}}-\hat{p_{2}})+Z_{\alpha /2}\sqrt{\frac{\hat{p_{1}\hat{q_{1}}}}{n_{1}}+\frac{\hat{p_{2}\hat{q_{2}}}}{n_{2}}}]$
两母体变异数比率的信赖区间： $P(\frac{s_{1}^{2}}{s_{2}^{2}}\frac{1}{f_{\alpha /2}(\nu _{1}, \nu _{2})}<\frac{\sigma _{1}^{2}}{\sigma _{2}^{2}}<\frac{s_{1}^{2}}{s_{2}^{2}}\frac{1}{f_{1-\alpha /2}(\nu _{1}, \nu _{2})})=1-\alpha$

样本数与误差（样本越大误差越小）：误差 $d=Z_{\alpha /2}\sigma /\sqrt{n}$ 。样本数 $n = (\frac{Z_{\alpha /2}}{d})^{2}\sigma ^{2}$

lagrange乘数： $f_{x} = \lambda g_{x}, f_{y} = \lambda g_{y}, g = 0$

回归

卡方检定

利用 $\sum_{i=1}^{n}\frac{(O_{i}-E_{i})^{2}}{E_{i}}\sim \chi ^{2}$ ,服从n-1为自由度的卡方分配，检定结论是否显著。
齐一性检定：目的是检定两个或两个以上的母体某一特性的分配是否相同。利用自由度为的卡方分配，检定结论是否显著

变异数分析（Analysis of Variance）(要求满足常态行，独立性，变异数要相等)

单因子变异数

目的：检定三个或以上的母体平均数是否相等的统计方法
原理： $\frac{\frac{\chi _{ssb}}{df_{ssb}}}{\frac{\chi _{ssw}}{df_{ssw}}}\sim F$ ，（SST = SSB+SSW, SST的自由度为N-1, SSB的自由度为k-1,SSW的自由度为N-k）

双因子变异数（待更）

无母数检定（待更）

统计学应用（待更）

视频链接

关注

专栏目录