东北大学应用数理统计知识点总结——复习知识点（浓缩版）

复习知识点（浓缩版）

第一章

• 协方差矩阵的计算、证明变量独立
• 期望定义、标准正态的绝对值的期望、方差
• 标准正态查表
• 中心极限定理、切比雪夫不等式
• 常用分布对应的密度函数、期望、方差
• 三大分布（非常重要，要会熟练推导）
• 顺序统计量的密度函数，顺序统计量的期望、方差

第二章

• 矩估计
• 极大似然估计
• 概率密度函数
• 求对数
• 对要求的参数求导
• 导数等于0，求极值点（会求导数大于零、小于零的情况）
• 区间估计
• 构造三大分布和标准正态分布
• 用分位点进行区间估计即可。注意F分布的非负性
• 贝叶斯估计
  B ( d ) = E { E ( L [ θ , d ( ξ 1 , ξ 2 , ⋅ ⋅ ⋅ , ξ n ) ] ∣ ξ 1 , ξ 2 , ⋅ ⋅ ⋅ , ξ n ) } B(d)= E \{ E(L[\theta, d(\xi_1, \xi_2, ··· , \xi_n)]| \xi_1, \xi_2, ··· , \xi_n) \} B(d)=E{E(L[θ,d(ξ1​,ξ2​,⋅⋅⋅,ξn​)]∣ξ1​,ξ2​,⋅⋅⋅,ξn​)}
  $$h(y|x_1,\cdot \cdot \cdot ,x_n)=\frac{\pi (y)f(x_1,\cdot \cdot \cdot ,x_n|y)}{{\int }_{-\infty }^{\infty }f(x_1,\cdot \cdot \cdot ,x_n|y)d{F}_{\theta }(y)}\propto \pi (y)f(x_1,\cdot \cdot \cdot ,x_n|y)$$

第三章

• 第一类错误，第二类错误
• 假设检验（会推导拒绝域）
• 是否服从某个分布
• 取检验统计量
  $$K^2=\sum _{i=1}^k\frac{n}{\widehat{p_i}}(\frac{v_i}{n}-\widehat{p_i}{)}^2$$
• 水平 $\alpha$ 的一个拒绝域
  $$K^2>{\chi }_{\alpha }^2(k-r-1)$$
• 变量间是否有显著性关系（上面是通用公式，下面那个式子只针对四格表，计算方便）
  $$K^2=n[\sum _{i=1}^s\sum _{j=1}^t\frac{n_{ij}^2}{n_{i\cdot }{n}_{\cdot j}}-1]$$
  $$K^2>{\chi }_{\alpha }^2((s-1)(t-1))$$
• 四格表
  $$K^2=\frac{n(n_{11}{n}_{22}-n_{12}{n}_{21}{)}^2}{n_{1\cdot }{n}_{2\cdot }{n}_{\cdot 1}{n}_{\cdot 2}}$$

$$K^2>{\chi }_{\alpha }^2(1)$$

第四章

• 单因素方差检验表（r表示元素个数，n表示样本数，$n_i$表示每个元素对应样本数，$\overline{y_i}$表示每个元素样本的平均数）
  $$CSS=\sum _{i=1}^r{n}_i(\overline{y_i}-\overline{y}{)}^2$$
  $$RSS=\sum _{i=1}^r\sum _{j=1}^{n_i}(y_{ij}-\overline{y_i}{)}^2$$
  
  $$CMS=\frac{CSS}{r-1},RMS=\frac{RSS}{n-r},F-比=\frac{CMS}{RMS}$$
• 拒绝域
  $$F\ge F_{\alpha }(r-1,n-r)$$

第五章

• 一元线性回归方程中，$\widehat{{\beta }_0}$ 和 $\widehat{{\beta }_1}$ 的估计及分布

• $\widehat{{\beta }_0}=\overline{y}-\widehat{{\beta }_1}\overline{x}$

• $\widehat{{\beta }_1}=\frac{L_{xy}}{L_{xx}}$

• 一元线性回归方程中，$\widehat{{\sigma }^2}$ 的估计

• ${\hat{\sigma }}^2=\frac{1}{n-2}(L_{yy}-\widehat{{\beta }_1}{L}_{xy})$

• $\frac{n-2}{{\sigma }^2}\widehat{{\sigma }^2}$ ~ ${\chi }^2(n-2)$

• 假设检验

• $H_0:{\beta }_1=0$ （正态分布——标准正态——t分布——F分布）
  $$F(1,n-2)\iff \frac{(n-2)L_{xy}^2}{L_{xx}{L}_{yy}-L_{xy}^2}$$

• 否定域
  $$F=\frac{(n-2)r^2}{(1-r^2)}>F_{0.05}(1,n-2)$$

• 回归系数的区间估计
  $$\frac{\widehat{{\beta }_1}}{\hat{\sigma }}\sqrt{\sum _{i=1}^n(x_i-\overline{x}{)}^2}\iff t(n-2)$$
  $$\widehat{{\beta }_1}-\frac{\hat{\sigma }}{\sqrt{{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}}{t}_{\alpha /2}(n-2)——\widehat{{\beta }_1}+\frac{\hat{\sigma }}{\sqrt{{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}}{t}_{\alpha /2}(n-2)$$

• 回归方程的预测
  $$y_0-y_0^{\ast }\iff N(0,{\sigma }^2[1+\frac{1}{n}+\frac{(x_0-\overline{x}{)}^2}{{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}])$$
  $$\widehat{{\beta }_0}+\widehat{{\beta }_1{x}_0-h}——\widehat{{\beta }_0}+\widehat{{\beta }_1{x}_0+h}$$
  $$h=t_{\alpha /2}(n-2)\hat{\sigma }\sqrt{1+\frac{1}{n}+\frac{(x_0-\overline{x}{)}^2}{{\sum }_{i=1}^n(x_i-\overline{x}{)}^2}}$$