数理统计基本概念
文章目录
总体、样本和统计模型
例 1 有一批产品,总数为 N N N。在 N N N 件产品中,有 N θ N_{\theta} Nθ 件次品, θ \theta θ 为这批产品的次品率。 θ \theta θ 是我们感兴趣的参数,通常是未知的,需要利用统计方法对参数 θ \theta θ 做出推断。
- 总体(Population):研究对象的全体,如例 1 中的这批产品就构成总体。通常用 X , Y X,Y X,Y 等表示。
- 个体:总体中的每个对象,如例 1 中的每个产品。
- 样本(Sample):
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn,样本的实现称为样本的一组观察值(Observation or data),记为
x
1
,
x
2
,
⋯
,
x
n
x_1,x_2,\cdots,x_n
x1,x2,⋯,xn。
- 为了方便若不加特别声明,用 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn 既表示样本,又表示岩本观察值。
- 样本空间(Sample Space):样本所有可能的取值构成的空间。
- 在统计中,对总体的推断,实际上是推断总体的分布,即确定总体的分布。为此,我们可以根据对总体了解程度,假设总体的分布属于某个分布族 { P Θ , θ ∈ Θ } \{P_{\Theta}, \theta\in\Theta\} {PΘ,θ∈Θ},至于其中哪一个分布最适合还得通过统计推断来确定,因此往往将 { P Θ , θ ∈ Θ } \{P_{\Theta}, \theta\in\Theta\} {PΘ,θ∈Θ} 称为总体分布族。其中, Θ \Theta Θ 称为参数空间(Parameter Space)。
如例 1 中,总体分布族为
{
P
Θ
,
θ
∈
Θ
}
\{P_{\Theta}, \theta\in\Theta\}
{PΘ,θ∈Θ},其中
P
θ
(
X
=
k
)
=
(
N
θ
k
)
(
N
−
N
θ
N
−
k
)
(
N
n
)
P_{\theta}(X=k) = \frac{\begin{pmatrix}N\theta \\ k\end{pmatrix}\begin{pmatrix}N-N\theta \\ N-k\end{pmatrix}}{\begin{pmatrix}N \\ n\end{pmatrix}}
Pθ(X=k)=(Nn)(Nθk)(N−NθN−k)
k
k
k 满足
max
(
(
n
−
N
(
1
−
θ
)
)
,
0
)
≤
k
≤
min
(
N
θ
,
n
)
\max((n-N(1-\theta)),0) \leq k\leq \min(N\theta,n)
max((n−N(1−θ)),0)≤k≤min(Nθ,n)
X
X
X 表示一次试验中抽取的
n
n
n 件产品的次品数,
Θ
=
{
θ
:
0
<
θ
<
1
}
\Theta = \{\theta:0<\theta<1\}
Θ={θ:0<θ<1} 为参数空间。
统计量及其分布
设总体分布族为 { P Θ , θ ∈ Θ } \{P_{\Theta}, \theta\in\Theta\} {PΘ,θ∈Θ},我们仅知道总体的分布属于此分布族,但哪个最合适还需经过统计推断。推断总体的分布,实际上就是确定参数 θ \theta θ,为此,需抽取样本。样本来源于总体,它应当包含参数的所有相关信息,但观察值呈现为一堆杂乱无章数据,故需对数据进行加工或压缩,提取有关参数的信息,而剔除无关的信息,这在统计上就反映为构造样本的已知函数,即统计量(Statistic)。
例 2 设总体 X X X 服从两点(正品和次品)分布,即 P ( X = 1 ) = θ P(X = 1) = \theta P(X=1)=θ, P ( X = 0 ) = 1 − θ P(X = 0) = 1 - \theta P(X=0)=1−θ, 0 < θ < 1 0 < \theta < 1 0<θ<1。 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 是来自总体的样本,考虑样本的函数 T ( X 1 , X 2 , ⋯ , X n ) = ∑ i = 1 n X i T(X_1,X_2,\cdots,X_n) = \sum_{i=1}^{n}X_i T(X1,X2,⋯,Xn)=∑i=1nXi, T T T 实际上表示样本中所含的次品个数,对不同观察值可能对应相同的 T T T 值,这样实际上是对样本起到了加工或压缩的作用。
统计量
定义 1 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 是来自总体 X X X 的一个样本, T ( X 1 , X 2 , ⋯ , X n ) T(X_1,X_2,\cdots,X_n) T(X1,X2,⋯,Xn) 是样本的函数。如果 T ( X 1 , X 2 , ⋯ , X n ) T(X_1,X_2,\cdots,X_n) T(X1,X2,⋯,Xn) 不包含任何未知参数,则称其为总体 X X X 的统计量,简记为 T T T。
如例 2 中 $\sum_{i = 1}^n {{X_i}} $ 是统计量,因为它不含任何未知的参数。常用统计量包括:
- 样本均值(Sample Mean):
X ˉ = 1 n ∑ i = 1 n X i \bar X = \frac{1}{n}\sum\limits_{i = 1}^n {{X_i}} Xˉ=n1i=1∑nXi
- 样本方差(Sample Variance):
S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 {S^2} = \frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{({X_i} - \bar X)}^2}} S2=n−11i=1∑n(Xi−Xˉ)2
- 样本标准差(Sample Standard Deviation):
S = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 S = \sqrt {\frac{1}{{n - 1}}\sum\limits_{i = 1}^n {{{({X_i} - \bar X)}^2}} } S=n−11i=1∑n(Xi−Xˉ)2
-
样本矩(Sample Moment):
- k k k 阶原点矩:
A k = 1 n ∑ i = 1 n X i k , k = 1 , 2 ⋯ {A_k} = \frac{1}{n}\sum\limits_{i = 1}^n {X_i^k} ,\;k = 1,2 \cdots Ak=n1i=1∑nXik,k=1,2⋯
- k k k 阶中心矩:
B k = 1 n ∑ i = 1 n ( X i − X ˉ ) k , k = 1 , 2 ⋯ {B_k} = \frac{1}{n}\sum\limits_{i = 1}^n {{{({X_i} - \bar X)}^k}} ,\;k = 1,2 \cdots Bk=n1i=1∑n(Xi−Xˉ)k,k=1,2⋯
顺序统计量
把样本
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn 的观察值
x
1
,
x
2
,
⋯
,
x
n
x_1,x_2,\cdots,x_n
x1,x2,⋯,xn 从小到大进行排列,记为
x
(
1
)
,
x
(
2
)
,
⋯
,
x
(
n
)
{x_{(1)}},{x_{(2)}}, \cdots ,{x_{(n)}}
x(1),x(2),⋯,x(n),满足
x
(
1
)
≤
x
(
2
)
≤
⋯
≤
x
(
n
)
{x_{(1)}} \le {x_{(2)}} \le \cdots \le {x_{(n)}}
x(1)≤x(2)≤⋯≤x(n)
定义排在第
k
(
1
≤
k
≤
n
)
k~(1\leq k \leq n)
k (1≤k≤n) 个位置的
x
(
k
)
x_{(k)}
x(k) 为随机变量
X
(
k
)
{X_{(k)}}
X(k) 的观察值。显然
X
(
1
)
≤
X
(
2
)
≤
⋯
≤
X
(
n
)
{X_{(1)}} \le {X_{(2)}} \le \cdots \le {X_{(n)}}
X(1)≤X(2)≤⋯≤X(n)
称
X
(
1
)
,
X
(
2
)
,
⋯
,
X
(
n
)
{X_{(1)}},{X_{(2)}}, \cdots ,{X_{(n)}}
X(1),X(2),⋯,X(n) 为顺序统计量。
其中,有
X
(
1
)
=
min
{
X
1
,
X
2
,
⋯
,
X
n
}
{X_{(1)}} = \min \{ {X_1},{X_2}, \cdots ,{X_n}\}
X(1)=min{X1,X2,⋯,Xn}
X ( n ) = max { X 1 , X 2 , ⋯ , X n } {X_{(n)}} = \max \{ {X_1},{X_2}, \cdots ,{X_n}\} X(n)=max{X1,X2,⋯,Xn}
对给定的 p ( 0 < p < 1 ) p\;(0 < p < 1) p(0<p<1),定义样本 p p p 分位数 m p m_p mp,
-
n p np np 不是整数时,
m p = λ ( [ n p + 1 ] ) m_p = \lambda_{([np+1])} mp=λ([np+1]) -
n p np np 是整数时,
m p = 1 2 ( X ( n p ) + X ( n p + 1 ) ) {m_p} = \frac{1}{2}({X_{(np)}} + {X_{(np + 1)}})\; mp=21(X(np)+X(np+1))
充分统计量
统计量既然是对样本的加工或压缩,在这个过程中可能有损失有关参数的一部分信息,现在问题是在这个过程中是否存在某些统计量,既起到压缩作用,又不损失参数的信息,这样的统计量称为充分统计量。
例 3(续例 2) 设样本的观察值 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn,则样本的联合分布函数为
P ( X 1 = x 1 , X 2 = x 2 , ⋯ , X n = x n ) = θ s ( 1 − θ ) n − s P({X_1} = {x_1},{X_2} = {x_2}, \cdots ,{X_n} = {x_n}) = {\theta ^s}{(1 - \theta )^{n - s}} P(X1=x1,X2=x2,⋯,Xn=xn)=θs(1−θ)n−s
其中 x i = 0 x_i = 0 xi=0 或 1 1 1, s = ∑ i = 1 n x i s = \sum_{i = 1}^{n} x_i s=∑i=1nxi。
定义 2 设总体分布族为 { P Θ , θ ∈ Θ } \{P_{\Theta}, \theta\in\Theta\} {PΘ,θ∈Θ}, T ( x ) T(x) T(x) 是统计量。如果在给定 T ( X ) = t T(X) = t T(X)=t 的条件下, X X X 的条件分布与参数 θ \theta θ 无关,则称统计量 T ( X ) T(X) T(X) 是参数 θ \theta θ 的充分统计量(Sufficient Statistics)。
一般情况下,利用条件分布证明统计量的充分性是比较困难的。但存在证明充分性的一个充分必要准则,这是下面的因子分解定理(Factorization theorem)。
定理 1 设总体分布族为 { P Θ , θ ∈ Θ } \{P_{\Theta}, \theta\in\Theta\} {PΘ,θ∈Θ}, T ( x ) T(x) T(x) 是充分统计量,当且仅当在一个定义在 I × Θ I \times \Theta I×Θ 上的函数 g ( t , θ ) g(t,\theta) g(t,θ) 及定义在 R n \mathbb{R}^n Rn 上的函数 h ( x ) h(x) h(x) 使得
p ( x , θ ) = g ( T ( x ) , θ ) h ( x ) p(x,\theta) = g(T(x),\theta)h(x) p(x,θ)=g(T(x),θ)h(x)
对所有的 x ∈ R n x\in \mathbb{R}^n x∈Rn 都成立,其中 I I I 是 T ( x ) T(x) T(x) 的值域, p ( x , θ ) p(x,\theta) p(x,θ) 是样本的联合概率密度函数或分布律。
抽样分布
特征函数
设
X
X
X 为随机变量,称函数
ϕ
x
(
t
)
=
E
(
e
i
t
X
)
\phi_x(t) = E(e^{itX})
ϕx(t)=E(eitX)
为
X
X
X 的特征函数。
常见分布的特征函数:
- 二项分布 B ( n , p ) B(n,p) B(n,p):
ϕ ( t ) = ( p e i t + ( 1 − p ) ) n \phi(t) = (pe^{it} + (1-p))^n ϕ(t)=(peit+(1−p))n
- Poisson 分布 P ( λ ) P(\lambda) P(λ):
ϕ ( t ) = exp { λ ( e i t − 1 } \phi(t) = \exp\{\lambda(e^{it - 1}\} ϕ(t)=exp{λ(eit−1}
- 正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2):
ϕ ( t ) = exp { i μ t − 1 2 σ 2 t 2 } \phi(t) = \exp\{i\mu t - \frac{1}{2}\sigma^2t^2\} ϕ(t)=exp{iμt−21σ2t2}
特征函数的特征:
- 有界性:对于任意 t ∈ R t\in\mathbb{R} t∈R,有 ∣ ϕ ( t ∣ ≤ ϕ ( 0 ) = 1 |\phi(t| \leq \phi(0) = 1 ∣ϕ(t∣≤ϕ(0)=1。
- 设 Y = a X + b Y = aX +b Y=aX+b,其中 a , b a,b a,b 为常数,则
ϕ Y ( t ) = e i b t ϕ X ( a t ) \phi_Y(t) = e^{ibt} \phi_X(at) ϕY(t)=eibtϕX(at)
- 若 X X X 与 Y Y Y 相互独立,则有
ϕ X + Y ( t ) = ϕ X ( t ) ϕ Y ( t ) \phi_{X+Y} (t) = \phi_X(t) \phi_Y(t) ϕX+Y(t)=ϕX(t)ϕY(t)
- 若 E ( X n ) E(X^n) E(Xn) 存在,则 ϕ X ( n ) ( t ) \phi_X^{(n)}(t) ϕX(n)(t) 存在,且
E ( X k ) = i − k ϕ ( k ) ( 0 ) , k = 1 , 2 , ⋯ , n E(X^k) = i^{-k} \phi^{(k)} (0),k = 1,2,\cdots,n E(Xk)=i−kϕ(k)(0),k=1,2,⋯,n
- 特征函数与分布函数相互偎依确定
三大分布
χ 2 \chi^2 χ2 分布
设随机变量
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn 相互独立且同服从标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1),称随机变量
χ
2
=
X
1
2
+
X
2
2
+
⋯
+
X
n
2
{\chi ^2} = X_1^2 + X_2^2 + \cdots + X_n^2
χ2=X12+X22+⋯+Xn2
所服从的分布为自由度是
n
n
n 的
χ
2
\chi^2
χ2 分布,记为
χ
2
∼
χ
2
(
n
)
\chi^2 \sim \chi^2(n)
χ2∼χ2(n)。
定理 2 设简单样本 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2),则有
χ 2 = 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ χ 2 ( n ) {\chi ^2} = \frac{1}{{{\sigma ^2}}}\sum\limits_{i = 1}^n {{{({X_i} - \mu )}^2}} \sim \chi^2(n) χ2=σ21i=1∑n(Xi−μ)2∼χ2(n)
定理 3 设 X ∼ χ 2 ( n ) X \sim \chi^2(n) X∼χ2(n),则
- X X X 的特征函数为
ϕ ( t ) = E e i t X = ( 1 − 2 i t ) − n 2 \phi(t) = E e^{itX} = (1-2it)^{-\frac{n}{2}} ϕ(t)=EeitX=(1−2it)−2n
- E ( X ) = n , D ( X ) = 2 n E(X) = n, D(X) = 2n E(X)=n,D(X)=2n
定理 4 设 X 1 ∼ χ 2 ( n 1 ) X_1 \sim \chi^2(n_1) X1∼χ2(n1), X 2 ∼ χ 2 ( n 2 ) X_2 \sim \chi^2(n_2) X2∼χ2(n2),且相互独立,则 X 1 + X 2 ∼ χ 2 ( n 1 + n 2 ) X_1+X_2\sim\chi^2(n_1+n_2) X1+X2∼χ2(n1+n2)。
t t t 分布
设随机变量
X
∼
N
(
0
,
1
)
X\sim N(0,1)
X∼N(0,1),
Y
∼
χ
2
(
n
)
Y\sim \chi^2(n)
Y∼χ2(n),且
X
X
X 与
Y
Y
Y 相互独立,则称随机变量
T
=
X
Y
/
N
T = \frac{X}{\sqrt{Y/N}}
T=Y/NX
所服从的分布为自由度为
n
n
n 的
t
t
t 分布,记为
T
∼
t
(
n
)
T \sim t(n)
T∼t(n)。
F F F 分布
设随机变量
X
∼
χ
2
(
n
1
)
X\sim \chi^2(n_1)
X∼χ2(n1),
Y
∼
χ
2
(
n
2
)
Y\sim\chi^2(n_2)
Y∼χ2(n2),且
X
X
X 与
Y
Y
Y 相互独立,则称随机变量
F
=
X
/
n
1
Y
/
n
2
F = \frac{X/n_1}{Y/n_2}
F=Y/n2X/n1
所服从的分布为自由度为
n
1
,
n
2
n_1,n_2
n1,n2 的
F
F
F 分布,记为
F
∼
F
(
n
1
,
n
2
)
F\sim F(n_1,n_2)
F∼F(n1,n2)。
正态总体下常见统计量的分布
定理 5 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 是来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) 的一个简单样本, A A A 是 p × n p \times n p×n 阶矩阵,则
KaTeX parse error: Unknown column alignment: * at position 28: …{\begin{array}{*̲{20}{c}} {{Y_1}…
其中, 1 = ( 1 , 1 , ⋯ , 1 ) T \mathbf{1} = (1,1,\cdots,1)^T 1=(1,1,⋯,1)T。
定理 6 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 是来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) 的一个简单样本,则
- X ˉ ∼ N ( μ , σ 2 n ) \bar{X} \sim N(\mu,\frac{\sigma^2}{n}) Xˉ∼N(μ,nσ2)
- X ˉ \bar{X} Xˉ 与 S 2 S^2 S2 相互独立
- ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n - 1)S^2}{\sigma^2}\sim \chi^2(n - 1) σ2(n−1)S2∼χ2(n−1)
定理 7 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 是来自正态总体 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) 的一个简单样本,则
X ˉ − μ S / n ∼ t ( n − 1 ) \frac{\bar{X} - \mu}{S/\sqrt{n}} \sim t(n-1) S/nXˉ−μ∼t(n−1)
定理 8 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 和 Y 1 , Y 2 , ⋯ , Y n Y_1,Y_2,\cdots,Y_n Y1,Y2,⋯,Yn 是来自正态总体 N ( μ 1 , σ 2 ) N(\mu_1,\sigma^2) N(μ1,σ2) 和 N ( μ 2 , σ 2 ) N(\mu_2,\sigma^2) N(μ2,σ2) 的两个简单样本,且两样本独立,则
T = ( X ˉ − Y ˉ ) − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 ∼ t ( n 1 + n 2 − 2 ) T = \frac{{(\bar X - \bar Y) - ({\mu _1} - {\mu _2})}}{{{S_w}\sqrt {\frac{1}{{{n_1}}} + \frac{1}{{{n_2}}}} }} \sim t(n_1+n_2-2) T=Swn11+n21(Xˉ−Yˉ)−(μ1−μ2)∼t(n1+n2−2)
其中,$\bar X = \frac{1}{{{n_1}}}\sum_{i = 1}^{{n_1}} {{X_i}} , , ,\bar Y = \frac{1}{{{n_2}}}\sum_{i = 1}^{{n_2}} {{Y_i}}$,
S 1 2 = 1 n 1 − 1 ∑ i = 1 n 1 ( X i − X ˉ ) 2 S_1^2 = \frac{1}{{{n_1} - 1}}\sum\limits_{i = 1}^{{n_1}} {{{({X_i} - \bar X)}^2}} S12=n1−11i=1∑n1(Xi−Xˉ)2S 2 2 = 1 n 2 − 1 ∑ i = 1 n 2 ( Y i − Y ˉ ) 2 S_2^2 = \frac{1}{{{n_2} - 1}}\sum\limits_{i = 1}^{{n_2}} {{{({Y_i} - \bar Y)}^2}} S22=n2−11i=1∑n2(Yi−Yˉ)2
S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 S_w^2 = \frac{{({n_1} - 1)S_1^2 + ({n_2} - 1)S_2^2}}{{{n_1} + {n_2} - 2}} Sw2=n1+n2−2(n1−1)S12+(n2−1)S22
定理 9 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 和 Y 1 , Y 2 , ⋯ , Y n Y_1,Y_2,\cdots,Y_n Y1,Y2,⋯,Yn 是来自正态总体 N ( μ 1 , σ 2 ) N(\mu_1,\sigma^2) N(μ1,σ2) 和 N ( μ 2 , σ 2 ) N(\mu_2,\sigma^2) N(μ2,σ2) 的两个简单样本,且两样本独立,则
F = S 1 2 / σ 1 2 S 2 2 / σ 2 2 ∼ F ( n 1 − 1 , n 2 − 1 ) F = \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F(n_1-1,n_2-1) F=S22/σ22S12/σ12∼F(n1−1,n2−1)
定理 10 设随机变量 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 相互独立且同服从正态分布 N ( 0 , 1 ) N(0,1) N(0,1), A A A 为实对称矩阵。令 X = ( X 1 , X 2 , ⋯ , X n ) ′ X = (X_1,X_2,\cdots,X_n)' X=(X1,X2,⋯,Xn)′,则二次型
Y = X ′ A X ∼ χ 2 ( p ) Y = X'AX\sim \chi^2(p) Y=X′AX∼χ2(p)
的充分必要条件是 A 2 = A A^2 = A A2=A (幂等阵),且 p = r a n k ( A ) p = \mathrm{rank}(A) p=rank(A)。
分位点
定义 设随机变量 X X X 的分布函数为 F ( x ) F(x) F(x),对任意给定的实数 p ( 0 < p < 1 ) p(0<p<1) p(0<p<1),若存在 x p x_p xp 使得
P ( X ≤ x p ) = F ( x p ) = p P(X\leq x_p) = F(x_p) = p P(X≤xp)=F(xp)=p
成立,则称 x p x_p xp 为此概率分布的 p p p 分位点。
常见分布分位点记号:
-
标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1): z p z_p zp 表示,即 P ( X ≤ z p ) = p P(X \leq z_p) = p P(X≤zp)=p,由对称性有 z 1 − p = − z p z_{1-p} = -z_p z1−p=−zp
-
χ 2 ( n ) \chi^2(n) χ2(n) 分布:用 χ p 2 ( n ) \chi_p^2(n) χp2(n) 表示 p p p 分位点,即 P ( χ 2 ≤ χ p 2 ( n ) ) = p P(\chi^2 \leq \chi^2_p(n)) = p P(χ2≤χp2(n))=p
-
t ( n ) t(n) t(n) 分布:用 t p ( n ) t_p(n) tp(n) 表示,即 P ( T ≤ t p ( n ) ) = p P(T\leq t_p(n)) = p P(T≤tp(n))=p
-
F ( n 1 , n 2 ) F(n_1,n_2) F(n1,n2) 分布:用 F p ( n 1 , n 2 ) F_p(n_1,n_2) Fp(n1,n2) 表示,即 P { F ≤ F p ( n 1 , n 2 ) } = p P\{ F \le {F_p}({n_1},{n_2})\} = p P{F≤Fp(n1,n2)}=p
F p ( n 2 , n 1 ) = 1 F 1 − p ( n 1 , n 2 ) {F_p}({n_2},{n_1}) = \frac{1}{{{F_{1 - p}}({n_1},{n_2})}} Fp(n2,n1)=F1−p(n1,n2)1
参考文献
[1] 孙海燕、周梦等,数理统计,2016。