概率论与数理统计
- 常见分布
- 0-1分布
- 几何分布 ( X X X ~ G E ( p ) GE(p) GE(p))
- 二项分布 ( X X X ~ B ( n , p ) B(n, p) B(n,p))
- 泊松分布 ( X X X ~ P ( λ ) P(\lambda) P(λ))
- 均匀分布 ( X X X ~ U [ a , b ] U[a,b] U[a,b])
- 指数分布 ( X X X ~ E ( λ ) E(\lambda) E(λ))
- 正态分布 ( X X X ~ N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2))
- χ 2 \chi^2 χ2 分布( χ 2 \chi^2 χ2 ~ χ 2 ( n ) \chi^2(n) χ2(n)) 服从 N ( 0 , 1 ) N(0,1) N(0,1)分布
- t t t 分布( T T T ~ t ( n ) t(n) t(n))
- F F F 分布( F F F ~ F ( n 1 , n 2 ) F(n_1,n_2) F(n1,n2))
- 估计
- 假设检验
- Tips
默 认 此 事 发 生 概 率 为 p , 数 学 期 望 E ( X ) , 方 差 D ( X ) 默认此事发生概率为p,数学期望E(X),方差D(X) 默认此事发生概率为p,数学期望E(X),方差D(X)
样 本 方 差 S 2 , 样 本 标 准 差 S 样本方差 S^2,样本标准差 S 样本方差S2,样本标准差S
常见分布
0-1分布
P ( X = k ) = p k ( 1 − p ) 1 − k , ( k = 0 , 1 ) P(X = k) = p^k(1 - p)^{1-k},(k=0,1) P(X=k)=pk(1−p)1−k,(k=0,1)
E ( X ) = p E(X) = p E(X)=p
D ( X ) = p ( 1 − p ) D(X) = p(1-p) D(X)=p(1−p)
几何分布 ( X X X ~ G E ( p ) GE(p) GE(p))
第 k 次 发 生 此 事 第k次发生此事 第k次发生此事
P ( X = k ) = ( 1 − p ) k − 1 p P(X = k) = (1-p)^{k-1}p P(X=k)=(1−p)k−1p
E ( X ) = 1 p E(X)=\frac1p E(X)=p1
D ( X ) = 1 − p p 2 D(X)=\frac{1-p}{p^2} D(X)=p21−p
二项分布 ( X X X ~ B ( n , p ) B(n, p) B(n,p))
n 次 试 验 k 次 发 生 此 事 n次试验k次发生此事 n次试验k次发生此事
P ( X = k ) = C n k p k ( 1 − p ) n − k P(X = k) = C_n^k p^k(1-p)^{n-k} P(X=k)=Cnkpk(1−p)n−k
E ( X ) = n p E(X) = np E(X)=np
D ( X ) = n p ( 1 − p ) D(X) = np(1-p) D(X)=np(1−p)
当 n > = 20 且 p < = 0.05 时 可 看 作 泊 松 分 布 当n>=20且p<=0.05时可看作泊松分布 当n>=20且p<=0.05时可看作泊松分布
泊松分布 ( X X X ~ P ( λ ) P(\lambda) P(λ))
P ( X = k ) = λ k e − λ k ! , k = 0 , 1 , . . . P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!},k=0,1,... P(X=k)=k!λke−λ,k=0,1,...
E ( X ) = λ E(X)=\lambda E(X)=λ
D ( X ) = λ D(X)=\lambda D(X)=λ
均匀分布 ( X X X ~ U [ a , b ] U[a,b] U[a,b])
f ( x ) = { 1 b − a , a≤x≤b, 0 , otherwise. f(x)= \begin{cases} \frac{1}{b-a},& \text{a≤x≤b,}\\ 0,& \text{otherwise.} \end{cases} f(x)={b−a1,0,a≤x≤b,otherwise.
E ( X ) = a + b 2 E(X)=\frac{a+b}2 E(X)=2a+b
D ( X ) = ( b − a ) 2 12 D(X)=\frac{(b-a)^2}{12} D(X)=12(b−a)2
指数分布 ( X X X ~ E ( λ ) E(\lambda) E(λ))
f ( x ) = { λ e − λ x , x>0, 0 , otherwise. f(x)= \begin{cases} \lambda e^{-\lambda x},& \text{x>0,}\\ 0,& \text{otherwise.} \end{cases} f(x)={λe−λx,0,x>0,otherwise.
E ( X ) = 1 λ E(X)=\frac1\lambda E(X)=λ1
D ( X ) = 1 λ 2 D(X)=\frac1{\lambda^2} D(X)=λ21
正态分布 ( X X X ~ N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2))
ϕ ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , x = μ 为 对 称 轴 \phi (x)= \frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}},x=\mu 为对称轴 ϕ(x)=2πσ1e−2σ2(x−μ)2,x=μ为对称轴
ϕ 0 ( x ) = ϕ 0 ( − x ) \phi_0 (x)=\phi_0 (-x) ϕ0(x)=ϕ0(−x)
Φ 0 ( x ) = 1 − Φ 0 ( − x ) \Phi_0 (x)=1-\Phi_0 (-x) Φ0(x)=1−Φ0(−x)
( 1 ) X ‾ (1)~\overline{X} (1) X ~ N ( μ , σ 2 n ) N(\mu,\frac{\sigma^2}n) N(μ,nσ2)
( 2 ) ( n − 1 ) S 2 σ 2 (2)~\frac{(n-1)S^2}{\sigma^2} (2) σ2(n−1)S2 ~ χ 2 ( n − 1 ) \chi^2(n-1) χ2(n−1)
( 3 ) X ‾ − μ S / n (3)~\frac{\overline{X}-\mu}{S/\sqrt{n}} (3) S/nX−μ ~ t ( n − 1 ) t(n-1) t(n−1)
( 4 ) S 2 n ( X ‾ − μ ) 2 (4)~\frac{S^2}{n(\overline{X}-\mu)^2} (4) n(X−μ)2S2 ~ F ( n − 1 , 1 ) F(n-1,1) F(n−1,1)
两 样 本 ( X 1 , . . . , X n 1 ) 和 ( Y 1 , . . . , Y n 2 ) , 分 别 来 自 N ( μ 1 , σ 1 2 ) 和 N ( μ 2 , σ 2 2 ) 并 且 相 互 独 立 有 : 两样本(X_1,...,X_{n_1})和(Y_1,...,Y_{n_2}),分别来自N(\mu_1,\sigma_1^2)和N(\mu_2,\sigma_2^2)并且相互独立有: 两样本(X1,...,Xn1)和(Y1,...,Yn2),分别来自N(μ1,σ12)和N(μ2,σ22)并且相互独立有:
F = S 1 2 / σ 1 2 S 2 2 / σ 2 2 F=\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} F=S22/σ22S12/σ12 ~ F ( n 1 − 1 , n 2 − 1 ) F(n_1-1,n_2-1) F(n1−1,n2−1)
[ ( X ‾ − Y ‾ ) − ( μ 1 − μ 2 ) ] σ 1 2 n 1 + σ 2 2 n 2 \frac{[(\overline{X}-\overline{Y})-(\mu_1-\mu_2)]}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}} n1σ12+n2σ22[(X−Y)−(μ1−μ2)] ~ N ( 0 , 1 ) N(0,1) N(0,1)
当 σ 1 2 = σ 2 2 = σ 2 时 当\sigma_1^2=\sigma_2^2=\sigma^2时 当σ12=σ22=σ2时
[ ( X ‾ − Y ‾ ) − ( μ 1 − μ 2 ) ] S w 1 n 1 + 1 n 2 \frac{[(\overline{X}-\overline{Y})-(\mu_1-\mu_2)]}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}} Swn11+n21[(X−Y)−(μ1−μ2)] ~ t ( n 1 + n 2 − 2 ) t(n_1+n_2-2) t(n1+n2−2)
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
E ( X ) = μ E(X)=\mu E(X)=μ
D ( X ) = σ 2 D(X)=\sigma^2 D(X)=σ2
标准正态分布 ( X X X ~ N ( 0 , 1 ) N(0,1) N(0,1))
普
通
正
态
分
布
化
标
准
正
态
分
布
:
x
−
μ
σ
普通正态分布化标准正态分布: \frac{x-\mu}{\sigma}
普通正态分布化标准正态分布:σx−μ ~
N
(
0
,
1
)
N(0,1)
N(0,1)
f
(
x
)
=
1
2
π
e
−
x
2
2
,
x
=
0
为
对
称
轴
f(x)= \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}},x=0 为对称轴
f(x)=2π1e−2x2,x=0为对称轴
Φ ( x ) = Φ 0 ( x − μ σ ) \Phi (x)=\Phi_0 (\frac{x-\mu}{\sigma}) Φ(x)=Φ0(σx−μ)
E ( X ) = 0 E(X)=0 E(X)=0
D ( X ) = 1 D(X)=1 D(X)=1
χ 2 \chi^2 χ2 分布( χ 2 \chi^2 χ2 ~ χ 2 ( n ) \chi^2(n) χ2(n)) 服从 N ( 0 , 1 ) N(0,1) N(0,1)分布
χ 2 = ∑ i = 1 n X i 2 \chi^2=\sum\limits_{i=1}^{n}X_i^2 χ2=i=1∑nXi2
若 X i 若X_i 若Xi ~ χ 2 ( n i ) ( i = 1 , 2 ) 且 X 1 与 X 2 相 互 独 立 则 \chi^2(n_i)(i=1,2)且X_1与X_2相互独立则 χ2(ni)(i=1,2)且X1与X2相互独立则
X 1 + X 2 X_1+X_2 X1+X2 ~ χ 2 ( n 1 + n 2 ) \chi^2(n_1+n_2) χ2(n1+n2)
给 定 α ∈ ( 0 , 1 ) , 满 足 给定\alpha ∈(0,1),满足 给定α∈(0,1),满足 P P P{ χ 2 > χ α 2 ( n ) \chi^2>\chi^2_\alpha(n) χ2>χα2(n)} = α 的 点 χ α 2 ( n ) 为 χ 2 ( n ) 分 布 的 上 α 分 位 数 =\alpha~的点\chi^2_\alpha(n)为\chi^2(n)分布的上\alpha分位数 =α 的点χα2(n)为χ2(n)分布的上α分位数
E ( χ 2 ) = n E(\chi^2)=n E(χ2)=n
D ( χ 2 ) = 2 n D(\chi^2)=2n D(χ2)=2n
t t t 分布( T T T ~ t ( n ) t(n) t(n))
X X X ~ N ( 0 , 1 ) N(0,1) N(0,1), Y Y Y ~ χ 2 ( n ) \chi^2(n) χ2(n), X , Y 相 互 独 立 X,Y相互独立 X,Y相互独立
T = X Y / n T=\frac{X}{\sqrt{Y/n}} T=Y/nX ~ t ( n ) t(n) t(n)
P P P{ T > t α ( n ) T>t_\alpha(n) T>tα(n)} = α =\alpha =α
P P P{ ∣ T ∣ > t α 2 ( n ) |T|>t_\frac{\alpha}2(n) ∣T∣>t2α(n)} = α =\alpha =α
F F F 分布( F F F ~ F ( n 1 , n 2 ) F(n_1,n_2) F(n1,n2))
若 X i 若X_i 若Xi ~ χ 2 ( n i ) ( i = 1 , 2 ) 且 X 1 与 X 2 相 互 独 立 则 \chi^2(n_i)(i=1,2)且X_1与X_2相互独立则 χ2(ni)(i=1,2)且X1与X2相互独立则
F = X 1 / n 1 X 2 / n 2 F=\frac{X_1/n_1}{X_2/n_2} F=X2/n2X1/n1 ~ F ( n 1 , n 2 ) F(n_1,n_2) F(n1,n2)
T 2 T^2 T2 ~ F ( 1 , n ) , T F(1,n),T F(1,n),T ~ t ( n ) t(n) t(n)
P P P{ F > F α ( n 1 , n 2 ) F>F_\alpha(n_1,n_2) F>Fα(n1,n2)} = α =\alpha =α
F 1 − α ( n 1 , n 2 ) = 1 F α ( n 2 , n 1 ) F_{1-\alpha}(n_1,n_2)=\frac1{F_{\alpha}(n_2,n_1)} F1−α(n1,n2)=Fα(n2,n1)1
估计
矩估计与极大似然估计
μ ^ k = A k = 1 n ∑ i = 1 n X i k , 样 本 k 阶 ( 原 点 ) 矩 , E ( X ) 为 样 本 一 阶 原 点 矩 . \hat\mu_k= A_k=\frac1n\sum\limits_{i=1}^{n}X_i^k,样本~k~阶(原点)矩,E(X)为样本一阶原点矩. μ^k=Ak=n1i=1∑nXik,样本 k 阶(原点)矩,E(X)为样本一阶原点矩.
v ^ k = B k = 1 n ∑ i = 1 n ( X i − X ‾ ) k , 样 本 k 阶 ( 中 心 ) 矩 , D ( X ) 为 样 本 二 阶 中 心 矩 . \hat v_k= B_k=\frac1n\sum\limits_{i=1}^{n}{(X_i-\overline X)}^k,样本~k~阶(中心)矩,D(X)为样本二阶中心矩. v^k=Bk=n1i=1∑n(Xi−X)k,样本 k 阶(中心)矩,D(X)为样本二阶中心矩.
似 然 函 数 : L ( ξ ) = ∏ i = 1 n f ( x i ; ξ ) , 求 L m a x ( ξ ^ ) , ξ ^ 即 为 极 大 似 然 估 计 . 似然函数:L(\xi)=\prod\limits_{i=1}^{n}f(x_i;\xi),求L_{max}(\hat\xi),\hat\xi即为极大似然估计. 似然函数:L(ξ)=i=1∏nf(xi;ξ),求Lmax(ξ^),ξ^即为极大似然估计.
估计量的评价
估计准则
无偏性准则
设 总 体 X 有 未 知 数 θ , X 1 , . . . , X n 是 总 体 X 的 简 单 随 机 样 本 , 若 参 数 θ 的 估 计 量 θ ^ = θ ^ ( X 1 , X 2 , . . . , X n ) , 满 足 设总体X有未知数\theta,X_1, ... ,X_n是总体X的简单随机样本,若参数\theta的估计量\hat\theta=\hat\theta(X_1,X_2,...,X_n),满足 设总体X有未知数θ,X1,...,Xn是总体X的简单随机样本,若参数θ的估计量θ^=θ^(X1,X2,...,Xn),满足
E ( θ ^ ) = θ E(\hat\theta)=\theta E(θ^)=θ
则 称 θ ^ 是 θ 的 无 偏 估 计 量 则称\hat\theta是\theta的无偏估计量 则称θ^是θ的无偏估计量
若 若 若 lim n − > ∞ E ( θ ^ ) = θ \lim_{n->∞}E(\hat\theta)=\theta n−>∞limE(θ^)=θ
则 称 θ ^ 是 θ 的 渐 进 无 偏 估 计 量 则称\hat\theta是\theta的渐进无偏估计量 则称θ^是θ的渐进无偏估计量
有效性准则
设 总 体 X 有 未 知 数 θ , X 1 , . . . , X n 是 总 体 X 的 简 单 随 机 样 本 , 设 θ ^ 1 , θ ^ 2 是 θ 的 两 个 无 偏 估 计 设总体X有未知数\theta,X_1, ... ,X_n是总体X的简单随机样本,设\hat\theta_1,\hat\theta_2是\theta的两个无偏估计 设总体X有未知数θ,X1,...,Xn是总体X的简单随机样本,设θ^1,θ^2是θ的两个无偏估计
如 果 如果 如果 D ( θ ^ 1 ) ≤ D ( θ ^ 2 ) , 对 于 一 切 θ ∈ Θ 成 立 , D(\hat\theta_1)≤D(\hat\theta_2),对于一切\theta∈\Theta成立, D(θ^1)≤D(θ^2),对于一切θ∈Θ成立,
且 不 等 号 至 少 对 某 一 θ ∈ Θ 成 立 , 则 称 θ ^ 1 比 θ ^ 2 有 效 且不等号至少对某一\theta∈\Theta成立,则称\hat\theta_1比\hat\theta_2有效 且不等号至少对某一θ∈Θ成立,则称θ^1比θ^2有效
均方误差准则
设 总 体 X 有 未 知 数 θ , X 1 , . . . , X n 是 总 体 X 的 简 单 随 机 样 本 , 设 θ ^ 是 参 数 θ 的 点 估 计 , 方 差 存 在 , 则 称 M s e ( θ ^ ) = E ( θ ^ − θ ) 2 是 θ 的 均 方 误 差 设总体X有未知数\theta,X_1, ... ,X_n是总体X的简单随机样本,设\hat\theta是参数\theta的点估计,方差存在,则称Mse(\hat\theta)=E(\hat\theta-\theta)^2是\theta的均方误差 设总体X有未知数θ,X1,...,Xn是总体X的简单随机样本,设θ^是参数θ的点估计,方差存在,则称Mse(θ^)=E(θ^−θ)2是θ的均方误差
设 θ ^ 1 , θ ^ 2 是 θ 的 点 估 计 , 如 果 设\hat\theta_1,\hat\theta_2是\theta的点估计,如果 设θ^1,θ^2是θ的点估计,如果 M s e ( θ ^ 1 ) ≤ M s e ( θ ^ 2 ) , 对 于 一 切 θ ∈ Θ 成 立 , Mse(\hat\theta_1)≤Mse(\hat\theta_2),对于一切\theta∈\Theta成立, Mse(θ^1)≤Mse(θ^2),对于一切θ∈Θ成立,
且 不 等 号 至 少 对 某 一 θ ∈ Θ 成 立 , 则 称 θ ^ 1 优 于 θ ^ 2 且不等号至少对某一\theta∈\Theta成立,则称\hat\theta_1优于\hat\theta_2 且不等号至少对某一θ∈Θ成立,则称θ^1优于θ^2
相合性准则
设 总 体 X 有 未 知 数 θ , X 1 , . . . , X n 是 总 体 X 的 简 单 随 机 样 本 , 设 θ ^ 是 θ 的 点 估 计 , 若 对 于 任 意 θ ∈ Θ 设总体X有未知数\theta,X_1, ... ,X_n是总体X的简单随机样本,设\hat\theta是\theta的点估计,若对于任意\theta∈\Theta 设总体X有未知数θ,X1,...,Xn是总体X的简单随机样本,设θ^是θ的点估计,若对于任意θ∈Θ
θ ^ n − p − > θ , 当 n − > + ∞ 时 \hat\theta_n-^p->\theta,当n->+∞时 θ^n−p−>θ,当n−>+∞时
则 称 θ ^ n 为 θ 的 相 合 估 计 量 或 一 致 估 计 量 则称\hat\theta_n为\theta的相合估计量或一致估计量 则称θ^n为θ的相合估计量或一致估计量
区间估计
暂无
假设检验
小 概 率 反 证 法 思 想 , 一 般 取 α = 0.01 , 0.05 小概率反证法思想,一般取\alpha=0.01,0.05 小概率反证法思想,一般取α=0.01,0.05
原 假 设 ( 零 假 设 ) H 0 , 备 择 假 设 ( 对 立 假 设 ) H 1 原假设(零假设)H_0,备择假设(对立假设)H_1 原假设(零假设)H0,备择假设(对立假设)H1
基 本 原 则 : 1. 保 护 原 假 设 , 2. 原 假 设 设 为 维 持 现 状 , 原 假 设 取 简 单 假 设 基本原则:1.保护原假设,2.原假设设为维持现状,原假设取简单假设 基本原则:1.保护原假设,2.原假设设为维持现状,原假设取简单假设
单正态总体
均值假设问题
X i 是 来 总 体 N ( μ , σ 2 ) 样 本 , x i 是 X i 的 样 本 观 测 值 , 显 著 水 平 为 α X_i是来总体N(\mu,\sigma^2)样本,x_i是X_i的样本观测值,显著水平为\alpha Xi是来总体N(μ,σ2)样本,xi是Xi的样本观测值,显著水平为α
H 0 : μ = μ 0 H_0:\mu=\mu_0 H0:μ=μ0
H 1 : μ ≠ μ 0 H_1:\mu≠\mu_0 H1:μ=μ0
σ 已 知 : 用 Z 检 验 , Z = X ‾ − μ 0 σ / n , \sigma已知:用Z检验,Z=\frac{\overline X-\mu_0}{\sigma/\sqrt n}, σ已知:用Z检验,Z=σ/nX−μ0,
σ 未 知 : 用 t 检 验 , t = X ‾ − μ 0 S / n \sigma未知:用t检验,t=\frac{\overline X-\mu_0}{S/\sqrt n} σ未知:用t检验,t=S/nX−μ0
通 过 z 0 或 者 t 0 来 计 算 检 验 统 计 量 的 值 , 通过z_0或者t_0来计算检验统计量的值, 通过z0或者t0来计算检验统计量的值,
双 边 检 验 : 双边检验: 双边检验:
1. 利 用 显 著 性 水 平 进 行 检 验 : 1.利用显著性水平进行检验: 1.利用显著性水平进行检验:
W = W= W={ ∣ Z ∣ ≥ z α / 2 |Z|≥z_{\alpha/2} ∣Z∣≥zα/2} 或 者 , W = 或者,W= 或者,W={ ∣ t ∣ ≥ t α / 2 ( n − 1 ) |t|≥t_{\alpha/2}(n-1) ∣t∣≥tα/2(n−1)}
2. 利 用 P ′ 值 进 行 假 设 检 验 2.利用P'值进行假设检验 2.利用P′值进行假设检验
P ′ = P H 0 P'=P_{H_0} P′=PH0{ ∣ Z ∣ ≥ ∣ z 0 ∣ |Z|≥|z_0| ∣Z∣≥∣z0∣} = 2 [ 1 − ϕ ( ∣ z 0 ∣ ) ] =2[1-\phi(|z_0|)] =2[1−ϕ(∣z0∣)] 或 者 , P ′ = P H 0 或者,P'=P_{H_0} 或者,P′=PH0{ ∣ t ∣ ≥ ∣ t 0 ∣ |t|≥|t_0| ∣t∣≥∣t0∣} = 2 P =2P =2P{ t ( n − 1 ) ≥ ∣ t 0 ∣ t(n-1)≥|t_0| t(n−1)≥∣t0∣}
当 P ′ ≤ α 时 , 拒 绝 原 假 设 , 当 P ′ > α 时 , 不 拒 绝 原 假 设 当P'≤\alpha时,拒绝原假设,当P'>\alpha时,不拒绝原假设 当P′≤α时,拒绝原假设,当P′>α时,不拒绝原假设
方差假设问题
H 0 : σ 2 = σ 0 2 H_0:\sigma^2=\sigma^2_0 H0:σ2=σ02
H 1 : σ 2 ≠ σ 0 2 H_1:\sigma^2≠\sigma^2_0 H1:σ2=σ02
检 验 统 计 量 χ 2 = ( n − 1 ) S 2 σ 0 2 , χ 0 2 = ( n − 1 ) s 2 σ 0 2 检验统计量\chi^2=\frac{(n-1)S^2}{\sigma^2_0},\chi^2_0=\frac{(n-1)s^2}{\sigma^2_0} 检验统计量χ2=σ02(n−1)S2,χ02=σ02(n−1)s2
双 边 检 验 : 双边检验: 双边检验:
1. 利 用 显 著 性 水 平 进 行 检 验 : 1.利用显著性水平进行检验: 1.利用显著性水平进行检验:
W = W= W={ ( n − 1 ) S 2 σ 0 2 ≤ χ 1 − α / 2 2 ( n − 1 ) 或 ( n − 1 ) S 2 σ 0 2 ≥ χ α / 2 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2_0}≤\chi^2_{1-\alpha/2}(n-1)~或~\frac{(n-1)S^2}{\sigma^2_0}≥\chi^2_{\alpha/2}(n-1) σ02(n−1)S2≤χ1−α/22(n−1) 或 σ02(n−1)S2≥χα/22(n−1)}
2. 利 用 P ′ 值 进 行 假 设 检 验 2.利用P'值进行假设检验 2.利用P′值进行假设检验
P ’ = 2 m i n P’=2min P’=2min{ P [ χ 2 ( n − 1 ) ≤ χ 0 2 ] , P [ χ 2 ( n − 1 ) ≥ χ 0 2 ] P[\chi^2(n-1)≤\chi^2_0],P[\chi^2(n-1)≥\chi^2_0] P[χ2(n−1)≤χ02],P[χ2(n−1)≥χ02]}
当 P ′ ≤ α 时 , 拒 绝 原 假 设 , 当 P ′ > α 时 , 不 拒 绝 原 假 设 当P'≤\alpha时,拒绝原假设,当P'>\alpha时,不拒绝原假设 当P′≤α时,拒绝原假设,当P′>α时,不拒绝原假设
假设检验与区间估计
设 θ 的 置 信 度 为 1 − α 的 双 侧 置 信 区 间 为 ( θ ^ L , θ ^ R ) , 则 假 设 设\theta的置信度为1-\alpha的双侧置信区间为(\hat\theta_L,\hat\theta_R),则假设 设θ的置信度为1−α的双侧置信区间为(θ^L,θ^R),则假设
H 0 : θ = θ 0 H_0:\theta=\theta_0 H0:θ=θ0
H 1 : θ ≠ θ 0 H_1:\theta≠\theta_0 H1:θ=θ0
W = ( θ 0 ≤ θ ^ L 或 θ 0 ≥ θ ^ R ) W=(\theta_0≤\hat\theta_L或\theta_0≥\hat\theta_R) W=(θ0≤θ^L或θ0≥θ^R)
双正态总体
X i 是 来 自 N ( μ 1 , σ 1 2 ) 的 样 本 X_i是来自N(\mu_1,\sigma^2_1)的样本 Xi是来自N(μ1,σ12)的样本
Y i 是 来 自 N ( μ 2 , σ 2 2 ) 的 样 本 Y_i是来自N(\mu_2,\sigma^2_2)的样本 Yi是来自N(μ2,σ22)的样本
两 样 本 相 互 独 立 两样本相互独立 两样本相互独立
均值检验假设
H 0 : μ 1 = μ 2 H_0:\mu_1=\mu_2 H0:μ1=μ2
H 1 : μ 1 ≠ μ 2 H_1:\mu_1≠\mu_2 H1:μ1=μ2
1. σ 1 2 和 σ 2 2 已 知 : 用 Z 检 验 , Z = X ‾ − Y ‾ σ 1 2 n 1 + σ 2 2 n 2 , 其 中 z 0 = x ‾ − y ‾ σ 1 2 n 1 + σ 2 2 n 2 1.~\sigma^2_1和\sigma^2_2已知:用Z检验,Z=\frac{\overline X-\overline Y}{\sqrt{\frac{\sigma^2_1}{n_1}+\frac{\sigma^2_2}{n_2}}},其中z_0=\frac{\overline x-\overline y}{\sqrt{\frac{\sigma^2_1}{n_1}+\frac{\sigma^2_2}{n_2}}} 1. σ12和σ22已知:用Z检验,Z=n1σ12+n2σ22X−Y,其中z0=n1σ12+n2σ22x−y
拒 绝 域 : 拒绝域: 拒绝域:{ ∣ Z ∣ ≥ z α / 2 |Z|≥z_{\alpha/2} ∣Z∣≥zα/2}
P ′ = P H 0 P'=P_{H_0} P′=PH0{ ∣ Z ∣ ≥ ∣ z 0 ∣ |Z|≥|z_0| ∣Z∣≥∣z0∣} = 2 [ 1 − Φ ( ∣ z 0 ∣ ) ] =2[1-\Phi(|z_0|)] =2[1−Φ(∣z0∣)]
2. σ 1 2 = σ 2 2 且 未 知 : 用 t 检 验 , t = X ‾ − Y ‾ S w 1 n 1 + 1 n 2 , 其 中 S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 2.~\sigma^2_1=\sigma^2_2且未知:用t检验,t=\frac{\overline X-\overline Y}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}},其中S^2_w=\frac{(n_1-1)S^2_1+(n_2-1)S^2_2}{n_1+n_2-2} 2. σ12=σ22且未知:用t检验,t=Swn11+n21X−Y,其中Sw2=n1+n2−2(n1−1)S12+(n2−1)S22
检 验 拒 绝 域 为 : ∣ t ∣ ≥ t α / 2 ( n 1 + n 2 − 2 ) , 其 中 t 0 = x ‾ − y ‾ S w 1 n 1 + 1 n 2 检验拒绝域为:|t|≥t_{\alpha/2}(n_1+n_2-2),其中t_0=\frac{\overline x-\overline y}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}} 检验拒绝域为:∣t∣≥tα/2(n1+n2−2),其中t0=Swn11+n21x−y
P ′ = P H 0 P'=P_{H_0} P′=PH0{ ∣ t ∣ ≥ ∣ t 0 ∣ |t|≥|t_0| ∣t∣≥∣t0∣}= 2 P 2P 2P{ t ( n 1 + n 2 − 2 ) ≥ ∣ t 0 ∣ t(n_1+n_2-2)≥|t_0| t(n1+n2−2)≥∣t0∣}.
3. σ 1 2 ≠ σ 2 2 且 未 知 : t = X ‾ − Y ‾ S 1 2 n 1 + S 2 2 n 2 , 其 中 t 0 = x ‾ − y ‾ S 1 2 n 1 + S 2 2 n 2 3.~\sigma^2_1≠\sigma^2_2且未知:t=\frac{\overline X-\overline Y}{\sqrt{\frac{S^2_1}{n_1}+\frac{S^2_2}{n_2}}},其中t_0=\frac{\overline x-\overline y}{\sqrt{\frac{S^2_1}{n_1}+\frac{S^2_2}{n_2}}} 3. σ12=σ22且未知:t=n1S12+n2S22X−Y,其中t0=n1S12+n2S22x−y
当 两 个 样 本 都 很 大 时 , t 当两个样本都很大时,t 当两个样本都很大时,t ~ N ( 0 , 1 ) N(0,1) N(0,1)
拒 绝 域 : 拒绝域: 拒绝域:{ ∣ t ∣ ≥ z α / 2 |t|≥z_{\alpha/2} ∣t∣≥zα/2}
P ′ = P H 0 P'=P_{H_0} P′=PH0{ ∣ t ∣ ≥ ∣ t 0 ∣ |t|≥|t_0| ∣t∣≥∣t0∣}= 2 P 2P 2P{ Z ≥ ∣ t 0 ∣ Z≥|t_0| Z≥∣t0∣}.
方差检验假设
H 0 : σ 2 = σ 0 2 H_0:\sigma^2=\sigma^2_0 H0:σ2=σ02
H 1 : σ 2 ≠ σ 0 2 H_1:\sigma^2≠\sigma^2_0 H1:σ2=σ02
检 验 统 计 量 : F = S 1 2 S 2 2 , 其 值 f 0 = s 1 2 s 2 2 检验统计量:F=\frac{S^2_1}{S^2_2},其值f_0=\frac{s^2_1}{s^2_2} 检验统计量:F=S22S12,其值f0=s22s12
拒 绝 域 : W = 拒绝域:W= 拒绝域:W={ F ≤ F 1 − α / 2 ( n 1 − 1 , n 2 − 1 ) 或 F ≥ F α / 2 ( n 1 − 1 , n 2 − 1 ) F≤F_{1-\alpha/2}(n_1-1,n_2-1)或F≥F_{\alpha/2}(n_1-1,n_2-1) F≤F1−α/2(n1−1,n2−1)或F≥Fα/2(n1−1,n2−1)}
P ′ = 2 m i n P'=2min P′=2min{ P ( f ( n 1 − 1 , n 2 − 1 ) ≥ f 0 ) , P ( F ( n 1 − 1 , n 2 − 1 ) ≤ f 0 ) P(f(n_1-1,n_2-1)≥f_0),P(F(n_1-1,n_2-1)≤f_0) P(f(n1−1,n2−1)≥f0),P(F(n1−1,n2−1)≤f0)}
当 P ′ ≤ α 时 , 拒 绝 原 假 设 , 当 P ′ > α 时 , 不 拒 绝 原 假 设 当P'≤\alpha时,拒绝原假设,当P'>\alpha时,不拒绝原假设 当P′≤α时,拒绝原假设,当P′>α时,不拒绝原假设
Tips
1. 设 U 1.设U 1.设U ~ N ( 0 , 1 ) , 我 们 有 U 2 N(0, 1),我们有~U^2 N(0,1),我们有 U2 ~ χ 2 ( 1 ) . \chi^2(1). χ2(1).
2. P 2.P 2.P{ ∣ X − E ( X ) ∣ ≥ ϵ |X-E(X)|≥\epsilon ∣X−E(X)∣≥ϵ} ≤ D ( X ) ϵ 2 ~≤\frac{D(X)}{\epsilon^2} ≤ϵ2D(X) , P ,~P , P{ ∣ X − E ( X ) ∣ < ϵ |X-E(X)|<\epsilon ∣X−E(X)∣<ϵ} ≥ 1 − D ( X ) ϵ 2 . ~≥1-\frac{D(X)}{\epsilon^2}. ≥1−ϵ2D(X).
3. L ( ξ ) 为 单 调 函 数 则 直 接 求 , 否 则 令 I n L ( ξ ) d ξ ∣ ξ = ξ ^ = 0. 3.L(\xi)为单调函数则直接求,否则令\frac{In~L(\xi)}{d\xi}|_{\xi=\hat\xi}=0. 3.L(ξ)为单调函数则直接求,否则令dξIn L(ξ)∣ξ=ξ^=0.