概率论复习用 更新中

$默认此事发生概率为p，数学期望E(X)，方差D(X)$

$样本方差S^2，样本标准差S$

常见分布

0-1分布

$P(X=k)=p^k(1-p{)}^{1-k},(k=0,1)$

$E(X)=p$

$D(X)=p(1-p)$

几何分布 ($X$ ~ $GE(p)$)

$第k次发生此事$

$P(X=k)=(1-p{)}^{k-1}p$

$E(X)=\frac{1}{p}$

$D(X)=\frac{1-p}{p^2}$

二项分布 ($X$ ~ $B(n,p)$)

$n次试验k次发生此事$

$P(X=k)=C_n^k{p}^k(1-p{)}^{n-k}$

$E(X)=np$

$D(X)=np(1-p)$

$当n>=20且p<=0.05时可看作泊松分布$

泊松分布 ($X$ ~ $P(\lambda )$)

$P(X=k)=\frac{{\lambda }^k{e}^{-\lambda }}{k!},k=0,1,...$

$E(X)=\lambda$

$D(X)=\lambda$

均匀分布 ($X$ ~ $U[a,b]$)

$$f(x)=\{\begin{array}{ll}\frac{1}{b-a},& \text{a≤x≤b,}\\ 0,& \text{otherwise.}\end{array}$$

$E(X)=\frac{a+b}{2}$

$D(X)=\frac{(b-a{)}^2}{12}$

指数分布 ($X$ ~ $E(\lambda )$)

$$f(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& \text{x＞0,}\\ 0,& \text{otherwise.}\end{array}$$

$E(X)=\frac{1}{\lambda }$

$D(X)=\frac{1}{{\lambda }^2}$

正态分布 ($X$ ~ $N(\mu ,{\sigma }^2)$)

$\varphi (x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x=\mu 为对称轴$

${\varphi }_0(x)={\varphi }_0(-x)$

${\Phi }_0(x)=1-{\Phi }_0(-x)$

$(1)\overline{X}$ ~ $N(\mu ,\frac{{\sigma }^2}{n})$

$(2)\frac{(n-1)S^2}{{\sigma }^2}$ ~ ${\chi }^2(n-1)$

$(3)\frac{\overline{X}-\mu }{S/\sqrt{n}}$ ~ $t(n-1)$

$(4)\frac{S^2}{n(\overline{X}-\mu {)}^2}$ ~ $F(n-1,1)$

$两样本(X_1,...,X_{n_1})和(Y_1,...,Y_{n_2}),分别来自N({\mu }_1,{\sigma }_1^2)和N({\mu }_2,{\sigma }_2^2)并且相互独立有：$

$F=\frac{S_1^2/{\sigma }_1^2}{S_2^2/{\sigma }_2^2}$ ~ $F(n_1-1,n_2-1)$

$\frac{[(\overline{X}-\overline{Y})-({\mu }_1-{\mu }_2)]}{\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}}$ ~ $N(0,1)$

$当{\sigma }_1^2={\sigma }_2^2={\sigma }^2时$

$\frac{[(\overline{X}-\overline{Y})-({\mu }_1-{\mu }_2)]}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}$ ~ $t(n_1+n_2-2)$

$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$

$E(X)=\mu$

$D(X)={\sigma }^2$

标准正态分布 ($X$ ~ $N(0,1)$)

$普通正态分布化标准正态分布：\frac{x-\mu }{\sigma }$ ~ $N(0,1)$
$$f(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}},x=0为对称轴$$

$\Phi (x)={\Phi }_0(\frac{x-\mu }{\sigma })$

$E(X)=0$

$D(X)=1$

${\chi }^2$ 分布(${\chi }^2$ ~ ${\chi }^2(n)$) 服从 $N(0,1)$分布

${\chi }^2=\sum _{i=1}^n{X}_i^2$

$若X_i$ ~ ${\chi }^2(n_i)(i=1,2)且X_1与X_2相互独立则$

$X_1+X_2$ ~ ${\chi }^2(n_1+n_2)$

$给定\alpha \in (0,1),满足$$P${${\chi }^2>{\chi }_{\alpha }^2(n)$}$=\alpha 的点{\chi }_{\alpha }^2(n)为{\chi }^2(n)分布的上\alpha 分位数$

$E({\chi }^2)=n$

$D({\chi }^2)=2n$

$t$ 分布($T$ ~ $t(n)$)

$X$ ~ $N(0,1)$, $Y$ ~ ${\chi }^2(n)$, $X,Y相互独立$

$T=\frac{X}{\sqrt{Y/n}}$ ~ $t(n)$

$P${$T>t_{\alpha }(n)$}$=\alpha$

$P${$|T|>t_{\frac{\alpha }{2}}(n)$}$=\alpha$

$F$ 分布($F$ ~ $F(n_1,n_2)$)

$若X_i$ ~ ${\chi }^2(n_i)(i=1,2)且X_1与X_2相互独立则$

$F=\frac{X_1/n_1}{X_2/n_2}$ ~ $F(n_1,n_2)$

$T^2$ ~ $F(1,n),T$ ~ $t(n)$

$P${$F>F_{\alpha }(n_1,n_2)$}$=\alpha$

$F_{1-\alpha }(n_1,n_2)=\frac{1}{F_{\alpha }(n_2,n_1)}$

估计

矩估计与极大似然估计

${\hat{\mu }}_k=A_k=\frac{1}{n}\sum _{i=1}^n{X}_i^k，样本k阶（原点）矩，E(X)为样本一阶原点矩.$

${\hat{v}}_k=B_k=\frac{1}{n}\sum _{i=1}^n{(X_i-\overline{X})}^k，样本k阶（中心）矩，D(X)为样本二阶中心矩.$

$似然函数：L(\xi )=\prod _{i=1}^{n}f(x_i;\xi )，求L_{max}(\hat{\xi })，\hat{\xi }即为极大似然估计.$

估计量的评价

估计准则

无偏性准则

$设总体X有未知数\theta ，X_1,...,X_n是总体X的简单随机样本，若参数\theta 的估计量\hat{\theta }=\hat{\theta }(X_1,X_2,...,X_n)，满足$

$$E(\hat{\theta })=\theta$$

$则称\hat{\theta }是\theta 的无偏估计量$

$若$ $$\underset{n->\infty }{\lim }E(\hat{\theta })=\theta$$

$则称\hat{\theta }是\theta 的渐进无偏估计量$

有效性准则

$设总体X有未知数\theta ，X_1,...,X_n是总体X的简单随机样本，设{\hat{\theta }}_1,{\hat{\theta }}_2是\theta 的两个无偏估计$

$如果$ $$D({\hat{\theta }}_1)\le D({\hat{\theta }}_2)，对于一切\theta \in \Theta 成立，$$

$且不等号至少对某一\theta \in \Theta 成立，则称{\hat{\theta }}_1比{\hat{\theta }}_2有效$

均方误差准则

$设总体X有未知数\theta ，X_1,...,X_n是总体X的简单随机样本，设\hat{\theta }是参数\theta 的点估计，方差存在，则称Mse(\hat{\theta })=E(\hat{\theta }-\theta {)}^2是\theta 的均方误差$

$设{\hat{\theta }}_1,{\hat{\theta }}_2是\theta 的点估计，如果$ $$Mse({\hat{\theta }}_1)\le Mse({\hat{\theta }}_2)，对于一切\theta \in \Theta 成立，$$

$且不等号至少对某一\theta \in \Theta 成立，则称{\hat{\theta }}_1优于{\hat{\theta }}_2$

相合性准则

$设总体X有未知数\theta ，X_1,...,X_n是总体X的简单随机样本，设\hat{\theta }是\theta 的点估计，若对于任意\theta \in \Theta$

$${\hat{\theta }}_n{-}^p->\theta ，当n->+\infty 时$$

$则称{\hat{\theta }}_n为\theta 的相合估计量或一致估计量$

区间估计

暂无

假设检验

$小概率反证法思想，一般取\alpha =0.01，0.05$

$原假设(零假设)H_0,备择假设(对立假设)H_1$

$基本原则：1.保护原假设，2.原假设设为维持现状，原假设取简单假设$

单正态总体

均值假设问题

$X_i是来总体N(\mu ,{\sigma }^2)样本，x_i是X_i的样本观测值，显著水平为\alpha$

$H_0：\mu ={\mu }_0$

$H_1：\mu \ne {\mu }_0$

$\sigma 已知：用Z检验，Z=\frac{\overline{X}-{\mu }_0}{\sigma /\sqrt{n}}，$

$\sigma 未知：用t检验，t=\frac{\overline{X}-{\mu }_0}{S/\sqrt{n}}$

$通过z_0或者t_0来计算检验统计量的值，$

$双边检验：$

$1.利用显著性水平进行检验：$

$W=${$|Z|\ge z_{\alpha /2}$} $或者，W=${$|t|\ge t_{\alpha /2}(n-1)$}

$2.利用P^{\prime }值进行假设检验$

$P^{\prime }=P_{H_0}${$|Z|\ge |z_0|$}$=2[1-\varphi (|z_0|)]$ $或者，P^{\prime }=P_{H_0}${$|t|\ge |t_0|$}$=2P${$t(n-1)\ge |t_0|$}

$当P^{\prime }\le \alpha 时，拒绝原假设，当P^{\prime }＞\alpha 时，不拒绝原假设$

方差假设问题

$H_0：{\sigma }^2={\sigma }_0^2$

$H_1：{\sigma }^2\ne {\sigma }_0^2$

$检验统计量{\chi }^2=\frac{(n-1)S^2}{{\sigma }_0^2}，{\chi }_0^2=\frac{(n-1)s^2}{{\sigma }_0^2}$

$双边检验：$

$1.利用显著性水平进行检验：$

$W=${$\frac{(n-1)S^2}{{\sigma }_0^2}\le {\chi }_{1-\alpha /2}^2(n-1)或\frac{(n-1)S^2}{{\sigma }_0^2}\ge {\chi }_{\alpha /2}^2(n-1)$}

$2.利用P^{\prime }值进行假设检验$

$P’=2min${$P[{\chi }^2(n-1)\le {\chi }_0^2]，P[{\chi }^2(n-1)\ge {\chi }_0^2]$}

$当P^{\prime }\le \alpha 时，拒绝原假设，当P^{\prime }＞\alpha 时，不拒绝原假设$

假设检验与区间估计

$设\theta 的置信度为1-\alpha 的双侧置信区间为({\hat{\theta }}_L，{\hat{\theta }}_R)，则假设$

$H_0：\theta ={\theta }_0$

$H_1：\theta \ne {\theta }_0$

$W=({\theta }_0\le {\hat{\theta }}_L或{\theta }_0\ge {\hat{\theta }}_R)$

双正态总体

$X_i是来自N({\mu }_1,{\sigma }_1^2)的样本$

$Y_i是来自N({\mu }_2,{\sigma }_2^2)的样本$

$两样本相互独立$

均值检验假设

$H_0：{\mu }_1={\mu }_2$

$H_1：{\mu }_1\ne {\mu }_2$

$1.{\sigma }_1^2和{\sigma }_2^2已知：用Z检验，Z=\frac{\overline{X}-\overline{Y}}{\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}}，其中z_0=\frac{\overline{x}-\overline{y}}{\sqrt{\frac{{\sigma }_1^2}{n_1}+\frac{{\sigma }_2^2}{n_2}}}$

$拒绝域：${$|Z|\ge z_{\alpha /2}$}

$P^{\prime }=P_{H_0}${$|Z|\ge |z_0|$}$=2[1-\Phi (|z_0|)]$

$2.{\sigma }_1^2={\sigma }_2^2且未知：用t检验，t=\frac{\overline{X}-\overline{Y}}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}，其中S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$

$检验拒绝域为：|t|\ge t_{\alpha /2}(n_1+n_2-2)，其中t_0=\frac{\overline{x}-\overline{y}}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}$

$P^{\prime }=P_{H_0}${$|t|\ge |t_0|$}=$2P${$t(n_1+n_2-2)\ge |t_0|$}.

$3.{\sigma }_1^2\ne {\sigma }_2^2且未知：t=\frac{\overline{X}-\overline{Y}}{\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}}}，其中t_0=\frac{\overline{x}-\overline{y}}{\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}}}$

$当两个样本都很大时，t$ ~ $N(0,1)$

$拒绝域：${$|t|\ge z_{\alpha /2}$}

$P^{\prime }=P_{H_0}${$|t|\ge |t_0|$}=$2P${$Z\ge |t_0|$}.

方差检验假设

$H_0：{\sigma }^2={\sigma }_0^2$

$H_1：{\sigma }^2\ne {\sigma }_0^2$

$检验统计量：F=\frac{S_1^2}{S_2^2}，其值f_0=\frac{s_1^2}{s_2^2}$

$拒绝域：W=${$F\le F_{1-\alpha /2}(n_1-1,n_2-1)或F\ge F_{\alpha /2}(n_1-1,n_2-1)$}

$P^{\prime }=2min${$P(f(n_1-1,n_2-1)\ge f_0),P(F(n_1-1,n_2-1)\le f_0)$}

$当P^{\prime }\le \alpha 时，拒绝原假设，当P^{\prime }＞\alpha 时，不拒绝原假设$

Tips

$1.设U$ ~ $N(0,1)，我们有U^2$ ~ ${\chi }^2(1).$

$2.P${$|X-E(X)|\ge ϵ$}$\le \frac{D(X)}{{ϵ}^2}$$,P${$|X-E(X)|<ϵ$}$\ge 1-\frac{D(X)}{{ϵ}^2}.$

$3.L(\xi )为单调函数则直接求，否则令\frac{InL(\xi )}{d\xi }{|}_{\xi =\hat{\xi }}=0.$