概率论复习
第一章 随机事件及其概率
1.1 随机试验、样本空间
知道随机试验为E,样本空间为S就行
1.2 随机事件
事件中的关系区分三个:互不相容/互斥、对立事件、独立事件
记住三个公式:
P
(
A
ˉ
B
ˉ
)
=
P
(
A
∩
B
ˉ
)
=
1
−
P
(
A
∪
B
)
P(\bar{A}\bar{B})=P(\bar{A\cap B}) =1-P(A\cup B)
P(AˉBˉ)=P(A∩Bˉ)=1−P(A∪B)
P ( A B ˉ ) = P ( A − B ) = P ( A ) − P ( A B ) P(A\bar{B})=P(A-B)=P(A)-P(AB) P(ABˉ)=P(A−B)=P(A)−P(AB)
P ( A ˉ ∪ B ˉ ) = P ( A ∩ B ˉ ) = 1 − P ( A B ) P(\bar{A}\cup\bar{B})=P(\bar{A\cap B})=1-P(AB) P(Aˉ∪Bˉ)=P(A∩Bˉ)=1−P(AB)
1.3 随机事件的概率
随机事件的概率: 0 ≤ P ( A ) ≤ 1 0\leq P(A)\leq 1 0≤P(A)≤1
概论性质:
P
(
A
ˉ
)
=
1
−
P
(
A
)
P(\bar{A})=1-P(A)
P(Aˉ)=1−P(A)
P
(
∅
)
=
0
P(\varnothing)=0
P(∅)=0
P
(
A
∩
B
)
=
P
(
A
)
+
P
(
B
)
−
P
(
A
B
)
P(A\cap B)=P(A)+P(B)-P(AB)
P(A∩B)=P(A)+P(B)−P(AB)
1.4 古典概率模型
P ( A ) = N ( A ) N ( S ) P(A)=\frac{N(A)}{N(S)} P(A)=N(S)N(A)
1.5 条件概率
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac{P(AB)}{P(B)} P(A∣B)=P(B)P(AB)
乘法公式: P ( A B ) = P ( A ∣ B ) P ( B ) P(AB)=P(A|B)P(B) P(AB)=P(A∣B)P(B)
全概率公式: P ( A ) = P ( A ∣ B 1 ) P ( B 1 ) + P ( A ∣ B 2 ) P ( B 2 ) + . . . + P ( A ∣ B n ) P ( B n ) P(A)=P(A|B_1)P(B_1)+P(A|B_2)P(B_2)+...+P(A|B_n)P(B_n) P(A)=P(A∣B1)P(B1)+P(A∣B2)P(B2)+...+P(A∣Bn)P(Bn)
贝叶斯公式: P ( B i ∣ A ) = P ( A B i ) P ( A ) P(B_i|A)=\frac{P(AB_i)}{P(A)} P(Bi∣A)=P(A)P(ABi)
1.6 事件的独立性
两事件相互独立: P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
两事件互斥: A B = ∅ AB=\varnothing AB=∅
考点
三大考点:
-
根据概率性质计算其他事件概率
-
可等能概率模型/古典概率模型
-
条件概率(三个公式)
第二章 随机变量及其分布(重点)
2.1 随机变量
定义:设随机试验的样本空间是S={e}.X=X(e)是定义在样本空间S上的实值单值函数,称X=X(e)为随机变量。
2.2 离散型随机变量及其分布
离散型概率分布律: P { X = x k } = p k , k = 1 , 2 , 3 … P\{X=x_k\}=p_k,k=1,2,3… P{X=xk}=pk,k=1,2,3…
满足以下两个条件
P k ≥ 0 , k = 1 , 2 , 3... P_k \ge0,k=1,2,3... Pk≥0,k=1,2,3...
∑ i = 1 n p k = 1 \sum_{i = 1}^{n}p_k=1 ∑i=1npk=1
三种分布:二项分布,伯怒利分布(n=1),泊松分布 ( X ∼ π ( λ ) ) (X\sim\pi(\lambda)) (X∼π(λ))
二项分布: P { X = k } = ( n k ) p k ( 1 − p ) n − k P\{X=k\}=\binom{n}{k}p^k \left(1-p\right)^{n-k} P{X=k}=(kn)pk(1−p)n−k
伯怒利分布: P { X = k } = p k ( 1 − p ) n − k P\{X=k\}=p^k \left(1-p\right)^{n-k} P{X=k}=pk(1−p)n−k
泊松分布: P { X = k } = λ k e − λ k ! P\{X=k\}=\frac{\lambda^ke^{-\lambda}}{k!} P{X=k}=k!λke−λ
定理: n p = λ ( 常 数 ) np=\lambda(常数) np=λ(常数)当n很大p很小时,二项分布的分布律近似于泊松分布的分布律
( n k ) p k ( 1 − p ) n − k ≈ λ k e − λ k ! \binom{n}{k}p^k \left(1-p\right)^{n-k} \approx\frac{\lambda^ke^{-\lambda}}{k!} (kn)pk(1−p)n−k≈k!λke−λ
2.3 连续型随机变量及其概率密度
连续型概率密度函数: P { a ≤ X ≤ b } = ∫ a b f ( x ) d x P\{a\le X\le b\}=\int_{a}^{b}f(x)dx P{a≤X≤b}=∫abf(x)dx
满足以下三个条件:
f ( x ) ≥ 0 , − ∞ < x < ∞ f(x) \ge0,- \infty<x<\infty f(x)≥0,−∞<x<∞
∫ a b f ( x ) d x = 1 \int_{a}^{b}f(x)dx=1 ∫abf(x)dx=1
P { a ≤ X ≤ b } = ∫ a b f ( x ) d x P\{a\le X\le b\}=\int_{a}^{b}f(x)dx P{a≤X≤b}=∫abf(x)dx
三种分布:均匀分布 ( X ∼ U ( a , b ) ) (X\sim U(a,b)) (X∼U(a,b)),指数分布,正态分布/高斯分布 ( X ∼ N ( μ , σ 2 ) ) (X\sim N(\mu, \sigma^2)) (X∼N(μ,σ2))
均匀分布X的概率密度: f ( x ) = { 1 b − a a < x < b 0 , 其 他 f(x) = \begin{cases} \frac{1}{b-a} & a<x<b \\ 0& ,其他 \end{cases} f(x)={b−a10a<x<b,其他
指数分布X的概率密度: f ( x ) = { 1 θ e − x / θ x > 0 0 , 其 他 f(x) = \begin{cases} \frac{1}{ \theta}e^{-x/ \theta} & x>0 \\0 & ,其他 \end{cases} f(x)={θ1e−x/θ0x>0,其他
正态分布X的概率密度: f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , − ∞ < x < ∞ f(x) = \frac{1}{ \sqrt{2\pi}\sigma}e^{\frac{-(x-\mu)^2}{2\sigma^2}} ,- \infty<x< \infty f(x)=2πσ1e2σ2−(x−μ)2,−∞<x<∞
2.4 分布函数
P { a < X ≤ b } = P { X ≤ b } − P { X ≤ a } = F ( b ) − F ( a ) P\{a<X \le b\}=P\{X \le b\}-P\{X \le a\}=F(b)-F(a) P{a<X≤b}=P{X≤b}−P{X≤a}=F(b)−F(a)
离散型: F ( x ) = ∑ x k ≤ x p k F(x)=\sum_{x_k\le x}p_k F(x)=∑xk≤xpk
连续型: F ( x ) = P { X ≤ x } = ∫ − ∞ x f ( x ) d x F(x)=P\{X\le x\}=\int_{- \infty}^{x}f(x)dx F(x)=P{X≤x}=∫−∞xf(x)dx
2.5 二维随机变量
离散型随机变量(X,Y)的概率分布律/X,Y的联合分布律:
P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , 3 … P\{X=x_i,Y=y_j\}=p_{ij},i,j=1,2,3… P{X=xi,Y=yj}=pij,i,j=1,2,3…
满足以下两个条件
P i j ≥ 0 , i , j = 1 , 2 , 3... P_{ij} \ge0,i,j=1,2,3... Pij≥0,i,j=1,2,3...
∑ i = 1 ∞ ∑ j = 1 ∞ p i j = 1 \sum_{i = 1}^{\infty}\sum_{j = 1}^{\infty}p_{ij}=1 ∑i=1∞∑j=1∞pij=1
连续型二维随机变量(X,Y)的概率密度函数/X,Y的联合概率密度函数:
P { a ≤ X ≤ b } = ∫ a b f ( x ) d x P\{a\le X\le b\}=\int_{a}^{b}f(x)dx P{a≤X≤b}=∫abf(x)dx
满足以下三个条件:
f ( x , y ) ≥ 0 f(x,y) \ge0 f(x,y)≥0
∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) d x d y = 1 \int_{- \infty}^{+ \infty}\int_{- \infty}^{+ \infty}f(x,y)dxdy=1 ∫−∞+∞∫−∞+∞f(x,y)dxdy=1
P { ( X , Y ∈ G ) } = ∫ ∫ G f ( x , y ) d x d y P\{(X,Y \in G)\}={\int\int}_{G}f(x,y)dxdy P{(X,Y∈G)}=∫∫Gf(x,y)dxdy
2.6 边缘分布
离散型:
P { X = x i } = ∑ i = 1 n P { X = x i , Y = y i } , i = 1 , 2 , 3... P\{X=x_i\}=\sum_{i = 1}^{n}P\{X=x_i,Y=y_i\},i=1,2,3... P{X=xi}=∑i=1nP{X=xi,Y=yi},i=1,2,3...
P { Y = y i } = ∑ i = 1 n P { X = x i , Y = y i } , i = 1 , 2 , 3... P\{Y=y_i\}=\sum_{i = 1}^{n}P\{X=x_i,Y=y_i\},i=1,2,3... P{Y=yi}=∑i=1nP{X=xi,Y=yi},i=1,2,3...
连续型:
f X ( x ) = ∫ − ∞ + ∞ f ( x , y ) d y f_X(x)=\int_{- \infty}^{+ \infty}f(x,y)dy fX(x)=∫−∞+∞f(x,y)dy
f Y ( y ) = ∫ − ∞ + ∞ f ( x , y ) d x f_Y(y)=\int_{- \infty}^{+ \infty}f(x,y)dx fY(y)=∫−∞+∞f(x,y)dx
2.7 条件分布
离散型:
在 Y = y i Y=y_i Y=yi 条件下随机变量X的条件分布律
条件公式: P { X = x i ∣ Y = y i } = P { X = x i , Y = y i } P { Y = y i } , i = 1 , 2 , 3... P\{X=x_i|Y=y_i\}=\frac{P\{X=x_i,Y=y_i\}}{P\{Y=y_i\}},i=1,2,3... P{X=xi∣Y=yi}=P{Y=yi}P{X=xi,Y=yi},i=1,2,3...
乘法公式: P = { X = x i , Y = y i } = P { X = x i ∣ Y = y i } P { Y = y i } {P=\{X=x_i,Y=y_i\}}=P\{X=x_i|Y=y_i\}{P\{Y=y_i\}} P={X=xi,Y=yi}=P{X=xi∣Y=yi}P{Y=yi}
连续型:
在 Y = y Y=y Y=y的条件下X的条件概率密度
条件公式: f X ∣ Y ( x ∣ y ) = f ( x , y ) f Y ( y ) f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)} fX∣Y(x∣y)=fY(y)f(x,y)
乘法公式: f ( x , y ) = f X ∣ Y ( x ∣ y ) f Y ( y ) f(x,y)=f_{X|Y}(x|y)f_Y(y) f(x,y)=fX∣Y(x∣y)fY(y)
2.8 相互独立的随机变量
已 知 f ( x , y ) ⟶ 判 断 X , Y 相 互 独 立 已知f(x,y)\longrightarrow 判断X,Y相互独立 已知f(x,y)⟶判断X,Y相互独立
离散型: P { X = X i , Y = Y i } = P { X = X i } P { Y = Y i } P\{X=X_i,Y=Y_i\}=P\{X=X_i\}P\{Y=Y_i\} P{X=Xi,Y=Yi}=P{X=Xi}P{Y=Yi}
连续型: f ( x , y ) = f X ( x ) f Y ( y ) f(x,y)=f_X(x)f_Y(y) f(x,y)=fX(x)fY(y)
2.9 随机变量函数的分布
考点
- 连续型(离散型)求概率密度函数(分布律)里参数,并求概率;
- 二维随机变量的联合、边缘、条件
- 判断二维连续型或离散型)随机变量是否独立
第三章 随机变量的数字特征
3.1 数学期望
离散型: E ( X ) = ∑ i = 1 ∞ x k p k E(X)=\sum_{i = 1}^{\infty}x_kp_k E(X)=∑i=1∞xkpk.
连续型: E ( X ) = ∫ − ∞ ∞ x f ( x ) d x E(X)=\int_{- \infty}^{ \infty}xf(x)dx E(X)=∫−∞∞xf(x)dx
4个性质:
- 设C是常数,则有 E ( C ) = C E(C)=C E(C)=C
- 设C是常数,X是随机变量,则有 E ( C X ) = C E ( X ) E(CX)=CE(X) E(CX)=CE(X)
- 设X,Y是两个任意的随机变量,则有 E ( X + Y ) = E ( X ) + E ( Y ) E(X+Y)=E(X)+E(Y) E(X+Y)=E(X)+E(Y)
- 设X,Y是两个相互独立的随机变量,则有 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) E(XY)=E(X)E(Y)
3.2 方差
D ( X ) = E [ { X − E ( X ) ] 2 } D(X)=E[\{X-E(X)]^2\} D(X)=E[{X−E(X)]2}
D ( X ) = E ( X 2 ) − [ E ( X ) ] 2 D(X)=E(X^2)-[E(X)]^2 D(X)=E(X2)−[E(X)]2
4个性质:
- 设C是常数,则有 D ( C ) = 0 → P { X = C } = 1 D(C)=0 \rightarrow P\{X=C\}=1 D(C)=0→P{X=C}=1
- 设C是常数,X是随机变量,则有
D ( C X ) = C 2 D ( X ) D(CX)=C^2D(X) D(CX)=C2D(X)
D ( X + C ) = D ( X ) D(X+C)=D(X) D(X+C)=D(X) - 设X,Y是两个任意的随机变量,则有 D ( X + Y ) = D ( X ) + D ( Y ) + 2 E { ( X − E ( X ) ) ( Y − E ( Y ) ) } D(X+Y)=D(X)+D(Y)+2E\{(X-E(X))(Y-E(Y))\} D(X+Y)=D(X)+D(Y)+2E{(X−E(X))(Y−E(Y))}
- 设X,Y是两个相互独立的随机变量,则有 D ( X + Y ) = D ( X ) + D ( Y ) D(X+Y)=D(X)+D(Y) D(X+Y)=D(X)+D(Y)
3.3 协方差与相关系数
协方差: C o v ( X , Y ) = E { ( X − E ( X ) ) ( Y − E ( Y ) ) } Cov(X,Y)=E\{(X-E(X))(Y-E(Y))\} Cov(X,Y)=E{(X−E(X))(Y−E(Y))}
相关系数: ρ X Y = C o v ( X , Y ) D ( X ) D ( Y ) , D ( X ) ≠ 0 , D ( Y ) ≠ 0 \rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}},D(X)\neq 0,D(Y)\neq0 ρXY=D(X)D(Y)Cov(X,Y),D(X)=0,D(Y)=0
3.4 随机变量的另几个数字特征
矩和中心矩:设X为随机变量,若 E ( X k ) , k = 1 , 2 , 3 … E(X^k),k=1,2,3… E(Xk),k=1,2,3…存在,称它为X的k阶原点矩或k阶矩,
若 E { [ X − E ( X ) ] 2 , k = 1 , 2 , 3... E\{[X-E(X)]^2,k=1,2,3... E{[X−E(X)]2,k=1,2,3...存在,称它为X的k阶中心矩
下分位数: F ( x α ) = ∫ − ∞ x α f ( x ) d x = a F(x_\alpha)=\int_{- \infty}^{x_\alpha}f(x)dx=a F(xα)=∫−∞xαf(x)dx=a
上分位数: 1 − F ( x α ) = ∫ x α ∞ f ( x ) d x = a 1-F(x_\alpha)=\int_{x_\alpha}^{\infty}f(x)dx=a 1−F(xα)=∫xα∞f(x)dx=a
中位数: F ( x 0.5 ) = F ( x 0.5 ) = ∫ x 0.5 ∞ f ( x ) d x = 0.5 F(x_{0.5})=F(x_{0.5})=\int_{x_{0.5}}^{\infty}f(x)dx=0.5 F(x0.5)=F(x0.5)=∫x0.5∞f(x)dx=0.5
分位数:对于任意整数 α ( 0 < α < 1 ) \alpha(0<\alpha<1) α(0<α<1),称满足条件
P { X < x α } ≤ α P\{X<x_\alpha\}\le \alpha P{X<xα}≤α且 P { X ≤ α } ≥ α P\{X\le \alpha\} \ge \alpha P{X≤α}≥α的数 x α x_\alpha xα为此分布的 α \alpha α分位数或下 α \alpha α分位数
3.5 切比雪夫不等式与大数定理
考点
连续型(离散型)数学期望、方差和协方差;(必考)
几种常见的E(X),D(X)
二项分布: { E ( X ) = n p D ( x ) = n p ( 1 − p ) \begin{cases} E(X)=np \\ D(x)=np(1-p) \end{cases} {E(X)=npD(x)=np(1−p)
泊松分布: { E ( X ) = λ D ( x ) = λ \begin{cases} E(X)=\lambda \\ D(x)=\lambda \end{cases} {E(X)=λD(x)=λ
均匀分布: { E ( X ) = a + b 2 D ( x ) = ( b − a ) 2 12 \begin{cases} E(X)=\frac{a+b}{2} \\ D(x)=\frac{(b-a)^2}{12} \end{cases} {E(X)=2a+bD(x)=12(b−a)2
指数分布: { E ( X ) = θ D ( x ) = θ 2 \begin{cases} E(X)=\theta \\ D(x)=\theta^2 \end{cases} {E(X)=θD(x)=θ2
正态分布: { E ( X ) = μ D ( x ) = σ 2 \begin{cases} E(X)= \mu \\ D(x)=\sigma^2 \end{cases} {E(X)=μD(x)=σ2
第四章 正态分布
4.1 正态分布
设连续型随机变量X具有概率密度
f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 , − ∞ < x < ∞ f(x) = \frac{1}{ \sqrt{2\pi}\sigma}e^{\frac{-(x-\mu)^2}{2\sigma^2}} ,- \infty<x< \infty f(x)=2πσ1e2σ2−(x−μ)2,−∞<x<∞
其中 μ ( − ∞ < μ < ∞ ) , σ ( σ > 0 ) \mu(- \infty<\mu<\infty),\sigma(\sigma>0) μ(−∞<μ<∞),σ(σ>0)为常数,则称X服从以 μ , σ \mu,\sigma μ,σ为参数的正态分布,正态分布又称高斯分布,记为 X ∼ N ( μ , σ 2 ) X\sim N(\mu, \sigma^2) X∼N(μ,σ2)
当 μ = 0 , σ = 1 \mu=0,\sigma=1 μ=0,σ=1时:N(0,1)称为X服从标准正态分布
设
X
∼
N
(
0
,
1
)
X\sim N(0, 1)
X∼N(0,1).对于任意整数
α
(
0
<
α
<
1
)
\alpha(0<\alpha<1)
α(0<α<1)满足条件
P
{
X
>
z
α
}
=
∫
z
α
∞
φ
(
x
)
d
x
=
α
P\{X>z_\alpha\}=\int_{z_\alpha}^{\infty}\varphi(x)dx=\alpha
P{X>zα}=∫zα∞φ(x)dx=α的数
z
α
z_\alpha
zα就是标准正态分布的上
α
\alpha
α分位数
ϕ
(
z
α
)
=
1
−
P
{
X
>
z
α
}
=
1
−
α
\phi(z_\alpha)=1-P\{X>z_\alpha\}=1-\alpha
ϕ(zα)=1−P{X>zα}=1−α
设随机变量 X ∼ N ( μ , σ 2 ) X\sim N(\mu, \sigma^2) X∼N(μ,σ2),则
Y = a X + b ∼ N ( a μ + b , ( a σ ) 2 ) Y=aX+b\sim N(a\mu+b, (a\sigma)^2) Y=aX+b∼N(aμ+b,(aσ)2),其中 a ( a ≠ 0 ) a(a\ne0) a(a=0),b为常数
Y = X − μ σ ∼ N ( 0 , 1 ) Y=\frac{X-\mu}{\sigma}\sim N(0,1) Y=σX−μ∼N(0,1)
4.2 正态随机变量的线性组合
设随机变量 Y 1 ∼ N ( 0 , σ 2 ) Y_1 \sim N( 0,\sigma^2) Y1∼N(0,σ2) , Y 2 ∼ N ( 0 , 1 ) , 且 Y 1 , Y 2 相 互 独 立 , 则 Y_2 \sim N( 0,1),且Y_1,Y_2相互独立,则 Y2∼N(0,1),且Y1,Y2相互独立,则 Y 1 + Y 2 ∼ N ( 0 , σ 2 + 1 ) Y_1+Y_2\sim N( 0,\sigma^2+1) Y1+Y2∼N(0,σ2+1)
设随机变量 Y 1 ∼ N ( μ 1 , σ 1 2 ) Y_1 \sim N( \mu_1,\sigma_1^2) Y1∼N(μ1,σ12) , Y 2 ∼ N ( μ 2 , σ 2 2 ) 且 Y 1 , Y 2 相 互 独 立 , 则 Y_2 \sim N( \mu_2,\sigma_2^2)且Y_1,Y_2相互独立,则 Y2∼N(μ2,σ22)且Y1,Y2相互独立,则 Y 1 + Y 2 ∼ N ( μ 1 + μ 2 , σ 1 2 + σ 2 2 ) Y_1+Y_2\sim N( \mu_1+\mu_2,\sigma_1^2+\sigma_2^2) Y1+Y2∼N(μ1+μ2,σ12+σ22)
4.3 中心极限定理
4.4 二维正态分布
考点
正态分布概率的计算和应用
一般的正态分布转化为标准正态分布计算
X ∼ N ( μ 1 , σ 1 2 ) X \sim N( \mu_1,\sigma_1^2) X∼N(μ1,σ12) Y ∼ N ( μ 2 , σ 2 2 ) Y \sim N( \mu_2,\sigma_2^2) Y∼N(μ2,σ22) X − Y ∼ N ( μ 1 − μ 2 , σ 1 2 + σ 2 2 ) X-Y\sim N( \mu_1-\mu_2,\sigma_1^2+\sigma_2^2) X−Y∼N(μ1−μ2,σ12+σ22)
第五章 样本及抽样分布
5.1 随机样本
容量、样本
5.2 描述统计
用图形来显示数据:点图、茎叶图
用数字描述数据集:算术平均值、中位数、截尾均值
5.3 统计量
样本均值: X ˉ = 1 n ∑ i = 1 n X i \bar X=\frac{1}{n}\sum_{i = 1}^{n}X_i Xˉ=n1∑i=1nXi
样本方差: S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 = 1 n − 1 ( ∑ i = 1 n X i 2 − n X ˉ 2 ) S^2=\frac{1}{n-1}\sum_{i = 1}^{n}(X_i-\bar X)^2=\frac{1}{n-1}(\sum_{i = 1}^{n}X_i^2-n\bar X^2) S2=n−11∑i=1n(Xi−Xˉ)2=n−11(∑i=1nXi2−nXˉ2)
样本标准差: S = S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 S=\sqrt{S^2}=\sqrt{\frac{1}{n-1}\sum_{i = 1}^{n}(X_i-\bar X)^2} S=S2=n−11∑i=1n(Xi−Xˉ)2
样本k阶原点矩: A k = 1 n ∑ i = 1 n X i k , k = 1 , 2 , 3... A_k=\frac{1}{n}\sum_{i = 1}^{n}X_i^k,k=1,2,3... Ak=n1∑i=1nXik,k=1,2,3...
样本k阶中心矩: B k = 1 n ∑ i = 1 n ( X i − X ˉ ) k , k = 1 , 2 , 3... B_k=\frac{1}{n}\sum_{i = 1}^{n}(X_i-\bar X)^k,k=1,2,3... Bk=n1∑i=1n(Xi−Xˉ)k,k=1,2,3...
5.4 抽样分布
三分布:
-
χ 2 \chi^2 χ2分布
设 X 1 , X 2 , X 3 . . . X n X_1,X_2,X_3...X_n X1,X2,X3...Xn是来自总体N(0,1)的样本则统计量
χ 2 = X 1 2 + X 2 2 + X 3 2 + . . . + X n 2 \chi^2=X_1^2+X_2^2+X_3^2+...+X_n^2 χ2=X12+X22+X32+...+Xn2
服从自由度为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)
χ 2 \chi^2 χ2的可加性:设 χ 1 2 ∼ χ 2 ( n 1 ) \chi_1^2\sim\chi^2(n_1) χ12∼χ2(n1), χ 2 2 ∼ χ 2 ( n 2 ) \chi_2^2\sim\chi^2(n_2) χ22∼χ2(n2),并且 χ 1 2 , χ 2 2 \chi_1^2\ ,\chi_2^2 χ12 ,χ22相互独立,则有 χ 1 2 + χ 2 2 ∼ χ 2 ( n 1 + n 2 ) \chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2) χ12+χ22∼χ2(n1+n2)
χ 2 \chi^2 χ2分布的数学期望和方差:若 χ 2 ∼ χ 2 ( n ) \chi^2\sim\chi^2(n) χ2∼χ2(n),则有
E ( χ 2 ) = n , D ( χ 2 ) = 2 n E(\chi^2)=n,D(\chi^2)=2n E(χ2)=n,D(χ2)=2n -
t分布
设 X ∼ N ( 0 , 1 ) , Y ∼ χ 2 ( n ) X\sim N(0,1),Y\sim \chi^2(n) X∼N(0,1),Y∼χ2(n),且X,Y相互独立,称随机变量 t = X Y / n t=\frac{X}{\sqrt{Y/n}} t=Y/nX服从自由度为n的t分布,记为 t ∼ t ( n ) t\sim t(n) t∼t(n)
-
F分布
设 U ∼ χ 2 ( n 1 ) , V ∼ χ 2 ( n 2 ) U\sim \chi^2(n_1),V\sim \chi^2(n_2) U∼χ2(n1),V∼χ2(n2),且U,V相互独立则称, F = U / n 1 V / n 2 F=\frac{U/n_1}{V/n_2} F=V/n2U/n1服从自由度为 ( n 1 , n 2 ) (n_1,n_2) (n1,n2)的F分布,记为 F ∼ F ( n 1 , n 2 ) F\sim F(n_1,n_2) F∼F(n1,n2)
四定理:
定理1 设 X 1 , X 2 , X 3 . . . X n X_1,X_2,X_3...X_n X1,X2,X3...Xn是来自总体 N ( μ , σ 2 ) N( \mu,\sigma^2) N(μ,σ2)的样本, X ˉ \bar{X} Xˉ是样本均值,则有
X ˉ ∼ N ( μ , σ 2 ) \bar{X}\sim N( \mu,\sigma^2) Xˉ∼N(μ,σ2)
定理2
设 X 1 , X 2 , X 3 . . . X n X_1,X_2,X_3...X_n X1,X2,X3...Xn是来自总体 N ( μ , σ 2 ) N( \mu,\sigma^2) N(μ,σ2)的样本, X ˉ , S 2 \bar{X},S^2 Xˉ,S2是样本均值和样本方差,则有
( 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)
X ˉ 与 S 2 \bar{X}与S^2 Xˉ与S2独立
定理3 设 X 1 , X 2 , X 3 . . . X n X_1,X_2,X_3...X_n X1,X2,X3...Xn是来自总体 N ( μ , σ 2 ) N( \mu,\sigma^2) N(μ,σ2)的样本, X ˉ , S 2 \bar{X},S^2 Xˉ,S2是样本均值和样本方差,则有
X ˉ − u S / n ∼ t ( n − 1 ) \frac{\bar{X}-u}{S/\sqrt{n}}\sim t(n-1) S/nXˉ−u∼t(n−1)
定理4 设 X 1 , X 2 , X 3 . . . X n 与 Y 1 , Y 2 , Y 3 . . . Y n X_1,X_2,X_3...X_n与Y_1,Y_2,Y_3...Y_n X1,X2,X3...Xn与Y1,Y2,Y3...Yn来自总体 N ( μ 1 , σ 1 2 ) , N ( μ 2 , σ 2 2 ) N( \mu_1,\sigma_1^2),N( \mu_2,\sigma_2^2) N(μ1,σ12),N(μ2,σ22)的样本,且这两个样本相互独立,设 X ˉ = 1 n 1 ∑ i = 1 n 1 X i , Y ˉ = 1 n 2 ∑ i = 1 n 2 Y 2 \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_2 Xˉ=n11∑i=1n1Xi,Yˉ=n21∑i=1n2Y2分别是两个样本的均值, S 1 ˉ = 1 n 1 − 1 ∑ i = 1 n 1 ( X i − X ˉ ) 2 , S 2 ˉ = 1 n 2 − 1 ∑ i = 1 n 2 ( Y i − Y ˉ ) 2 \bar{S_1}=\frac{1}{n_1-1}\sum_{i = 1}^{n_1}(X_i-\bar{X})^2,\bar{S_2}=\frac{1}{n_2-1}\sum_{i = 1}^{n_2}(Y_i-\bar{Y})^2 S1ˉ=n1−11∑i=1n1(Xi−Xˉ)2,S2ˉ=n2−11∑i=1n2(Yi−Yˉ)2分别是两个样本的方差,则有
S 1 2 / S 2 2 σ 1 2 / σ 2 2 ∼ F ( n 1 − 1 , n 2 − 1 ) \frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2} \sim F(n_1-1,n_2-1) σ12/σ22S12/S22∼F(n1−1,n2−1)
考点
第六章 参数估计
6.1 参数的点估计
-
矩估计法
A l = 1 n ∑ i = 1 n X i l A_l=\frac{1}{n}\sum_{i = 1}^{n}X_i^l Al=n1∑i=1nXil
-
最大似然估计法
三步求 L ( θ ) , l n L ( θ ) , d l n L ( θ ) d ( θ ) L(\theta),lnL(\theta),\frac{dlnL(\theta)}{d(\theta)} L(θ),lnL(θ),d(θ)dlnL(θ)
考点
矩估计法和最大似然估计法求估计量(必考)