概统考前瞄一眼(下)

概统复习

上接概统考前瞄一下(上)，因字数过多，不得不拆分

四、参数估计

数理统计学的基本概念

• 总体：所研究对象某一指标的全体，称为总体。
  • 研究对象中某个个体的指标称为个体。
• 样本：从研究对象中取若干个体的某项指标称之为样本，个体个数称为样本容量。
• 设$X$为总体，$(X_1,X_2,\cdots ,X_n)$为一个样本，若满足
  • $X_1,X_2,\cdots ,X_n$相互独立
  • $X_1,X_2,\cdots ,X_n$与总体$X$服从同样分布
  • 称$(X_1,X_2,\cdots ,X_n)$为简单随机样本，简称样本，$(x_1,x_2,\cdots ,x_n)$为样本观察值
• 统计量：设$X$是总体，$(X_1,X_2,\cdots ,X_n)$为来自总体$X$的简单随机样本，则样本$(X_1,\cdots ,X_n)$的无参函数称为统计量
• 重要统计量
  • 样本均值：$\overline{x}=\frac{1}{n}{\sum }_{i=1}^n{X}_i$
  • 样本方差：$s^2=\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\overline{x}{)}^2$
  • 样本的$k$阶原点矩：$A_k=\frac{1}{n}{\sum }_{i=1}^n{x}_i^k$
  • 样本的$k$阶中心矩：$M_k=\frac{1}{n}{\sum }_{i=1}^n(x_i-\overline{x}{)}^k$

三大抽样分布(☆)

$K^2$分布

• $X\sim N(0,1)——总体$，$(X_1,\cdots ,X_n)——样本$
  • $Z=X_1^2+X_2^2+\cdots +X_n^2$，称$Z$服从自由度为$n$的$K^2$分布，记==$Z\sim K^2(n)$==
• 性质
  • $X\sim N(0,1)$，则$X^2\sim K^2(1)$
  • $X\sim K^2(n)$，则$EX=n,DX=2n$
  • $X\sim K^2(m),Y\sim K^2(n),X,Y独立$，则$X+Y\sim K^2(m+n)$
  • $K_{1-\frac{\alpha }{2}}^2(n)$和$K_{\frac{\alpha }{2}}^2(n)$

$t$分布

• $X\sim N(0,1),Y\sim K^2(n)$，且$X,Y$独立
  • $Z=\frac{X}{\sqrt{Y/n}}$，称$Z$服从自由度为$n$的$t$分布，记==$Z\sim t(n)$==
• 性质
  • $X\sim t(n)$，则$EX=0$
  • $X\sim t(n)\Rightarrow X\sim N(0,1)$，即$t_{1-\alpha }(n)=-t_{\alpha }(n)$

$F$分布

• $X\sim K^2(m),Y\sim K^2(n),且X,Y独立$
  • $Z=\frac{X/m}{Y/n}$，称$Z$服从自由度为$m,n$的$F$分布，记==$Z\sim F(m,n)$==
• 性质
  • $X\sim F(m,n)$，则$\frac{1}{X}\sim F(n,m)$
  • $F_{\alpha }(m,n)=\frac{1}{F_{1-\alpha }(n,m)}$

正态总体抽样分布

• $X\sim N(\mu ,{\sigma }^2)$，$X_1,\cdots ,X_n$为总体$X$的样本
  • $\overline{x}\sim N(\mu ,\frac{{\sigma }^2}{n})$

$Var(X)={\sigma }^2——总体方差$

$s^2=\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\overline{x})——样本方差$

• $X\sim N(\mu ,{\sigma }^2)$，$X_1,\cdots ,X_n$为总体$X$的样本
  • $\frac{\overline{x}-\mu }{\sqrt{s^2/n}}\sim t(n-1)$

---

• $X\sim N(\mu ,{\sigma }^2)$，$X_1,\cdots ,X_n$为总体$X$的样本
  • $\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(x_i-\mu {)}^2\sim K^2(n)$

$E(X)=\mu ——总体均值$

$\overline{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i——样本均值$

• $X\sim N(\mu ,{\sigma }^2)$，$X_1,\cdots ,X_n$为总体$X$的样本
  • $\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(x_i-\overline{x}{)}^2\sim K^2(n-1)$

矩估计、极大似然估计

$X$总体分布已知，但含位置参数$\theta$，对$\theta$估计

• 矩估计法
  • $Case1:含\theta$
    • $EX=f(\theta )——总体的一阶原点矩$
    • $\overline{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i——样本的一阶原点矩$
    • 令$EX=\overline{x}\Rightarrow \hat{\theta }=\varphi (x_1,\cdots ,x_n)——\theta 的矩估计量$
  • $Case2:含{\theta }_1,{\theta }_2$
    • $EX=f({\theta }_1,{\theta }_2)，E{X}^2=f({\theta }_1,{\theta }_2)$
    • $EX=\overline{x}，E{X}^2=\frac{1}{n}{\sum }_{i=1}^n{x}_i^2$
    • 求解${\theta }_1,{\theta }_2$
• 极大似然估计
  • $Case1:总体X为离散型(含\theta )$
    • L ( θ ) = P { X = x 1 } P { X = x 2 } ⋯ P { X = x n } L(\theta)=P\{X=x_1\}P\{X=x_2\}\cdots P\{X=x_n\} L(θ)=P{X=x1​}P{X=x2​}⋯P{X=xn​}
    • $LnL(\theta )=\cdots$
    • $\frac{d}{d\theta }LnL(\theta )=\cdots =0\Rightarrow \hat{\theta }=\varphi (x_1,\cdots ,x_n)$
  • $Case2:总体X\sim f(x,\theta )$
    • $L(\theta )=f(x_1,\theta )f(x_2,\theta )\cdots f(x_n,\theta )$
    • $LnL(\theta )=\cdots$
    • $\frac{d}{d\theta }LnL(\theta )=\cdots =0\Rightarrow \hat{\theta }=\varphi (x_1,\cdots ,x_n)$

点估计的优良性准则

$E(\overline{X})=E(X),D(\overline{X})=\frac{D(X)}{n}$

无偏性

• 设$X$为总体，$(X_1,\cdots ,X_n)$为来自总体$X$的样本，$\hat{\theta }=\varphi (X_1,X_2,\cdots ,X_n)$为$\theta$的估计量
  • $IfE\hat{\theta }=\theta$，称$\hat{\theta }=\varphi (X_1,\cdots X_n)$为$\theta$的无偏估计量

有效性

• 设$X$为总体，$(X_1,\cdots ,X_n)$为$X$的样本，$\widehat{{\theta }_1},\widehat{{\theta }_2}$都为$\theta$的无偏估计量
  • 若$D\widehat{{\theta }_1}<D\widehat{{\theta }_2}$，称$\widehat{{\theta }_1}$为$\theta$的更有效的无偏估计量

小例

• $(X_1,\cdots ,X_n)$为$X$的样本，$X\sim U(0,\theta )$，求$\theta$的矩估计量和极大似然估计量，判断无偏性，并比较修正后的有效性
  • 求点估计量
    • $\{\begin{array}{ll}\frac{1}{\theta },& 0<x<\theta \\ 0,& 其他\end{array}$，$EX=\frac{\theta }{2}$，令$EX=\overline{X}$，则$\theta$的矩估计量为$\widehat{{\theta }_1}=2\overline{X}$
    • $L(\theta )=\frac{1}{{\theta }^n},LnL(\theta )=-nln\theta$，$\frac{d}{d\theta }=-\frac{n}{\theta }<0$，单调递减， θ 2 ^ = max ⁡ { X 1 , ⋯   , X n } \hat{\theta_2}=\max\{X_1,\cdots,X_n\} θ2​^​=max{X1​,⋯,Xn​}
  • 判断无偏性
    • $E(\widehat{{\theta }_1})=2E(\overline{X})=2EX=\theta$
    • F θ 2 ^ ( x ) = P { θ 2 ^ ≤ x } = P { X 1 ≤ x } ⋯ P { X n ≤ x } = P n { X ≤ x } = F n ( x ) F_{\hat{\theta_2}}(x)=P\{\hat{\theta_2}\leq x\}=P\{X_1\leq x\}\cdots P\{X_n\leq x\}=P^n\{X\leq x\}=F^n(x) Fθ2​^​​(x)=P{θ2​^​≤x}=P{X1​≤x}⋯P{Xn​≤x}=Pn{X≤x}=Fn(x)
    • $F(x)=\{\begin{array}{ll}0,& x<0\\ \frac{x}{\theta },& 0\le x<\theta \\ 1,& x\ge \theta \end{array}$，$f_{\widehat{{\theta }_2}}(x)=n{F}^{(n-1)}(x)f(x)=\{\begin{array}{ll}\frac{n{x}^{n-1}}{{\theta }^n},& 0<x<\theta \\ 0,& 其他\end{array}$
    • $E(\widehat{{\theta }_2})={\int }_0^{\theta }x\frac{n{x}^{n-1}}{{\theta }^n}dx=\frac{n}{n+1}\theta \ne \theta$
    • 修正 θ 2 ^ = n + 1 n max ⁡ { X 1 , ⋯   , X n } \hat{\theta_2}=\frac{n+1}{n}\max\{X_1,\cdots,X_n\} θ2​^​=nn+1​max{X1​,⋯,Xn​}
  • 比较有效性
    • $D(\widehat{{\theta }_1})=D(2\overline{X})=4D(\overline{X})=\frac{4}{n}DX=\frac{4}{n}\frac{{\theta }^2}{12}=\frac{{\theta }^2}{3n}$
    • 令 Y = max ⁡ { X 1 , ⋯   , X n } Y=\max\{X_1,\cdots,X_n\} Y=max{X1​,⋯,Xn​}，$f_Y(x)在上一问已求解$，$EY=\frac{n}{n+1}\theta$
    • $D(\widehat{{\theta }_2})=E(\widehat{{\theta }_2^2})-E(\widehat{{\theta }_2}{)}^2$，$E(\widehat{{\theta }_2})=E(\frac{n+1}{n}Y)=\theta$，$E(\widehat{{\theta }_2^2})={\int }_0^{\theta }(\frac{n+1}{n}x{)}^2\frac{n{x}^{n-1}}{{\theta }^n}dx=\frac{(n+1{)}^2}{n(n+2)}{\theta }^2$
    • $D(\widehat{{\theta }_2})=\frac{1}{n(n+2)}{\theta }^2$
    • $n\ge 2$时，$D(\widehat{{\theta }_2})<D(\widehat{{\theta }_1})$，$\widehat{{\theta }_2}$比$\widehat{{\theta }_1}$更有效

区间估计

• 设$X$为总体，$X$分布已知，但含未知参数$\theta$，$X_1,\cdots ,X_n$为样本，若$\underline{\theta }={\varphi }_1(X_1,\cdots ,X_n),\overline{\theta }={\varphi }_2(X_1,\cdots ,X_n)$
  • 使 P { θ ‾ < θ < θ ‾ } = 1 − α P\{\underline{\theta}<\theta<\overline{\theta}\}=1-\alpha P{θ​<θ<θ}=1−α，称$(\underline{\theta },\overline{\theta })$为置信度为$1-\alpha$的置信区间，$\underline{\theta },\overline{\theta }$为置信下限和置信上限

正态总体未知参数置信区间

• 对$\mu$进行区间估计
  • $\sigma$已知
    • $\frac{\overline{X}-\mu }{\frac{\sigma }{\sqrt{n}}}\sim N(0,1)$
    • 求$\pm u_{\frac{\alpha }{2}}$
    • P { − u α 2 < X ‾ − μ σ n < u α 2 } = 1 − α P\{-u_{\frac{\alpha}{2}}<\frac{\overline{X}-\mu}{\frac{\sigma}{\sqrt{n}}}<u_{\frac{\alpha}{2}}\}=1-\alpha P{−u2α​​<n ​σ​X−μ​<u2α​​}=1−α
    • 解得$\mu$的置信区间为==$(\overline{X}-\frac{\sigma }{\sqrt{n}}{u}_{\frac{\alpha }{2}},\overline{X}+\frac{\sigma }{\sqrt{n}}{u}_{\frac{\alpha }{2}})$==
    • 单侧同理，$\frac{\alpha }{2}$变为$\alpha$另一侧为$\infty$
  • $\sigma$未知
    • $\frac{\overline{X}-\mu }{\frac{s}{\sqrt{n}}}\sim t(n-1)$
    • 求$t_{\frac{\alpha }{2}}(n-1)$
    • P { − t α 2 ( n − 1 ) < X ‾ − μ s n < t α 2 ( n − 1 ) } = 1 − α P\{-t_{\frac{\alpha}{2}}(n-1)<\frac{\overline{X}-\mu}{\frac{s}{\sqrt{n}}}<t_{\frac{\alpha}{2}}(n-1)\}=1-\alpha P{−t2α​​(n−1)<n ​s​X−μ​<t2α​​(n−1)}=1−α
    • 解得$\mu$的置信度为$1-\alpha$的置信区间为==$(\overline{X}-\frac{s}{\sqrt{n}}{t}_{\frac{\alpha }{2}}(n-1),\overline{X}+\frac{s}{\sqrt{n}}{t}_{\frac{\alpha }{2}}(n-1))$==
    • 单侧同理，$\frac{\alpha }{2}$变为$\alpha$另一侧为$\infty$
• 对${\sigma }^2$进行区间估计
  • $\mu$已知
    • $\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(X_i-\mu {)}^2\sim K^2(n)$
    • 求$K_{1-\frac{\alpha }{2}}^2(n),K_{\frac{\alpha }{2}}^2(n)$
    • P { K 1 − α 2 2 ( n ) < 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 < K α 2 2 ( n ) } = 1 − α P\{K^2_{1-\frac{\alpha}{2}}(n)<\frac{1}{\sigma^2}\sum_{i=1}^n(X_i-\mu)^2<K^2_{\frac{\alpha}{2}}(n)\}=1-\alpha P{K1−2α​2​(n)<σ21​∑i=1n​(Xi​−μ)2<K2α​2​(n)}=1−α
    • 解得${\sigma }^2$置信度为$1-\alpha$的置信区间为==$(\frac{{\sum }_{i=1}^n(X_i-\mu {)}^2}{K_{\frac{\alpha }{2}}^2(n)},\frac{{\sum }_{i=1}^n(X_i-\mu {)}^2}{K_{1-\frac{\alpha }{2}}^2(n)})$==
    • 单侧同理，$\frac{\alpha }{2}$变为$\alpha$另一侧为$\infty$
  • $\mu$未知
    • $\frac{(n-1)s^2}{{\sigma }^2}\sim K^2(n-1)$
    • 求$K_{1-\frac{\alpha }{2}}^2(n-1),K_{\frac{\alpha }{2}}^2(n-1)$
    • P { K 1 − α 2 2 ( n − 1 ) < ( n − 1 ) s 2 σ 2 < K α 2 2 ( n − 1 ) } = 1 − α P\{K^2_{1-\frac{\alpha}{2}}(n-1)<\frac{(n-1)s^2}{\sigma^2}<K^2_{\frac{\alpha}{2}}(n-1)\}=1-\alpha P{K1−2α​2​(n−1)<σ2(n−1)s2​<K2α​2​(n−1)}=1−α
    • 解得${\sigma }^2$置信度为$1-\alpha$的置信区间为==$(\frac{(n-1)s^2}{K_{\frac{\alpha }{2}}^2(n-1)},(\frac{(n-1)s^2}{K_{1-\frac{\alpha }{2}}^2(n-1)})$==
    • 单侧同理，$\frac{\alpha }{2}$变为$\alpha$另一侧为$\infty$

指数总体未知参数置信区间

• $2n\lambda \overline{X}\sim K_{2n}^2$
• 求$K_{1-\frac{\alpha }{2}}^2(2n),K_{\frac{\alpha }{2}}^2(2n)$
• P { K 1 − α 2 2 ( 2 n ) < 2 n λ X ‾ < K α 2 2 ( 2 n ) } = 1 − α P\{K^2_{1-\frac{\alpha}{2}}(2n)<2n\lambda\overline{X}<K^2_{\frac{\alpha}{2}}(2n)\}=1-\alpha P{K1−2α​2​(2n)<2nλX<K2α​2​(2n)}=1−α
• 解得$\lambda$置信度为$1-\alpha$的置信区间为$(\frac{2n\overline{X}}{K_{\frac{\alpha }{2}}^2(2n)},\frac{2n\overline{X}}{K_{1-\frac{\alpha }{2}}^2(2n)})$
• 单侧同理，$\frac{\alpha }{2}$变为$\alpha$另一侧为$\infty$

注：对于泊松分布可采用大样本法，提示$Y_n=X_1+\cdots +X_n,\frac{Y_n-n\lambda }{\sqrt{n\lambda }}\sim N(0,1)$

---

五、假设检验

统计者想要拒绝的假设，应放置于原假设

问题提法和基本概念

• 假设检验：设总体$X$的分布已知，但含未知参数，从总体中取出简单随机样本，对总体总的某个未知参数提出假设，利用样本构造统计量，对所作出的假设的真伪进行判断，在统计学上称为假设检验。
• 假设检验的两类错误
  • 弃真错误：原假设$H_0$为真，但根据样本检验结果$H_0$被拒绝
    • P { X i ∈ W ∣ H 0 } = 1 − P { X i ∉ W ∣ H 0 } P\{X_i\in W|H_0\}=1-P\{X_i\notin W|H_0\} P{Xi​∈W∣H0​}=1−P{Xi​∈/​W∣H0​}
  • 存伪错误：原假设$H_0$不真，但根据样本检验结果$H_0$被接受
    • P { X i ∉ W ∣ H 1 } = 1 − P { X i ∈ W ∣ H 1 } P\{X_i\notin W|H_1\}=1-P\{X_i\in W|H_1\} P{Xi​∈/​W∣H1​}=1−P{Xi​∈W∣H1​}
• 假设检验的步骤
  • 提出原假设$H_0$及备选假设$H_1$
  • 根据已知条件选择何时的统计量
  • 根据显著性水平$\alpha$，确定假设$H_0$的拒绝域
  • 将样本观察值带入统计量，若统计量的值属于拒绝域，则拒绝$H_0$；若统计量的值位于接受域，则接受$H_0$
• 功效函数：设总体分布包含若干个未知参数${\theta }_1,\cdots ,{\theta }_k$，$H_0$是关于这些参数的原假设，设有样本$X_1,\cdots ,X_n$，而$\Phi$是基于这些样本对$H_0$的一个检验，则称检验$\Phi$的功效函数为${\beta }_{\Phi }({\theta }_1,\cdots ,{\theta }_k)=P_{{\theta }_1,\cdots ,{\theta }_k}(原假设否定的概率)$

重要参数检验

一个正态总体的假设检验

$\overline{X}=\frac{1}{n}{\sum }_{i=1}^n{X}_i,S^2=\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\overline{X}{)}^2$

• 均值$\mu$的假设检验
  • ${\sigma }^2$已知 $U$检验
    • 双侧检验：令：$H_0:\mu ={\mu }_0,H_1:\mu \ne {\mu }_0$
      • $Z=\frac{\overline{X}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}\sim N(0,1)$
      • 查表求$\pm u_{\frac{\alpha }{2}}$，则$H_0$的接受域为$(-u_{\frac{\alpha }{2}},u_{\frac{\alpha }{2}})$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验：令：$H_0:\mu \le {\mu }_0,H_1:\mu >{\mu }_0$
      • $Z=\frac{\overline{X}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}\sim N(0,1)$
      • 查表求$u_{\alpha }$，则$H_0$的接受域为$(-\infty ,u_{\alpha })$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 左侧检验：令：$H_0:\mu \ge {\mu }_0,H_1:\mu >{\mu }_0$
      • $Z=\frac{\overline{X}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}\sim N(0,1)$
      • 查表求$u_{\alpha }$，则$H_0$的接受域为$(u_{\alpha }，+\infty )$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
  • ${\sigma }^2$未知 $t$检验
    • 双侧检验：令：$H_0:\mu ={\mu }_0,H_1:\mu \ne {\mu }_0$
      • $t=\frac{\overline{X}-{\mu }_0}{\frac{S}{\sqrt{n}}}\sim t(n-1)$
      • 查表求上下分位点$\pm t_{\frac{\alpha }{2}}(n-1)$，则$H_0$的接受域为$(-t_{\frac{\alpha }{2}}(n-1),t_{\frac{\alpha }{2}}(n-1))$
      • 样本观察值带入得$t_0=\frac{\overline{x}-\mu }{\frac{s}{\sqrt{n}}}$，若$t_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验：令：$H_0:\mu \le {\mu }_0,H_1:\mu >{\mu }_0$
      • $t=\frac{\overline{X}-{\mu }_0}{\frac{S}{\sqrt{n}}}\sim t(n-1)$
      • 查表求$t_{\alpha }(n-1)$，则$H_0$的接受域为$(-\infty ,t_{\alpha }(n-1))$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 左侧检验：令：$H_0:\mu \ge {\mu }_0,H_1:\mu >{\mu }_0$
      • $t=\frac{\overline{X}-{\mu }_0}{\frac{S}{\sqrt{n}}}\sim t(n-1)$
      • 查表求$-t_{\alpha }(n-1)$，则$H_0$的接受域为$(-t_{\alpha }(n-1)，+\infty )$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-{\mu }_0}{\frac{\sigma }{\sqrt{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
• 方差${\sigma }^2$的假设检验
  • $\mu$已知 $K^2$检验
    • 双侧检验：$H_0:{\sigma }^2={\sigma }_0^2,H_1:{\sigma }^2\ne {\sigma }_0^2$
      • $\frac{1}{{\sigma }^2}{\sum }_{i=1}^n(X_i-\mu {)}^2\sim K^2(n)$
      • 查表求$K_{1-\frac{\alpha }{2}}^2(n),K_{\frac{\alpha }{2}}^2(n)$，则$H_0$的接受域为$(K_{1-\frac{\alpha }{2}}^2(n),K_{\frac{\alpha }{2}}^2(n))$
      • 样本观察值带入得$\frac{1}{{\sigma }_0^2}{\sum }_{i=1}^n(x_i-\mu {)}^2$，若在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验/左侧检验同理
  • $\mu$未知 $K^2$检验
    • 双侧检验：$H_0:{\sigma }^2={\sigma }_0^2,H_1:{\sigma }^2\ne {\sigma }_0^2$
      • $\frac{(n-1)S^2}{{\sigma }^2}\sim K^2(n-1)$
      • 查表求$K_{1-\frac{\alpha }{2}}^2(n-1),K_{\frac{\alpha }{2}}^2(n-1)$，则$H_0$的接受域为$(K_{1-\frac{\alpha }{2}}^2(n-1),K_{\frac{\alpha }{2}}^2(n-1))$
      • 样本观察值带入得$\frac{(n-1)S^2}{{\sigma }_0^2}$，若在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验/左侧检验同理

两个正态总体的假设检验

• ${\mu }_1-{\mu }_2$的假设检验
  • ${\sigma }_1,{\sigma }_2$已知
    • 双侧检验：令$H_0:{\mu }_1={\mu }_2,H_1:{\mu }_1\ne {\mu }_2$
      • $\frac{\overline{X}-\overline{Y}-({\mu }_1-{\mu }_2)}{\sqrt{\frac{{\sigma }_1^2}{m}+\frac{{\sigma }_2^2}{n}}}\sim N(0,1)$
      • 查表求$\pm u_{\frac{\alpha }{2}}$，则$H_0$的接受域为$(-u_{\frac{\alpha }{2}},u_{\frac{\alpha }{2}})$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-\overline{y}-({\mu }_1-{\mu }_2)}{\sqrt{\frac{{\sigma }_1^2}{m}+\frac{{\sigma }_2^2}{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验/左侧检验同理
  • ${\sigma }_1={\sigma }_2=\sigma$未知
    • 双侧检验：令$H_0:{\mu }_1={\mu }_2,H_1:{\mu }_1\ne {\mu }_2$
      • $\frac{\overline{X}-\overline{Y}-({\mu }_1-{\mu }_2)}{S_w\sqrt{\frac{1}{m}+\frac{1}{n}}}\sim t(m+n-2)$
      • $S_w=\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}$
      • 查表求上下分位点$\pm t_{\frac{\alpha }{2}}(m+n-2)$，则$H_0$的接受域为$(-t_{\frac{\alpha }{2}}(m+n-2),t_{\frac{\alpha }{2}}(m+n-2))$
      • 样本观察值带入得$Z_0=\frac{\overline{x}-\overline{y}-({\mu }_1-{\mu }_2)}{S_w\sqrt{\frac{1}{m}+\frac{1}{n}}}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
    • 右侧检验/左侧检验同理
• ${\mu }_1,{\mu }_2$未知下方差的检验
  • 双侧检验：设$H_0:{\sigma }_1^2={\sigma }_2^2,H_1:{\sigma }_1^2\ne {\sigma }_2^2$
    • $F=\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$
    • 查表求$F_{1-\frac{\alpha }{2}}(m-1,n-1),F_{\frac{\alpha }{2}}(m-1,n-1)$，则$H_0$的接受域为$(F_{1-\frac{\alpha }{2}}(m-1,n-1),F_{\frac{\alpha }{2}}(m-1,n-1))$
    • 样本观察值带入得$F_0=\frac{s_1^2}{s_2^2}$，若$F_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
  • 右侧检验/左侧检验同理

指数分布参数$\lambda$的检验

• 双侧检验：设$H_0:\lambda ={\lambda }_0,H_1:\lambda \ne {\lambda }_0$
  • $2n{\lambda }_0\overline{X}\sim K^2(2n)$
  • 查表求$K_{1-\frac{\alpha }{2}}^2(n),K_{\frac{\alpha }{2}}^2(n)$，则$H_0$的接受域为$(K_{1-\frac{\alpha }{2}}^2(n),K_{\frac{\alpha }{2}}^2(n))$
  • 样本观察值带入得$Z_0=2n{\lambda }_0\overline{x}$，若$Z_0$在接受域内，则接受$H_0$，否则拒绝$H_0$
• 右侧/左侧检验同理

二项分布参数$p$的检验

• ${\sum }_{i=0}^{c_0}{(}_i^n)p_0^i(1-p_0{)}^{n-i}<1-\alpha <{\sum }_{i=0}^{c_0+1}{(}_i^n)p_0^i(1-p_0{)}^{n-i}$

泊松分布参数$\lambda$的检验

• ${\sum }_{i=0}^{c_0}\frac{e^{-{\lambda }_0}{\lambda }_0^i}{i!}<1-\alpha <{\sum }_{i=0}^{c_0+1}\frac{e^{-{\lambda }_0}{\lambda }_0^i}{i!}$

拟合优度检验

理论分布完全已知只取有限个值的情况

• $Z=\sum \frac{(理论值-经验值{)}^2}{理论值}$
• 定理：如果原假设$H_0$成立，则在样本大小$n\to \infty$时，$Z$的分布趋向于自由度为$k-1$的$K^2$分布(k为取值个数)

理论分布只含有限个值但不完全已知的情况

• 定理：在一定的条件下，若原假设$P(X=a_i)=p_i({\theta }_1,\cdots ,{\theta }_r)有一组值使它成立$，则当样本大小$n\to \infty$时，$Z$的分布趋向于自由度为$k-1-r$的$K^2$分布(k为取值个数，r为参数个数)

列联表

• $n_{ij}$为属性$A,B$分别处于水平$i,j$的个体数
• 列出表后，$Z={\sum }_{i=1}^a{\sum }_{j=1}^b(n{n}_{i}j-n_{i\cdot }{n}_{\cdot j}{)}^2/n(n_{i\cdot }{n}_{\cdot j})$，服从$K^2((a-1)\ast (b-1))$分布