上接概统考前瞄一下(上),因字数过多,不得不拆分
文章目录
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
X
X为总体,
(
X
1
,
X
2
,
⋯
,
X
n
)
(X_1,X_2,\cdots,X_n)
(X1,X2,⋯,Xn)为一个样本,若满足
- X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn相互独立
- X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn与总体 X X X服从同样分布
- 称 ( X 1 , X 2 , ⋯ , X n ) (X_1,X_2,\cdots,X_n) (X1,X2,⋯,Xn)为简单随机样本,简称样本, ( x 1 , x 2 , ⋯ , x n ) (x_1,x_2,\cdots,x_n) (x1,x2,⋯,xn)为样本观察值
- 统计量:设 X X X是总体, ( X 1 , X 2 , ⋯ , X n ) (X_1,X_2,\cdots,X_n) (X1,X2,⋯,Xn)为来自总体 X X X的简单随机样本,则样本 ( X 1 , ⋯ , X n ) (X_1,\cdots,X_n) (X1,⋯,Xn)的无参函数称为统计量
- 重要统计量
- 样本均值: x ‾ = 1 n ∑ i = 1 n X i \overline{x}=\frac{1}{n}\sum_{i=1}^nX_i x=n1∑i=1nXi
- 样本方差: s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ‾ ) 2 s^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\overline{x})^2 s2=n−11∑i=1n(xi−x)2
- 样本的 k k k阶原点矩: A k = 1 n ∑ i = 1 n x i k A_k=\frac{1}{n}\sum_{i=1}^nx_i^k Ak=n1∑i=1nxik
- 样本的 k k k阶中心矩: M k = 1 n ∑ i = 1 n ( x i − x ‾ ) k M_k=\frac{1}{n}\sum_{i=1}^n(x_i-\overline{x})^k Mk=n1∑i=1n(xi−x)k
三大抽样分布(☆)
K 2 K^2 K2分布
-
X
∼
N
(
0
,
1
)
—
—
总
体
X\sim N(0,1)——总体
X∼N(0,1)——总体,
(
X
1
,
⋯
,
X
n
)
—
—
样
本
(X_1,\cdots,X_n)——样本
(X1,⋯,Xn)——样本
- Z = X 1 2 + X 2 2 + ⋯ + X n 2 Z=X_1^2+X_2^2+\cdots+X_n^2 Z=X12+X22+⋯+Xn2,称 Z Z Z服从自由度为 n n n的 K 2 K^2 K2分布,记== Z ∼ K 2 ( n ) Z\sim K^2(n) Z∼K2(n)==
- 性质
- X ∼ N ( 0 , 1 ) X\sim N(0,1) X∼N(0,1),则 X 2 ∼ K 2 ( 1 ) X^2\sim K^2(1) X2∼K2(1)
- X ∼ K 2 ( n ) X\sim K^2(n) X∼K2(n),则 E X = n , D X = 2 n EX=n,DX=2n EX=n,DX=2n
- X ∼ K 2 ( m ) , Y ∼ K 2 ( n ) , X , Y 独 立 X\sim K^2(m),Y\sim K^2(n),X,Y独立 X∼K2(m),Y∼K2(n),X,Y独立,则 X + Y ∼ K 2 ( m + n ) X+Y\sim K^2(m+n) X+Y∼K2(m+n)
- K 1 − α 2 2 ( n ) K^2_{1-\frac{\alpha}{2}}(n) K1−2α2(n)和 K α 2 2 ( n ) K^2_{\frac{\alpha}{2}}(n) K2α2(n)
t t t分布
-
X
∼
N
(
0
,
1
)
,
Y
∼
K
2
(
n
)
X\sim N(0,1),Y\sim K^2(n)
X∼N(0,1),Y∼K2(n),且
X
,
Y
X,Y
X,Y独立
- Z = X Y / n Z=\frac{X}{\sqrt{Y/n}} Z=Y/nX,称 Z Z Z服从自由度为 n n n的 t t t分布,记== Z ∼ t ( n ) Z\sim t(n) Z∼t(n)==
- 性质
- X ∼ t ( n ) X\sim t(n) X∼t(n),则 E X = 0 EX=0 EX=0
- X ∼ t ( n ) ⇒ X ∼ N ( 0 , 1 ) X\sim t(n)\Rightarrow X\sim N(0,1) X∼t(n)⇒X∼N(0,1),即 t 1 − α ( n ) = − t α ( n ) t_{1-\alpha}(n)=-t_\alpha(n) t1−α(n)=−tα(n)
F F F分布
-
X
∼
K
2
(
m
)
,
Y
∼
K
2
(
n
)
,
且
X
,
Y
独
立
X\sim K^2(m),Y\sim K^2(n),且X,Y独立
X∼K2(m),Y∼K2(n),且X,Y独立
- Z = X / m Y / n Z=\frac{X/m}{Y/n} Z=Y/nX/m,称 Z Z Z服从自由度为 m , n m,n m,n的 F F F分布,记== Z ∼ F ( m , n ) Z\sim F(m,n) Z∼F(m,n)==
- 性质
- X ∼ F ( m , n ) X\sim F(m,n) X∼F(m,n),则 1 X ∼ F ( n , m ) \frac{1}{X}\sim F(n,m) X1∼F(n,m)
- F α ( m , n ) = 1 F 1 − α ( n , m ) F_\alpha(m,n)=\frac{1}{F_{1-\alpha}(n,m)} Fα(m,n)=F1−α(n,m)1
正态总体抽样分布
-
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2),
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn为总体
X
X
X的样本
- x ‾ ∼ N ( μ , σ 2 n ) \overline{x}\sim N(\mu, \frac{\sigma^2}{n}) x∼N(μ,nσ2)
V a r ( X ) = σ 2 — — 总 体 方 差 Var(X)=\sigma^2——总体方差 Var(X)=σ2——总体方差
s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ‾ ) — — 样 本 方 差 s^2=\frac{1}{n-1}\sum_{i=1}^n(x_i-\overline{x})——样本方差 s2=n−11∑i=1n(xi−x)——样本方差
-
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2),
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn为总体
X
X
X的样本
- x ‾ − μ s 2 / n ∼ t ( n − 1 ) \frac{\overline{x}-\mu}{\sqrt{s^2/n}}\sim t(n-1) s2/nx−μ∼t(n−1)
-
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2),
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn为总体
X
X
X的样本
- 1 σ 2 ∑ i = 1 n ( x i − μ ) 2 ∼ K 2 ( n ) \frac{1}{\sigma^2}\sum_{i=1}^n(x_i-\mu)^2\sim K^2(n) σ21∑i=1n(xi−μ)2∼K2(n)
E ( X ) = μ — — 总 体 均 值 E(X)=\mu——总体均值 E(X)=μ——总体均值
x ‾ = 1 n ∑ i = 1 n x i — — 样 本 均 值 \overline{x}=\frac{1}{n}\sum_{i=1}^nx_i——样本均值 x=n1∑i=1nxi——样本均值
-
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2),
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn为总体
X
X
X的样本
- 1 σ 2 ∑ i = 1 n ( x i − x ‾ ) 2 ∼ K 2 ( n − 1 ) \frac{1}{\sigma^2}\sum_{i=1}^n(x_i-\overline{x})^2\sim K^2(n-1) σ21∑i=1n(xi−x)2∼K2(n−1)
矩估计、极大似然估计
X X X总体分布已知,但含位置参数 θ \theta θ,对 θ \theta θ估计
- 矩估计法
-
C
a
s
e
1
:
含
θ
Case1:含\theta
Case1:含θ
- E X = f ( θ ) — — 总 体 的 一 阶 原 点 矩 EX=f(\theta)——总体的一阶原点矩 EX=f(θ)——总体的一阶原点矩
- x ‾ = 1 n ∑ i = 1 n x i — — 样 本 的 一 阶 原 点 矩 \overline{x}=\frac{1}{n}\sum_{i=1}^nx_i——样本的一阶原点矩 x=n1∑i=1nxi——样本的一阶原点矩
- 令 E X = x ‾ ⇒ θ ^ = ϕ ( x 1 , ⋯ , x n ) — — θ 的 矩 估 计 量 EX=\overline{x}\Rightarrow \hat{\theta}=\phi(x_1,\cdots,x_n)——\theta的矩估计量 EX=x⇒θ^=ϕ(x1,⋯,xn)——θ的矩估计量
-
C
a
s
e
2
:
含
θ
1
,
θ
2
Case2:含\theta_1,\theta_2
Case2:含θ1,θ2
- E X = f ( θ 1 , θ 2 ) , E X 2 = f ( θ 1 , θ 2 ) EX=f(\theta_1,\theta_2),EX^2=f(\theta_1,\theta_2) EX=f(θ1,θ2),EX2=f(θ1,θ2)
- E X = x ‾ , E X 2 = 1 n ∑ i = 1 n x i 2 EX=\overline{x},EX^2=\frac{1}{n}\sum_{i=1}^nx_i^2 EX=x,EX2=n1∑i=1nxi2
- 求解 θ 1 , θ 2 \theta_1,\theta_2 θ1,θ2
-
C
a
s
e
1
:
含
θ
Case1:含\theta
Case1:含θ
- 极大似然估计
-
C
a
s
e
1
:
总
体
X
为
离
散
型
(
含
θ
)
Case1:总体X为离散型(含\theta)
Case1:总体X为离散型(含θ)
- 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}
- L n L ( θ ) = ⋯ LnL(\theta)=\cdots LnL(θ)=⋯
- d d θ L n L ( θ ) = ⋯ = 0 ⇒ θ ^ = ϕ ( x 1 , ⋯ , x n ) \frac{d}{d\theta}LnL(\theta)=\cdots=0\Rightarrow \hat{\theta}=\phi(x_1,\cdots,x_n) dθdLnL(θ)=⋯=0⇒θ^=ϕ(x1,⋯,xn)
-
C
a
s
e
2
:
总
体
X
∼
f
(
x
,
θ
)
Case2:总体X\sim f(x,\theta)
Case2:总体X∼f(x,θ)
- L ( θ ) = f ( x 1 , θ ) f ( x 2 , θ ) ⋯ f ( x n , θ ) L(\theta)=f(x_1,\theta)f(x_2,\theta)\cdots f(x_n,\theta) L(θ)=f(x1,θ)f(x2,θ)⋯f(xn,θ)
- L n L ( θ ) = ⋯ LnL(\theta)=\cdots LnL(θ)=⋯
- d d θ L n L ( θ ) = ⋯ = 0 ⇒ θ ^ = ϕ ( x 1 , ⋯ , x n ) \frac{d}{d\theta}LnL(\theta)=\cdots=0\Rightarrow \hat{\theta}=\phi(x_1,\cdots,x_n) dθdLnL(θ)=⋯=0⇒θ^=ϕ(x1,⋯,xn)
-
C
a
s
e
1
:
总
体
X
为
离
散
型
(
含
θ
)
Case1:总体X为离散型(含\theta)
Case1:总体X为离散型(含θ)
点估计的优良性准则
E ( X ‾ ) = E ( X ) , D ( X ‾ ) = D ( X ) n E(\overline{X})=E(X),D(\overline{X})=\frac{D(X)}{n} E(X)=E(X),D(X)=nD(X)
无偏性
- 设
X
X
X为总体,
(
X
1
,
⋯
,
X
n
)
(X_1,\cdots,X_n)
(X1,⋯,Xn)为来自总体
X
X
X的样本,
θ
^
=
ϕ
(
X
1
,
X
2
,
⋯
,
X
n
)
\hat{\theta}=\phi(X_1,X_2,\cdots,X_n)
θ^=ϕ(X1,X2,⋯,Xn)为
θ
\theta
θ的估计量
- I f E θ ^ = θ If\ E\hat{\theta}=\theta If Eθ^=θ,称 θ ^ = ϕ ( X 1 , ⋯ X n ) \hat{\theta}=\phi(X_1,\cdots X_n) θ^=ϕ(X1,⋯Xn)为 θ \theta θ的无偏估计量
有效性
- 设
X
X
X为总体,
(
X
1
,
⋯
,
X
n
)
(X_1,\cdots,X_n)
(X1,⋯,Xn)为
X
X
X的样本,
θ
1
^
,
θ
2
^
\hat{\theta_1},\hat{\theta_2}
θ1^,θ2^都为
θ
\theta
θ的无偏估计量
- 若 D θ 1 ^ < D θ 2 ^ D\hat{\theta_1}<D\hat{\theta_2} Dθ1^<Dθ2^,称 θ 1 ^ \hat{\theta_1} θ1^为 θ \theta θ的更有效的无偏估计量
小例
-
(
X
1
,
⋯
,
X
n
)
(X_1,\cdots,X_n)
(X1,⋯,Xn)为
X
X
X的样本,
X
∼
U
(
0
,
θ
)
X\sim U(0,\theta)
X∼U(0,θ),求
θ
\theta
θ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
- { 1 θ , 0 < x < θ 0 , 其 他 \begin{cases}\frac{1}{\theta}, &0<x<\theta \\ 0, &其他\end{cases} {θ1,0,0<x<θ其他, E X = θ 2 EX=\frac{\theta}{2} EX=2θ,令 E X = X ‾ EX=\overline{X} EX=X,则 θ \theta θ的矩估计量为 θ 1 ^ = 2 X ‾ \hat{\theta_1}=2\overline{X} θ1^=2X
- L ( θ ) = 1 θ n , L n L ( θ ) = − n l n θ L(\theta)=\frac{1}{\theta^n},LnL(\theta)=-nln\theta L(θ)=θn1,LnL(θ)=−nlnθ, d d θ = − n θ < 0 \frac{d}{d\theta}=-\frac{n}{\theta}<0 dθd=−θn<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 ( θ 1 ^ ) = 2 E ( X ‾ ) = 2 E X = θ E(\hat{\theta_1})=2E(\overline{X})=2EX=\theta E(θ1^)=2E(X)=2EX=θ
- 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 ) = { 0 , x < 0 x θ , 0 ≤ x < θ 1 , x ≥ θ F(x)=\begin{cases}0,&x<0 \\ \frac{x}{\theta},&0\leq x <\theta \\ 1, &x\geq \theta\end{cases} F(x)=⎩⎪⎨⎪⎧0,θx,1,x<00≤x<θx≥θ, f θ 2 ^ ( x ) = n F ( n − 1 ) ( x ) f ( x ) = { n x n − 1 θ n , 0 < x < θ 0 , 其 他 f_{\hat{\theta_2}}(x)=nF^{(n-1)}(x)f(x)=\begin{cases}\frac{nx^{n-1}}{\theta^n},&0<x<\theta \\ 0,&其他\end{cases} fθ2^(x)=nF(n−1)(x)f(x)={θnnxn−1,0,0<x<θ其他
- E ( θ 2 ^ ) = ∫ 0 θ x n x n − 1 θ n d x = n n + 1 θ ≠ θ E(\hat{\theta_2})=\int_0^\theta x\frac{nx^{n-1}}{\theta^n}dx=\frac{n}{n+1}\theta\neq\theta E(θ2^)=∫0θxθnnxn−1dx=n+1nθ=θ
- 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+1max{X1,⋯,Xn}
- 比较有效性
- D ( θ 1 ^ ) = D ( 2 X ‾ ) = 4 D ( X ‾ ) = 4 n D X = 4 n θ 2 12 = θ 2 3 n D(\hat{\theta_1})=D(2\overline{X})=4D(\overline{X})=\frac{4}{n}DX=\frac{4}{n}\frac{\theta^2}{12}=\frac{\theta^2}{3n} D(θ1^)=D(2X)=4D(X)=n4DX=n412θ2=3nθ2
- 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 f_Y(x)在上一问已求解 fY(x)在上一问已求解, E Y = n n + 1 θ EY=\frac{n}{n+1}\theta EY=n+1nθ
- D ( θ 2 ^ ) = E ( θ 2 2 ^ ) − E ( θ 2 ^ ) 2 D(\hat{\theta_2})=E(\hat{\theta_2^2})-E(\hat{\theta_2})^2 D(θ2^)=E(θ22^)−E(θ2^)2, E ( θ 2 ^ ) = E ( n + 1 n Y ) = θ E(\hat{\theta_2})=E(\frac{n+1}{n}Y)=\theta E(θ2^)=E(nn+1Y)=θ, E ( θ 2 2 ^ ) = ∫ 0 θ ( n + 1 n x ) 2 n x n − 1 θ n d x = ( n + 1 ) 2 n ( n + 2 ) θ 2 E(\hat{\theta_2^2})=\int_0^\theta(\frac{n+1}{n}x)^2\frac{nx^{n-1}}{\theta^n}dx=\frac{(n+1)^2}{n(n+2)}\theta^2 E(θ22^)=∫0θ(nn+1x)2θnnxn−1dx=n(n+2)(n+1)2θ2
- D ( θ 2 ^ ) = 1 n ( n + 2 ) θ 2 D(\hat{\theta_2})=\frac{1}{n(n+2)}\theta^2 D(θ2^)=n(n+2)1θ2
- n ≥ 2 n\geq 2 n≥2时, D ( θ 2 ^ ) < D ( θ 1 ^ ) D(\hat{\theta_2})<D(\hat{\theta_1}) D(θ2^)<D(θ1^), θ 2 ^ \hat{\theta_2} θ2^比 θ 1 ^ \hat{\theta_1} θ1^更有效
- 求点估计量
区间估计
- 设
X
X
X为总体,
X
X
X分布已知,但含未知参数
θ
\theta
θ,
X
1
,
⋯
,
X
n
X_1,\cdots,X_n
X1,⋯,Xn为样本,若
θ
‾
=
ϕ
1
(
X
1
,
⋯
,
X
n
)
,
θ
‾
=
ϕ
2
(
X
1
,
⋯
,
X
n
)
\underline{\theta}=\phi_1(X_1,\cdots,X_n),\overline{\theta}=\phi_2(X_1,\cdots,X_n)
θ=ϕ1(X1,⋯,Xn),θ=ϕ2(X1,⋯,Xn)
- 使 P { θ ‾ < θ < θ ‾ } = 1 − α P\{\underline{\theta}<\theta<\overline{\theta}\}=1-\alpha P{θ<θ<θ}=1−α,称 ( θ ‾ , θ ‾ ) (\underline{\theta},\overline{\theta}) (θ,θ)为置信度为 1 − α 1-\alpha 1−α的置信区间, θ ‾ , θ ‾ \underline{\theta},\overline{\theta} θ,θ为置信下限和置信上限
正态总体未知参数置信区间
- 对
μ
\mu
μ进行区间估计
-
σ
\sigma
σ已知
- X ‾ − μ σ n ∼ N ( 0 , 1 ) \frac{\overline{X}-\mu}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1) nσX−μ∼N(0,1)
- 求 ± u α 2 \pm u_{\frac{\alpha}{2}} ±u2α
- 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<nσX−μ<u2α}=1−α
- 解得 μ \mu μ的置信区间为== ( X ‾ − σ n u α 2 , X ‾ + σ n u α 2 ) (\overline{X}-\frac{\sigma}{\sqrt{n}}u_{\frac{\alpha}{2}},\overline{X}+\frac{\sigma}{\sqrt{n}}u_{\frac{\alpha}{2}}) (X−nσu2α,X+nσu2α)==
- 单侧同理, α 2 \frac{\alpha}{2} 2α变为 α \alpha α另一侧为 ∞ \infty ∞
-
σ
\sigma
σ未知
- X ‾ − μ s n ∼ t ( n − 1 ) \frac{\overline{X}-\mu}{\frac{s}{\sqrt{n}}}\sim t(n-1) nsX−μ∼t(n−1)
- 求 t α 2 ( n − 1 ) t_{\frac{\alpha}{2}}(n-1) t2α(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)<nsX−μ<t2α(n−1)}=1−α
- 解得 μ \mu μ的置信度为 1 − α 1-\alpha 1−α的置信区间为== ( X ‾ − s n t α 2 ( n − 1 ) , X ‾ + s n t α 2 ( n − 1 ) ) (\overline{X}-\frac{s}{\sqrt{n}}t_{\frac{\alpha}{2}}(n-1),\overline{X}+\frac{s}{\sqrt{n}}t_{\frac{\alpha}{2}}(n-1)) (X−nst2α(n−1),X+nst2α(n−1))==
- 单侧同理, α 2 \frac{\alpha}{2} 2α变为 α \alpha α另一侧为 ∞ \infty ∞
-
σ
\sigma
σ已知
- 对
σ
2
\sigma^2
σ2进行区间估计
-
μ
\mu
μ已知
- 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ K 2 ( n ) \frac{1}{\sigma^2}\sum_{i=1}^n(X_i-\mu)^2\sim K^2(n) σ21∑i=1n(Xi−μ)2∼K2(n)
- 求 K 1 − α 2 2 ( n ) , K α 2 2 ( n ) K^2_{1-\frac{\alpha}{2}}(n),K^2_{\frac{\alpha}{2}}(n) K1−2α2(n),K2α2(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{K1−2α2(n)<σ21∑i=1n(Xi−μ)2<K2α2(n)}=1−α
- 解得 σ 2 \sigma^2 σ2置信度为 1 − α 1-\alpha 1−α的置信区间为== ( ∑ i = 1 n ( X i − μ ) 2 K α 2 2 ( n ) , ∑ i = 1 n ( X i − μ ) 2 K 1 − α 2 2 ( n ) ) (\frac{\sum_{i=1}^n(X_i-\mu)^2}{K^2_{\frac{\alpha}{2}}(n)},\frac{\sum_{i=1}^n(X_i-\mu)^2}{K^2_{1-\frac{\alpha}{2}}(n)}) (K2α2(n)∑i=1n(Xi−μ)2,K1−2α2(n)∑i=1n(Xi−μ)2)==
- 单侧同理, α 2 \frac{\alpha}{2} 2α变为 α \alpha α另一侧为 ∞ \infty ∞
-
μ
\mu
μ未知
- ( n − 1 ) s 2 σ 2 ∼ K 2 ( n − 1 ) \frac{(n-1)s^2}{\sigma^2}\sim K^2(n-1) σ2(n−1)s2∼K2(n−1)
- 求 K 1 − α 2 2 ( n − 1 ) , K α 2 2 ( n − 1 ) K^2_{1-\frac{\alpha}{2}}(n-1),K^2_{\frac{\alpha}{2}}(n-1) K1−2α2(n−1),K2α2(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{K1−2α2(n−1)<σ2(n−1)s2<K2α2(n−1)}=1−α
- 解得 σ 2 \sigma^2 σ2置信度为 1 − α 1-\alpha 1−α的置信区间为== ( ( n − 1 ) s 2 K α 2 2 ( n − 1 ) , ( ( n − 1 ) s 2 K 1 − α 2 2 ( n − 1 ) ) (\frac{(n-1)s^2}{K^2_{\frac{\alpha}{2}}(n-1)},(\frac{(n-1)s^2}{K^2_{1-\frac{\alpha}{2}}(n-1)}) (K2α2(n−1)(n−1)s2,(K1−2α2(n−1)(n−1)s2)==
- 单侧同理, α 2 \frac{\alpha}{2} 2α变为 α \alpha α另一侧为 ∞ \infty ∞
-
μ
\mu
μ已知
指数总体未知参数置信区间
- 2 n λ X ‾ ∼ K 2 n 2 2n\lambda\overline{X}\sim K_{2n}^2 2nλX∼K2n2
- 求 K 1 − α 2 2 ( 2 n ) , K α 2 2 ( 2 n ) K^2_{1-\frac{\alpha}{2}}(2n),K^2_{\frac{\alpha}{2}}(2n) K1−2α2(2n),K2α2(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{K1−2α2(2n)<2nλX<K2α2(2n)}=1−α
- 解得 λ \lambda λ置信度为 1 − α 1-\alpha 1−α的置信区间为 ( 2 n X ‾ K α 2 2 ( 2 n ) , 2 n X ‾ K 1 − α 2 2 ( 2 n ) ) (\frac{2n\overline{X}}{K_{\frac{\alpha}{2}}^2(2n)},\frac{2n\overline{X}}{K_{1-\frac{\alpha}{2}}^2(2n)}) (K2α2(2n)2nX,K1−2α2(2n)2nX)
- 单侧同理, α 2 \frac{\alpha}{2} 2α变为 α \alpha α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 + ⋯ + X n , Y n − n λ n λ ∼ N ( 0 , 1 ) Y_n=X_1+\cdots+X_n,\frac{Y_n-n\lambda}{\sqrt{n\lambda}}\sim N(0,1) Yn=X1+⋯+Xn,nλYn−nλ∼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 X 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
H_0
H0为真,但根据样本检验结果
H
0
H_0
H0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
H_0
H0不真,但根据样本检验结果
H
0
H_0
H0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}
- 弃真错误:原假设
H
0
H_0
H0为真,但根据样本检验结果
H
0
H_0
H0被拒绝
- 假设检验的步骤
- 提出原假设 H 0 H_0 H0及备选假设 H 1 H_1 H1
- 根据已知条件选择何时的统计量
- 根据显著性水平 α \alpha α,确定假设 H 0 H_0 H0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 H_0 H0;若统计量的值位于接受域,则接受 H 0 H_0 H0
- 功效函数:设总体分布包含若干个未知参数 θ 1 , ⋯ , θ k \theta_1,\cdots,\theta_k θ1,⋯,θk, H 0 H_0 H0是关于这些参数的原假设,设有样本 X 1 , ⋯ , X n X_1,\cdots,X_n X1,⋯,Xn,而 Φ \Phi Φ是基于这些样本对 H 0 H_0 H0的一个检验,则称检验 Φ \Phi Φ的功效函数为 β Φ ( θ 1 , ⋯ , θ k ) = P θ 1 , ⋯ , θ k ( 原 假 设 否 定 的 概 率 ) \beta_\Phi(\theta_1,\cdots,\theta_k)=P_{\theta_1,\cdots,\theta_k}(原假设否定的概率) βΦ(θ1,⋯,θk)=Pθ1,⋯,θk(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
X ‾ = 1 n ∑ i = 1 n X i , S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 \overline{X}=\frac{1}{n}\sum_{i=1}^nX_i,S^2=\frac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X})^2 X=n1∑i=1nXi,S2=n−11∑i=1n(Xi−X)2
- 均值
μ
\mu
μ的假设检验
-
σ
2
\sigma^2
σ2已知
U
U
U检验
- 双侧检验:令:
H
0
:
μ
=
μ
0
,
H
1
:
μ
≠
μ
0
H_0:\mu=\mu_0,H_1:\mu\neq\mu_0
H0:μ=μ0,H1:μ=μ0
- Z = X ‾ − μ 0 σ n ∼ N ( 0 , 1 ) Z=\frac{\overline{X}-\mu_0}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1) Z=nσX−μ0∼N(0,1)
- 查表求 ± u α 2 \pm u_{\frac{\alpha}{2}} ±u2α,则 H 0 H_0 H0的接受域为 ( − u α 2 , u α 2 ) (-u_{\frac{\alpha}{2}},u_{\frac{\alpha}{2}}) (−u2α,u2α)
- 样本观察值带入得 Z 0 = x ‾ − μ 0 σ n Z_0=\frac{\overline{x}-\mu_0}{\frac{\sigma}{\sqrt{n}}} Z0=nσx−μ0,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验:令:
H
0
:
μ
≤
μ
0
,
H
1
:
μ
>
μ
0
H_0:\mu\leq\mu_0,H_1:\mu>\mu_0
H0:μ≤μ0,H1:μ>μ0
- Z = X ‾ − μ 0 σ n ∼ N ( 0 , 1 ) Z=\frac{\overline{X}-\mu_0}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1) Z=nσX−μ0∼N(0,1)
- 查表求 u α u_{\alpha} uα,则 H 0 H_0 H0的接受域为 ( − ∞ , u α ) (-\infty, u_\alpha) (−∞,uα)
- 样本观察值带入得 Z 0 = x ‾ − μ 0 σ n Z_0=\frac{\overline{x}-\mu_0}{\frac{\sigma}{\sqrt{n}}} Z0=nσx−μ0,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 左侧检验:令:
H
0
:
μ
≥
μ
0
,
H
1
:
μ
>
μ
0
H_0:\mu\geq\mu_0,H_1:\mu>\mu_0
H0:μ≥μ0,H1:μ>μ0
- Z = X ‾ − μ 0 σ n ∼ N ( 0 , 1 ) Z=\frac{\overline{X}-\mu_0}{\frac{\sigma}{\sqrt{n}}}\sim N(0,1) Z=nσX−μ0∼N(0,1)
- 查表求 u α u_{\alpha} uα,则 H 0 H_0 H0的接受域为 ( u α , + ∞ ) (u_\alpha,+\infty) (uα,+∞)
- 样本观察值带入得 Z 0 = x ‾ − μ 0 σ n Z_0=\frac{\overline{x}-\mu_0}{\frac{\sigma}{\sqrt{n}}} Z0=nσx−μ0,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 双侧检验:令:
H
0
:
μ
=
μ
0
,
H
1
:
μ
≠
μ
0
H_0:\mu=\mu_0,H_1:\mu\neq\mu_0
H0:μ=μ0,H1:μ=μ0
-
σ
2
\sigma^2
σ2未知
t
t
t检验
- 双侧检验:令:
H
0
:
μ
=
μ
0
,
H
1
:
μ
≠
μ
0
H_0:\mu=\mu_0,H_1:\mu\neq\mu_0
H0:μ=μ0,H1:μ=μ0
- t = X ‾ − μ 0 S n ∼ t ( n − 1 ) t=\frac{\overline{X}-\mu_0}{\frac{S}{\sqrt{n}}}\sim t(n-1) t=nSX−μ0∼t(n−1)
- 查表求上下分位点 ± t α 2 ( n − 1 ) \pm t_{\frac{\alpha}{2}}(n-1) ±t2α(n−1),则 H 0 H_0 H0的接受域为 ( − t α 2 ( n − 1 ) , t α 2 ( n − 1 ) ) (-t_{\frac{\alpha}{2}}(n-1),t_{\frac{\alpha}{2}}(n-1)) (−t2α(n−1),t2α(n−1))
- 样本观察值带入得 t 0 = x ‾ − μ s n t_0=\frac{\overline{x}-\mu}{\frac{s}{\sqrt{n}}} t0=nsx−μ,若 t 0 t_0 t0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验:令:
H
0
:
μ
≤
μ
0
,
H
1
:
μ
>
μ
0
H_0:\mu\leq\mu_0,H_1:\mu>\mu_0
H0:μ≤μ0,H1:μ>μ0
- t = X ‾ − μ 0 S n ∼ t ( n − 1 ) t=\frac{\overline{X}-\mu_0}{\frac{S}{\sqrt{n}}}\sim t(n-1) t=nSX−μ0∼t(n−1)
- 查表求 t α ( n − 1 ) t_{\alpha}(n-1) tα(n−1),则 H 0 H_0 H0的接受域为 ( − ∞ , t α ( n − 1 ) ) (-\infty, t_{\alpha}(n-1)) (−∞,tα(n−1))
- 样本观察值带入得 Z 0 = x ‾ − μ 0 σ n Z_0=\frac{\overline{x}-\mu_0}{\frac{\sigma}{\sqrt{n}}} Z0=nσx−μ0,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 左侧检验:令:
H
0
:
μ
≥
μ
0
,
H
1
:
μ
>
μ
0
H_0:\mu\geq\mu_0,H_1:\mu>\mu_0
H0:μ≥μ0,H1:μ>μ0
- t = X ‾ − μ 0 S n ∼ t ( n − 1 ) t=\frac{\overline{X}-\mu_0}{\frac{S}{\sqrt{n}}}\sim t(n-1) t=nSX−μ0∼t(n−1)
- 查表求 − t α ( n − 1 ) -t_{\alpha}(n-1) −tα(n−1),则 H 0 H_0 H0的接受域为 ( − t α ( n − 1 ) , + ∞ ) (-t_{{\alpha}}(n-1),+\infty) (−tα(n−1),+∞)
- 样本观察值带入得 Z 0 = x ‾ − μ 0 σ n Z_0=\frac{\overline{x}-\mu_0}{\frac{\sigma}{\sqrt{n}}} Z0=nσx−μ0,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 双侧检验:令:
H
0
:
μ
=
μ
0
,
H
1
:
μ
≠
μ
0
H_0:\mu=\mu_0,H_1:\mu\neq\mu_0
H0:μ=μ0,H1:μ=μ0
-
σ
2
\sigma^2
σ2已知
U
U
U检验
- 方差
σ
2
\sigma^2
σ2的假设检验
-
μ
\mu
μ已知
K
2
K^2
K2检验
- 双侧检验:
H
0
:
σ
2
=
σ
0
2
,
H
1
:
σ
2
≠
σ
0
2
H_0:\sigma^2=\sigma_0^2,H_1:\sigma^2\neq\sigma_0^2
H0:σ2=σ02,H1:σ2=σ02
- 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ K 2 ( n ) \frac{1}{\sigma^2}\sum_{i=1}^n(X_i-\mu)^2\sim K^2(n) σ21∑i=1n(Xi−μ)2∼K2(n)
- 查表求 K 1 − α 2 2 ( n ) , K α 2 2 ( n ) K_{1-\frac{\alpha}{2}}^2(n),K^2_{\frac{\alpha}{2}}(n) K1−2α2(n),K2α2(n),则 H 0 H_0 H0的接受域为 ( K 1 − α 2 2 ( n ) , K α 2 2 ( n ) ) (K_{1-\frac{\alpha}{2}}^2(n),K^2_{\frac{\alpha}{2}}(n)) (K1−2α2(n),K2α2(n))
- 样本观察值带入得 1 σ 0 2 ∑ i = 1 n ( x i − μ ) 2 \frac{1}{\sigma_0^2}\sum_{i=1}^n(x_i-\mu)^2 σ021∑i=1n(xi−μ)2,若在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验/左侧检验同理
- 双侧检验:
H
0
:
σ
2
=
σ
0
2
,
H
1
:
σ
2
≠
σ
0
2
H_0:\sigma^2=\sigma_0^2,H_1:\sigma^2\neq\sigma_0^2
H0:σ2=σ02,H1:σ2=σ02
-
μ
\mu
μ未知
K
2
K^2
K2检验
- 双侧检验:
H
0
:
σ
2
=
σ
0
2
,
H
1
:
σ
2
≠
σ
0
2
H_0:\sigma^2=\sigma_0^2,H_1:\sigma^2\neq\sigma_0^2
H0:σ2=σ02,H1:σ2=σ02
- ( n − 1 ) S 2 σ 2 ∼ K 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2}\sim K^2(n-1) σ2(n−1)S2∼K2(n−1)
- 查表求 K 1 − α 2 2 ( n − 1 ) , K α 2 2 ( n − 1 ) K_{1-\frac{\alpha}{2}}^2(n-1),K^2_{\frac{\alpha}{2}}(n-1) K1−2α2(n−1),K2α2(n−1),则 H 0 H_0 H0的接受域为 ( K 1 − α 2 2 ( n − 1 ) , K α 2 2 ( n − 1 ) ) (K_{1-\frac{\alpha}{2}}^2(n-1),K^2_{\frac{\alpha}{2}}(n-1)) (K1−2α2(n−1),K2α2(n−1))
- 样本观察值带入得 ( n − 1 ) S 2 σ 0 2 \frac{(n-1)S^2}{\sigma_0^2} σ02(n−1)S2,若在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验/左侧检验同理
- 双侧检验:
H
0
:
σ
2
=
σ
0
2
,
H
1
:
σ
2
≠
σ
0
2
H_0:\sigma^2=\sigma_0^2,H_1:\sigma^2\neq\sigma_0^2
H0:σ2=σ02,H1:σ2=σ02
-
μ
\mu
μ已知
K
2
K^2
K2检验
两个正态总体的假设检验
-
μ
1
−
μ
2
\mu_1-\mu_2
μ1−μ2的假设检验
-
σ
1
,
σ
2
\sigma_1,\sigma_2
σ1,σ2已知
- 双侧检验:令
H
0
:
μ
1
=
μ
2
,
H
1
:
μ
1
≠
μ
2
H_0:\mu_1=\mu_2,H_1:\mu_1\neq\mu_2
H0:μ1=μ2,H1:μ1=μ2
- X ‾ − Y ‾ − ( μ 1 − μ 2 ) σ 1 2 m + σ 2 2 n ∼ N ( 0 , 1 ) \frac{\overline{X}-\overline{Y}-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}\sim N(0,1) mσ12+nσ22X−Y−(μ1−μ2)∼N(0,1)
- 查表求 ± u α 2 \pm u_{\frac{\alpha}{2}} ±u2α,则 H 0 H_0 H0的接受域为 ( − u α 2 , u α 2 ) (-u_{\frac{\alpha}{2}},u_{\frac{\alpha}{2}}) (−u2α,u2α)
- 样本观察值带入得 Z 0 = x ‾ − y ‾ − ( μ 1 − μ 2 ) σ 1 2 m + σ 2 2 n Z_0=\frac{\overline{x}-\overline{y}-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}} Z0=mσ12+nσ22x−y−(μ1−μ2),若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验/左侧检验同理
- 双侧检验:令
H
0
:
μ
1
=
μ
2
,
H
1
:
μ
1
≠
μ
2
H_0:\mu_1=\mu_2,H_1:\mu_1\neq\mu_2
H0:μ1=μ2,H1:μ1=μ2
-
σ
1
=
σ
2
=
σ
\sigma_1=\sigma_2=\sigma
σ1=σ2=σ未知
- 双侧检验:令
H
0
:
μ
1
=
μ
2
,
H
1
:
μ
1
≠
μ
2
H_0:\mu_1=\mu_2,H_1:\mu_1\neq\mu_2
H0:μ1=μ2,H1:μ1=μ2
- X ‾ − Y ‾ − ( μ 1 − μ 2 ) S w 1 m + 1 n ∼ t ( m + n − 2 ) \frac{\overline{X}-\overline{Y}-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{m}+\frac{1}{n}}}\sim t(m+n-2) Swm1+n1X−Y−(μ1−μ2)∼t(m+n−2)
- S w = ( n 1 − 1 ) s 1 2 + ( n 2 − 1 ) s 2 2 n 1 + n 2 − 2 S_w=\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2} Sw=n1+n2−2(n1−1)s12+(n2−1)s22
- 查表求上下分位点 ± t α 2 ( m + n − 2 ) \pm t_{\frac{\alpha}{2}}(m+n-2) ±t2α(m+n−2),则 H 0 H_0 H0的接受域为 ( − t α 2 ( m + n − 2 ) , t α 2 ( m + n − 2 ) ) (-t_{\frac{\alpha}{2}}(m+n-2),t_{\frac{\alpha}{2}}(m+n-2)) (−t2α(m+n−2),t2α(m+n−2))
- 样本观察值带入得 Z 0 = x ‾ − y ‾ − ( μ 1 − μ 2 ) S w 1 m + 1 n Z_0=\frac{\overline{x}-\overline{y}-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{m}+\frac{1}{n}}} Z0=Swm1+n1x−y−(μ1−μ2),若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验/左侧检验同理
- 双侧检验:令
H
0
:
μ
1
=
μ
2
,
H
1
:
μ
1
≠
μ
2
H_0:\mu_1=\mu_2,H_1:\mu_1\neq\mu_2
H0:μ1=μ2,H1:μ1=μ2
-
σ
1
,
σ
2
\sigma_1,\sigma_2
σ1,σ2已知
-
μ
1
,
μ
2
\mu_1,\mu_2
μ1,μ2未知下方差的检验
- 双侧检验:设
H
0
:
σ
1
2
=
σ
2
2
,
H
1
:
σ
1
2
≠
σ
2
2
H_0:\sigma_1^2=\sigma_2^2,H_1:\sigma_1^2\neq\sigma_2^2
H0:σ12=σ22,H1:σ12=σ22
- F = S 1 2 S 2 2 ∼ F ( m − 1 , n − 1 ) F=\frac{S_1^2}{S_2^2}\sim F(m-1, n-1) F=S22S12∼F(m−1,n−1)
- 查表求 F 1 − α 2 ( m − 1 , n − 1 ) , F α 2 ( m − 1 , n − 1 ) F_{1-\frac{\alpha}{2}}(m-1,n-1),F_{\frac{\alpha}{2}}(m-1,n-1) F1−2α(m−1,n−1),F2α(m−1,n−1),则 H 0 H_0 H0的接受域为 ( F 1 − α 2 ( m − 1 , n − 1 ) , F α 2 ( m − 1 , n − 1 ) ) (F_{1-\frac{\alpha}{2}}(m-1,n-1),F_{\frac{\alpha}{2}}(m-1,n-1)) (F1−2α(m−1,n−1),F2α(m−1,n−1))
- 样本观察值带入得 F 0 = s 1 2 s 2 2 F_0=\frac{s_1^2}{s_2^2} F0=s22s12,若 F 0 F_0 F0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧检验/左侧检验同理
- 双侧检验:设
H
0
:
σ
1
2
=
σ
2
2
,
H
1
:
σ
1
2
≠
σ
2
2
H_0:\sigma_1^2=\sigma_2^2,H_1:\sigma_1^2\neq\sigma_2^2
H0:σ12=σ22,H1:σ12=σ22
指数分布参数 λ \lambda λ的检验
- 双侧检验:设
H
0
:
λ
=
λ
0
,
H
1
:
λ
≠
λ
0
H_0:\lambda=\lambda_0,H_1:\lambda\neq\lambda_0
H0:λ=λ0,H1:λ=λ0
- 2 n λ 0 X ‾ ∼ K 2 ( 2 n ) 2n\lambda_0\overline{X}\sim K^2(2n) 2nλ0X∼K2(2n)
- 查表求 K 1 − α 2 2 ( n ) , K α 2 2 ( n ) K^2_{1-\frac{\alpha}{2}}(n),K^2_{\frac{\alpha}{2}}(n) K1−2α2(n),K2α2(n),则 H 0 H_0 H0的接受域为 ( K 1 − α 2 2 ( n ) , K α 2 2 ( n ) ) (K^2_{1-\frac{\alpha}{2}}(n),K^2_{\frac{\alpha}{2}}(n)) (K1−2α2(n),K2α2(n))
- 样本观察值带入得 Z 0 = 2 n λ 0 x ‾ Z_0=2n\lambda_0\overline{x} Z0=2nλ0x,若 Z 0 Z_0 Z0在接受域内,则接受 H 0 H_0 H0,否则拒绝 H 0 H_0 H0
- 右侧/左侧检验同理
二项分布参数 p p p的检验
- ∑ i = 0 c 0 ( i n ) p 0 i ( 1 − p 0 ) n − i < 1 − α < ∑ i = 0 c 0 + 1 ( i n ) p 0 i ( 1 − p 0 ) n − i \sum_{i=0}^{c_0}(^n_i)p_0^i(1-p_0)^{n-i}<1-\alpha<\sum_{i=0}^{c_0+1}(^n_i)p_0^i(1-p_0)^{n-i} ∑i=0c0(in)p0i(1−p0)n−i<1−α<∑i=0c0+1(in)p0i(1−p0)n−i
泊松分布参数 λ \lambda λ的检验
- ∑ i = 0 c 0 e − λ 0 λ 0 i i ! < 1 − α < ∑ i = 0 c 0 + 1 e − λ 0 λ 0 i i ! \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!} ∑i=0c0i!e−λ0λ0i<1−α<∑i=0c0+1i!e−λ0λ0i
拟合优度检验
理论分布完全已知只取有限个值的情况
- Z = ∑ ( 理 论 值 − 经 验 值 ) 2 理 论 值 Z=\sum\frac{(理论值-经验值)^2}{理论值} Z=∑理论值(理论值−经验值)2
- 定理:如果原假设 H 0 H_0 H0成立,则在样本大小 n → ∞ n\rightarrow \infty n→∞时, Z Z Z的分布趋向于自由度为 k − 1 k-1 k−1的 K 2 K^2 K2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 ( θ 1 , ⋯ , θ r ) 有 一 组 值 使 它 成 立 P(X=a_i)=p_i(\theta_1,\cdots,\theta_r)有一组值使它成立 P(X=ai)=pi(θ1,⋯,θr)有一组值使它成立,则当样本大小 n → ∞ n\rightarrow\infty n→∞时, Z Z Z的分布趋向于自由度为 k − 1 − r k-1-r k−1−r的 K 2 K^2 K2分布(k为取值个数,r为参数个数)
列联表
- n i j n_{ij} nij为属性 A , B A,B A,B分别处于水平 i , j i,j i,j的个体数
- 列出表后, Z = ∑ i = 1 a ∑ j = 1 b ( n n i j − n i ⋅ n ⋅ j ) 2 / n ( n i ⋅ n ⋅ j ) Z=\sum_{i=1}^a\sum_{j=1}^b(nn_ij-n_{i·}n_{·j})^2/n(n_{i·}n_{·j}) Z=∑i=1a∑j=1b(nnij−ni⋅n⋅j)2/n(ni⋅n⋅j),服从 K 2 ( ( a − 1 ) ∗ ( b − 1 ) ) K^2((a-1)*(b-1)) K2((a−1)∗(b−1))分布