各种分布
正态分布
f
(
x
)
=
1
2
π
σ
e
x
p
(
−
(
x
−
μ
)
2
2
σ
2
)
f(x) = \frac{1}{\sqrt{2\pi}\sigma}exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)
f(x)=2πσ1exp(−2σ2(x−μ)2)
ϕ
(
x
)
=
1
2
π
e
−
x
2
2
\phi(x) = \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}
ϕ(x)=2π1e−2x2
Φ
(
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
\Phi(x) = \frac{1}{\sqrt{2\pi}}\int\limits_{-\infty}^{x}e^{-\frac{t^2}{2}}dt
Φ(x)=2π1−∞∫xe−2t2dt
Φ
(
−
x
)
=
1
−
Φ
(
x
)
\Phi(-x) = 1-\Phi(x)
Φ(−x)=1−Φ(x)
若
X
i
∼
N
(
μ
i
,
σ
i
2
)
,
且
他
们
相
互
独
立
,
则
对
于
Z
=
X
1
+
X
2
+
⋯
+
X
n
,
Z
∼
N
(
μ
1
+
μ
2
+
⋯
+
μ
n
,
σ
1
2
+
σ
2
2
+
⋯
+
σ
n
2
)
若X_i\sim N(\mu_i,\sigma^2_i),且他们相互独立,则对于Z = X_1+X_2+\cdots+X_n,Z\sim N(\mu_1+\mu_2+\cdots+\mu_n, \sigma_1^2+\sigma_2^2+\cdots+\sigma_n^2)
若Xi∼N(μi,σi2),且他们相互独立,则对于Z=X1+X2+⋯+Xn,Z∼N(μ1+μ2+⋯+μn,σ12+σ22+⋯+σn2)
引理
对于正态分布
X
∼
N
(
μ
,
σ
2
)
X\sim{N(\mu,\sigma^2)}
X∼N(μ,σ2)
有
Z
=
X
−
μ
σ
∼
N
(
0
,
1
)
Z = \frac{X-\mu}{\sigma}\sim{N(0,1)}
Z=σX−μ∼N(0,1)
瑞利分布
瑞利分布(Rayleigh Distribution):当一个随机二维向量的两个分量呈独立的、均值为0,有着相同的方差的正态分布时,这个向量的模呈瑞利分布。
f
(
x
)
=
x
σ
2
e
−
x
2
2
σ
2
,
x
>
0
f\left(x\right)=\frac{x}{σ^2}e^{-\frac{x^2}{2σ^2}},x>0
f(x)=σ2xe−2σ2x2,x>0
期望与方差
E
(
X
)
=
μ
(
X
)
=
∫
−
∞
∞
x
f
(
x
)
d
x
E\left(X\right)=\mu \left(X\right)=\int _{-\infty }^{\infty }xf\left(x\right)dx
E(X)=μ(X)=∫−∞∞xf(x)dx
=
∫
0
∞
x
2
σ
2
e
−
x
2
2
σ
2
d
x
=
∫
0
∞
−
x
d
e
−
x
2
2
σ
2
,
(
x
>
0
)
=\int _0^{\infty }\frac{x^2}{\sigma ^2}e^{-\frac{x^2}{2\sigma ^2}}dx=\int _0^{\infty }-xde^{-\frac{x^2}{2\sigma ^2}},\left(x>0\right)
=∫0∞σ2x2e−2σ2x2dx=∫0∞−xde−2σ2x2,(x>0)
=
−
x
e
−
x
2
2
σ
2
∣
0
∞
+
∫
0
∞
e
−
x
2
2
σ
2
d
x
=-xe^{^{-\frac{x^2}{2\sigma ^2}}}|_0^{\infty }+\int _0^{\infty }e^{^{-\frac{x^2}{2\sigma ^2}}}dx
=−xe−2σ2x2∣0∞+∫0∞e−2σ2x2dx
=
0
+
2
π
σ
∫
0
∞
1
2
π
σ
e
−
x
2
2
σ
2
d
x
=0+\sqrt{2\pi }\sigma \int _0^{\infty }\frac{1}{\sqrt{2\pi }\sigma }e^{^{-\frac{x^2}{2\sigma ^2}}}dx
=0+2πσ∫0∞2πσ1e−2σ2x2dx
= 2 π σ × 1 2 = π 2 σ ≈ 1.253 σ =\sqrt{2\pi }\sigma \times \frac{1}{2}=\sqrt{\frac{\pi }{2}}\sigma \approx 1.253\sigma =2πσ×21=2πσ≈1.253σ
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
D\left(X\right)=E\left(X^2\right)-\left[E\left(X\right)\right]^2
D(X)=E(X2)−[E(X)]2
=
∫
0
∞
x
3
σ
2
e
−
x
2
2
σ
2
d
x
−
[
E
(
X
)
]
2
=\int _0^{\infty }\frac{x^3}{\sigma ^2}e^{-\frac{x^2}{2\sigma ^2}}dx-\left[E\left(X\right)\right]^2
=∫0∞σ2x3e−2σ2x2dx−[E(X)]2
=
∫
0
∞
−
x
2
d
e
−
x
2
2
σ
2
−
[
E
(
X
)
]
2
=\int _0^{\infty }-x^2de^{-\frac{x^2}{2\sigma ^2}}-\left[E\left(X\right)\right]^2
=∫0∞−x2de−2σ2x2−[E(X)]2
=
−
x
2
e
−
x
2
2
σ
2
∣
0
∞
+
∫
0
∞
e
−
x
2
2
σ
2
d
x
2
−
[
E
(
X
)
]
2
=-x^2e^{-\frac{x^2}{2\sigma ^2}}|_0^{\infty }+\int _0^{\infty }e^{-\frac{x^2}{2\sigma ^2}}dx^2-\left[E\left(X\right)\right]^2
=−x2e−2σ2x2∣0∞+∫0∞e−2σ2x2dx2−[E(X)]2
=
0
−
2
σ
2
e
−
x
2
2
σ
2
∣
0
∞
−
[
E
(
X
)
]
2
=0-2\sigma ^2e^{-\frac{x^2}{2\sigma ^2}}|_0^{\infty }-\left[E\left(X\right)\right]^2
=0−2σ2e−2σ2x2∣0∞−[E(X)]2
=
2
σ
2
−
(
π
2
σ
)
2
=
4
−
π
2
σ
2
≈
0.429
σ
2
=2\sigma ^2-\left(\sqrt{\frac{\pi }{2}}\sigma \right)^2=\frac{4-\pi }{2}\sigma ^2\approx 0.429\sigma ^2
=2σ2−(2πσ)2=24−πσ2≈0.429σ2
泊松分布
期望与方差
E
(
x
)
=
λ
E(x) = \lambda
E(x)=λ
D
(
x
)
=
λ
D(x) = \lambda
D(x)=λ
已
知
X
∼
π
(
λ
)
,
求
E
(
λ
k
e
−
λ
k
!
)
已知X\sim \pi(\lambda),求E\left(\frac{\lambda^ke^{-\lambda}}{k!}\right)
已知X∼π(λ),求E(k!λke−λ)
E
(
1
X
+
1
)
=
∑
k
=
0
∞
1
k
+
1
P
{
X
=
k
}
E\left(\frac{1}{X+1}\right) = \sum_{k=0}^{\infty}\frac{1}{k+1}P\{X=k\}
E(X+11)=k=0∑∞k+11P{X=k}
指数分布
期望与方差
E
(
x
)
=
θ
E(x) = \theta
E(x)=θ
D
(
x
)
=
θ
2
D(x) = \theta^2
D(x)=θ2
指数分布的min、max、和
指数分布概率密度为
f
X
(
x
)
=
{
α
e
−
α
x
,
x
>
0
0
,
x
≤
0
f_X(x) = \left\{ \begin{array}{lr} \alpha e^{-\alpha x} & , x>0\\ 0 & , x \le 0 \end{array} \right.
fX(x)={αe−αx0,x>0,x≤0
f Y ( y ) = { β e − β y , y > 0 0 , y ≤ 0 f_Y(y) = \left\{ \begin{array}{lr} \beta e^{-\beta y} & , y>0\\ 0 & , y \le 0 \end{array} \right. fY(y)={βe−βy0,y>0,y≤0
指数分布分布函数为
F
X
(
x
)
=
{
1
−
e
−
α
x
,
x
>
0
0
,
x
≤
0
F_X(x) = \left\{ \begin{array}{lr} 1-e^{-\alpha x} &, x>0\\ 0 &, x \le 0 \end{array} \right.
FX(x)={1−e−αx0,x>0,x≤0
F Y ( y ) = { 1 − e − β y , y > 0 0 , y ≤ 0 F_Y(y) = \left\{ \begin{array}{lr} 1-e^{-\beta y} &, y>0\\ 0 &, y \le 0 \end{array} \right. FY(y)={1−e−βy0,y>0,y≤0
Z = m i n { X , Y } Z = min\{X,Y\} Z=min{X,Y}
F
m
a
x
(
z
)
=
F
X
(
z
)
F
Y
(
z
)
F_{max}(z) = F_X(z)F_Y(z)
Fmax(z)=FX(z)FY(z)
对于独立的两个指数分布
F
m
i
n
(
x
)
=
{
1
−
e
−
(
α
+
β
)
,
z
>
0
0
,
z
≤
0
F_{min}(x) = \left\{ \begin{array}{lr} 1-e^{-(\alpha+\beta)} &, z>0\\ 0 &, z\le0 \end{array} \right.
Fmin(x)={1−e−(α+β)0,z>0,z≤0
f m i n ( x ) = { ( α + β ) e − ( α + β ) , z > 0 0 , z ≤ 0 f_{min}(x) = \left\{ \begin{array}{lr} (\alpha + \beta)e^{-(\alpha+\beta)} &, z>0\\ 0 &, z\le0 \end{array} \right. fmin(x)={(α+β)e−(α+β)0,z>0,z≤0
Z = m a x { X , Y } Z = max\{X,Y\} Z=max{X,Y}
F m i n ( z ) = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_{min}(z) = 1-\left[1-F_X(z)\right]\left[ 1 - F_Y(z)\right] Fmin(z)=1−[1−FX(z)][1−FY(z)]
Z = X + Y Z = X+Y Z=X+Y
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
z
−
y
,
y
)
d
y
f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f(z-y,y)\,\mathrm{d}y
fX+Y(z)=−∞∫∞f(z−y,y)dy
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
(
x
,
z
−
x
)
d
x
f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f(x,z-x)\,\mathrm{d}x
fX+Y(z)=−∞∫∞f(x,z−x)dx
独立时,有卷积公式
f
X
∗
f
Y
=
f
X
+
Y
(
z
)
=
∫
−
∞
∞
f
X
(
z
−
y
)
f
Y
(
y
)
d
y
=
∫
−
∞
∞
f
X
(
x
)
f
Y
(
z
−
x
)
d
x
f_X * f_Y = f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f_X(z-y)f_Y(y)\,\mathrm{d}y = \int\limits_{-\infty}^{\infty}f_X(x)f_Y(z-x)\,\mathrm{d}x
fX∗fY=fX+Y(z)=−∞∫∞fX(z−y)fY(y)dy=−∞∫∞fX(x)fY(z−x)dx
f
(
z
)
=
{
(
α
β
β
−
α
)
(
e
−
α
z
−
e
−
β
z
)
,
z
>
0
0
,
z
≤
0
f(z) = \left\{ \begin{array}{lr} (\frac{\alpha\beta}{\beta-\alpha})\left(e^{-\alpha z}-e^{-\beta z} \right)&, z>0\\ 0 &, z\le0 \end{array} \right.
f(z)={(β−ααβ)(e−αz−e−βz)0,z>0,z≤0
f ( z ) = { ( 1 1 α − 1 β ) ( e − α z − e − β z ) , z > 0 0 , z ≤ 0 f(z) = \left\{ \begin{array}{lr} \left(\frac{1}{\frac{1}{\alpha}-\frac{1}{\beta}}\right)\left(e^{-\alpha z}-e^{-\beta z} \right)&, z>0\\ 0 &, z\le0 \end{array} \right. f(z)={(α1−β11)(e−αz−e−βz)0,z>0,z≤0
相关(线性)
ρ
X
Y
=
C
o
v
(
X
,
Y
)
D
(
X
)
D
(
Y
)
=
0
\rho_{XY} = \frac{Cov{(X,Y)}}{\sqrt{D(X)}\sqrt{D(Y)}}=0
ρXY=D(X)D(Y)Cov(X,Y)=0
E
(
X
,
Y
)
=
E
(
X
)
E
(
Y
)
E(X,Y) = E(X)E(Y)
E(X,Y)=E(X)E(Y)
C
o
v
(
X
,
Y
)
=
0
Cov(X,Y)=0
Cov(X,Y)=0
D
(
X
,
Y
)
=
D
(
x
)
+
D
(
Y
)
D(X,Y) = D(x)+D(Y)
D(X,Y)=D(x)+D(Y)
独立
P
{
X
≤
x
,
Y
≤
y
}
=
P
{
X
≤
x
}
P
{
X
≤
x
,
Y
≤
y
}
P\{X\leq x,Y\leq y\} = P\{X\leq x\}P\{X\leq x,Y\leq y\}
P{X≤x,Y≤y}=P{X≤x}P{X≤x,Y≤y}
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)
f
(
x
,
y
)
=
f
X
(
x
)
f
Y
(
y
)
在
平
面
上
几
乎
处
处
成
立
f(x,y) = f_X(x)f_Y(y)在平面上几乎处处成立
f(x,y)=fX(x)fY(y)在平面上几乎处处成立
伽马函数
伽玛函数(Gamma函数),也叫欧拉第二积分,是阶乘函数在实数与复数上扩展的一类函数。该函数在分析学、概率论、偏微分方程和组合数学中有重要的应用。与之有密切联系的函数是贝塔函数,也叫第一类欧拉积分,可以用来快速计算同伽马函数形式相类似的积分。
Γ
(
x
)
=
∫
0
+
∞
t
x
−
1
e
−
t
d
t
(
x
>
0
)
\Gamma(x) = \int\limits_{0}^{+\infty}t^{x-1}e^{-t}dt (x>0)
Γ(x)=0∫+∞tx−1e−tdt(x>0)
性质
Γ
(
x
+
1
)
=
x
Γ
(
x
)
\Gamma(x+1) = x\Gamma(x)
Γ(x+1)=xΓ(x)
Γ
(
n
)
=
(
n
−
1
)
!
\Gamma(n) = (n-1)!
Γ(n)=(n−1)!
大数定律及中心极限定理
弱大数定律
设
X
1
,
X
2
,
⋯
是
相
互
独
立
的
,
服
从
同
一
分
布
的
,
随
机
变
量
序
列
,
且
E
(
X
k
)
=
μ
.
设X_1, X_2, \cdots是相互独立的,服从同一分布的,随机变量序列,且E(X_k) = \mu.
设X1,X2,⋯是相互独立的,服从同一分布的,随机变量序列,且E(Xk)=μ.
作
前
n
个
变
量
的
算
数
平
均
1
n
∑
k
=
1
n
X
k
,
则
对
于
任
意
的
ε
>
0
,
有
作前n个变量的算数平均\frac{1}{n}\sum_{k=1}^n X_k,则对于任意的\varepsilon>0,有
作前n个变量的算数平均n1k=1∑nXk,则对于任意的ε>0,有
lim n → ∞ P { ∣ 1 n ∑ k = 1 n X k − μ ∣ < ε } = 1 \begin{aligned} \lim_{n\to \infty} P{\left\{\left \vert {\frac{1}{n}\sum_{k=1}^{n}X_k-\mu} \right \vert< \varepsilon \right\}}=1 \end{aligned} n→∞limP{∣∣∣∣∣n1k=1∑nXk−μ∣∣∣∣∣<ε}=1
伯努利大数定律
lim n → ∞ P { ∣ ∑ k = 1 n f A n − p ∣ < ε } = 1 \begin{aligned} \lim_{n\to \infty} P{\left\{\left \vert {\sum_{k=1}^{n}{\frac{f_A}{n}}-p} \right \vert< \varepsilon \right\}}=1 \end{aligned} n→∞limP{∣∣∣∣∣k=1∑nnfA−p∣∣∣∣∣<ε}=1
lim n → ∞ P { ∣ ∑ k = 1 n f A n − p ∣ ≥ ε } = 0 \begin{aligned} \lim_{n\to \infty} P{\left\{\left \vert {\sum_{k=1}^{n}{\frac{f_A}{n}}-p} \right \vert \geq \varepsilon \right\}}=0 \end{aligned} n→∞limP{∣∣∣∣∣k=1∑nnfA−p∣∣∣∣∣≥ε}=0
中心极限定理
独立同分布
E
(
X
k
)
=
μ
,
D
(
X
k
)
=
σ
2
>
0
E(X_k) = \mu,D(X_k) = \sigma^2>0
E(Xk)=μ,D(Xk)=σ2>0
随
机
变
量
之
和
∑
k
=
1
n
X
k
的
标
准
化
变
量
Y
n
=
∑
k
=
1
n
X
k
−
n
μ
n
σ
随机变量之和\sum_{k=1}^nX_k的标准化变量Y_n=\frac{\sum_{k=1}^nX_k-n\mu}{\sqrt{n}\sigma}
随机变量之和k=1∑nXk的标准化变量Yn=nσ∑k=1nXk−nμ
抽样分布
1 2 π ∫ − ∞ ∞ t 2 e − t 2 / 2 \frac{1}{\sqrt{2\pi}}\int\limits_{-\infty}^{\infty}t^2e^{{-t^2}/{2}} 2π1−∞∫∞t2e−t2/2
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
+
X
ˉ
2
−
2
X
i
X
ˉ
)
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 + \bar{X}^2 - 2X_i\bar{X})}
S2=n−11i=1∑n(Xi−X)ˉ2=n−11i=1∑n(Xi2+Xˉ2−2XiXˉ)
=
1
n
−
1
(
∑
i
=
1
n
X
i
2
−
n
X
ˉ
2
)
= \frac{1}{n-1}\left ({\sum_{i=1}^{n}{X_i^2-n \bar{X}^2} }\right)
=n−11(i=1∑nXi2−nXˉ2)
正态总体样本均值与样本方差的分布
E
(
X
ˉ
)
=
μ
E(\bar X) = \mu
E(Xˉ)=μ
D
(
X
ˉ
)
=
1
n
σ
2
D(\bar X) = \frac{1}{n}\sigma^2
D(Xˉ)=n1σ2
E
(
X
ˉ
2
)
=
D
(
X
ˉ
)
+
E
(
X
ˉ
)
2
=
μ
2
+
σ
2
n
E({\bar X}^2) = D(\bar X) + E(\bar X)^2 = \mu^2 + \frac{\sigma^2}{n}
E(Xˉ2)=D(Xˉ)+E(Xˉ)2=μ2+nσ2
E
(
S
2
)
=
σ
2
E(S^2) = \sigma^2
E(S2)=σ2
χ 2 \chi^2 χ2分布
χ 2 = X 1 2 + X 2 2 + ⋯ + X n 2 \chi^2 = X_1^2 + X_2^2 + \cdots + X_n^2 χ2=X12+X22+⋯+Xn2
1. χ 2 \chi^2 χ2分布的可加性
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)
2.期望与方差
E
(
χ
2
)
=
n
E(\chi^2) = n
E(χ2)=n
D
(
χ
2
)
=
2
n
D(\chi^2) = 2n
D(χ2)=2n
Y
=
(
X
1
+
X
2
)
2
+
(
X
3
+
X
4
)
2
Y = (X_1+X_2)^2+(X_3+X_4)^2
Y=(X1+X2)2+(X3+X4)2
t t t分布
设
X
∼
N
(
0
,
1
)
,
Y
∼
χ
2
(
n
)
,
且
X
,
Y
相
互
独
立
设X\sim N(0,1),Y\sim \chi^2(n),且X,Y相互独立
设X∼N(0,1),Y∼χ2(n),且X,Y相互独立
t
=
X
Y
/
n
服
从
自
由
度
为
n
的
t
分
布
t
∼
t
(
n
)
t = \frac{X}{\sqrt{Y/n}}服从自由度为n的t分布t\sim t(n)
t=Y/nX服从自由度为n的t分布t∼t(n)
对称性
由对称性可知,上 α \alpha α 分位数 t 1 − a ( n ) = − t a ( n ) t_{1-a}(n)=-t_a(n) t1−a(n)=−ta(n)
F F F分布
设
U
∼
χ
2
(
n
1
)
,
V
∼
χ
2
(
n
2
)
,
且
U
,
V
相
互
独
立
,
则
随
机
变
量
设U \sim \chi^2(n_1),V \sim \chi^2(n_2),且U,V相互独立,则随机变量
设U∼χ2(n1),V∼χ2(n2),且U,V相互独立,则随机变量
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
)
的
F
分
布
,
记
为
F
∼
F
(
n
1
,
n
2
)
服从自由度为(n_1,n_2)的F分布,记为F\sim F(n_1, n_2)
服从自由度为(n1,n2)的F分布,记为F∼F(n1,n2)
上分位数
1
F
∼
F
(
n
2
,
n
1
)
\frac{1}{F} \sim F(n_2,n_1)
F1∼F(n2,n1)
F
1
−
a
(
n
1
,
n
2
)
=
1
F
a
(
n
2
,
n
1
)
F_{1-a}(n_1,n_2) = \frac{1}{F_a(n_2,n_1)}
F1−a(n1,n2)=Fa(n2,n1)1
三种分布的一些定理
设
X
1
,
X
2
,
⋯
X
n
是
来
自
正
态
总
体
N
(
μ
,
σ
2
)
的
样
本
,
X
ˉ
是
样
本
均
值
,
则
:
设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,则:
设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,则:
X
ˉ
∼
(
μ
,
σ
2
n
)
\bar X \sim (\mu,\frac{\sigma^2}{n})
Xˉ∼(μ,nσ2)
1
设
X
1
,
X
2
,
⋯
X
n
是
来
自
正
态
总
体
N
(
μ
,
σ
2
)
的
样
本
,
X
ˉ
是
样
本
均
值
,
S
2
是
样
本
方
差
,
则
:
设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,S^2是样本方差,则:
设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,S2是样本方差,则:
(
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
相
互
独
立
\bar{X}与S^2相互独立
Xˉ与S2相互独立
2
设
X
1
,
X
2
,
⋯
X
n
是
来
自
正
态
总
体
N
(
μ
,
σ
2
)
的
样
本
,
X
ˉ
是
样
本
均
值
,
S
2
是
样
本
方
差
,
则
:
设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,S^2是样本方差,则:
设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,S2是样本方差,则:
X
ˉ
−
μ
S
/
n
∼
t
(
n
−
1
)
\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)
S/nXˉ−μ∼t(n−1)
证明(标准正态分布除以卡方分布配(n-1)即可):
X
ˉ
−
μ
σ
/
n
/
(
n
−
1
)
S
2
(
n
−
1
)
σ
2
{\frac{\bar X-\mu}{\sigma/\sqrt n}}/\sqrt{\frac{(n-1)S^2}{(n-1)\sigma^2}}
σ/nXˉ−μ/(n−1)σ2(n−1)S2
3
设 X 1 , X 2 , ⋯ , X n 与 Y 1 , Y 2 , ⋯ , Y n 分 别 是 来 自 正 态 总 体 分 布 N ( μ 1 , σ 1 2 ) 和 N ( μ 2 , σ 2 2 ) 的 样 本 , 且 两 个 样 本 相 互 独 立 设X_1,X_2,\cdots,X_n与Y_1,Y_2,\cdots,Y_n分别是来自正态总体分布N(\mu_1,\sigma_1^2)和N(\mu_2,\sigma_2^2)的样本,且两个样本相互独立 设X1,X2,⋯,Xn与Y1,Y2,⋯,Yn分别是来自正态总体分布N(μ1,σ12)和N(μ2,σ22)的样本,且两个样本相互独立
1
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)
2
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
ˉ
−
Y
ˉ
)
−
(
μ
1
−
μ
2
)
S
w
1
n
1
+
1
n
2
∼
t
(
n
1
+
n
2
−
2
)
\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2)
Swn11+n21(Xˉ−Yˉ)−(μ1−μ2)∼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