C n m = n ! m ! ⋅ ( n − m ) ! C_n^m=\frac{n!}{m!·(n-m)!} Cnm=m!⋅(n−m)!n!
事件的概率
无放回类题目
P = C 条件一总 条件一取 × C 条件二总 条件二取 C 总 取 × ⋯ × C 条件 N 总 条件 N 取 P=\frac{C_{条件一总}^{条件一取}\times C_{条件二总}^{条件二取}}{C_总^取}\times \dots \times C_{条件N总}^{条件N取} P=C总取C条件一总条件一取×C条件二总条件二取×⋯×C条件N总条件N取
有放回类题
K K K种颜色的球,代号分别为 A 1 , A 2 , … , A K A_1,A_2,\dots,A_K A1,A2,…,AK
抽一次,出现的概率分别为 p 1 , p 2 , … , p k p_1,p_2,\dots,p_k p1,p2,…,pk
求摸出各种球的个数分别为
n
1
,
n
2
,
…
,
n
k
n_1,n_2,\dots,n_k
n1,n2,…,nk
P
=
(
n
1
+
n
2
+
⋯
+
n
k
)
!
n
1
!
n
2
!
…
n
k
!
p
1
n
1
p
2
n
2
…
p
k
n
k
P=\frac{(n_1+n_2+\dots+n_k)!}{n_1!n_2!\dots n_k!}p_1^{n_1}p_2^{n_2}\dots p_k^{n_k}
P=n1!n2!…nk!(n1+n2+⋯+nk)!p1n1p2n2…pknk
条件概率
P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\frac {P(AB)}{P(A)} P(B∣A)=P(A)P(AB)
全概率公式
A , B … A,B\dots A,B… 等个体均可能发生某事,则
P ( 发生某事 ) = P ( A 出现 ) ⋅ P ( A 发生某事 ) + P ( B 出现 ) ⋅ P ( B 发生某事 ) … P(发生某事)=P(A出现)·P(A发生某事)+P(B出现)·P(B发生某事)\dots P(发生某事)=P(A出现)⋅P(A发生某事)+P(B出现)⋅P(B发生某事)…
贝叶斯公式
A , B … A,B\dots A,B… 等个体均可能发生某事,则
P ( 已知有个体发生某事时,是 A 发生的 ) = P ( A 出现 ) ⋅ P ( A 发生某事 ) P ( 发生某事 ) P(已知有个体发生某事时,是A发生的)=\frac{P(A出现)·P(A发生某事)}{P(发生某事)} P(已知有个体发生某事时,是A发生的)=P(发生某事)P(A出现)⋅P(A发生某事)
一维随机变量
已知 F X ( x ) F_X(x) FX(x)与 f X ( x ) f_X(x) fX(x)中的一项,求另一项
f X ( x ) = F X ′ ( x ) F X ( x ) = ∫ − ∞ x f X ( x ) d x f_X(x)=F_X^{'}(x)\\ F_X(x)=\int_{-\infty}^{x}f_X(x)dx fX(x)=FX′(x)FX(x)=∫−∞xfX(x)dx
已知 F X ( x ) F_X(x) FX(x)与 f X ( x ) f_X(x) fX(x)中的一项,求 P P P
P ( a < X < b ) = F X ( b ) − F X ( a ) = ∫ a b f X ( x ) d x P(a<X<b) =F_X(b)-F_X(a)=\int_a^bf_X(x)dx P(a<X<b)=FX(b)−FX(a)=∫abfX(x)dx
F X ( x ) F_X(x) FX(x)或 F X ( x ) F_X(x) FX(x)含未知数,求未知数
F X ( − ∞ ) , f X ( + ∞ ) = 1 , F 上 ( 分段点 ) = F 下 ( 分段点 ) ∫ − ∞ + ∞ f X ( x ) d x = 1 F_X(-\infty),f_X(+\infty)=1,F_上(分段点)=F_下(分段点)\\ \int_{-\infty}^{+\infty}f_X(x)dx=1 FX(−∞),fX(+∞)=1,F上(分段点)=F下(分段点)∫−∞+∞fX(x)dx=1
求分布律
列出 X X X所有可能取值,再求出概率,求出一张表
已知含有未知数分布列,求未知数
所有可能概率加起来 = 1 =1 =1
一位随机变量函数
已知 X X X分布列,求 Y Y Y分布列
①:根据 X X X的所有取值,计算 Y Y Y的所有取值
②:将表格里 X X X的那一列对应换成 Y Y Y
已知 F X ( x ) F_X(x) FX(x),求 F Y ( y ) F_Y(y) FY(y)
①:写出 X = ? Y X=?Y X=?Y
②:用 ? y ?y ?y替换 F X ( x ) F_X(x) FX(x)中的 x x x,结果为 F X ( ? y ) F_X(?y) FX(?y)
③:判断 ? y ?y ?y中是否有负号
若有:则 F Y ( y ) = F X ( ? y ) F_Y(y)=F_X(?y) FY(y)=FX(?y)
若无:则 F Y ( y ) = 1 − F X ( ? y ) F_Y(y)=1-F_X(?y) FY(y)=1−FX(?y)
已知 f X ( x ) f_X(x) fX(x),求 f Y ( y ) f_Y(y) fY(y)
①:写出 X = ? Y X=?Y X=?Y
②:用 ? y ?y ?y替换 f X ( x ) f_X(x) fX(x)中的 x x x,结果为 f x ( ? y ) f_x(?y) fx(?y)
③:令 f Y = ( ? y ) ′ ⋅ f X ( ? y ) f_Y=(?y)^{'}·f_X(?y) fY=(?y)′⋅fX(?y)
④:判断 ? y ?y ?y中是否有负号
若无:则 F Y ( y ) = f Y F_Y(y)=f_Y FY(y)=fY
若有:则 f Y ( y ) = − f Y f_Y(y)=-f_Y fY(y)=−fY
五种常见的分布
符合均匀分布,求概率
P = 满足要求长度 总长度 P=\frac{满足要求长度}{总长度} P=总长度满足要求长度
符合泊松分布,求概率
P ( X = x ) = λ x x ! e − λ P(X=x)=\frac{\lambda^x}{x!}e^{-\lambda} P(X=x)=x!λxe−λ
符合二项分布,求概率
P ( X = x ) = C n x p x ( 1 − p ) n − x P(X=x)=C_n^xp^x(1-p)^{n-x} P(X=x)=Cnxpx(1−p)n−x
符合指数分布,求概率
KaTeX parse error: Expected 'EOF', got '&' at position 74: … 0 \end{cases} &̲& \begin{cases}…
符合正态分布,求概率
{ P ( a < X < b ) = ϕ ( b − μ σ ) − ϕ ( a − μ σ ) P ( X < a ) = ϕ ( a − μ σ ) P ( X > b ) = 1 − ϕ ( b − μ σ ) ϕ ( 0 ) = 0.5 \begin{cases} P(a<X<b)=\phi(\frac{b-\mu}{\sigma})-\phi(\frac{a-\mu}{\sigma})\\ P(X<a)=\phi(\frac{a-\mu}{\sigma})\\ P(X>b)=1-\phi(\frac{b-\mu}{\sigma}) \end{cases}\\ \phi(0)=0.5 ⎩ ⎨ ⎧P(a<X<b)=ϕ(σb−μ)−ϕ(σa−μ)P(X<a)=ϕ(σa−μ)P(X>b)=1−ϕ(σb−μ)ϕ(0)=0.5
标准正态分布就是 ( 0 , 1 ) ~(0,1) (0,1)
正态分布图像
负号: N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2)
①:图像关于 μ \mu μ堆成
②:面积表示概率,总面积为 1 1 1
③: σ \sigma σ越小,图像越陡
常见分布的其他表示方法:
均匀分布: U [ a , b ] 二项分布: B [ n , p ] 指数分布: E ( λ ) 正态分布: N ( μ , σ 2 ) 均匀分布:U[a,b]\\ 二项分布:B[n,p]\\ 指数分布:E(\lambda)\\ 正态分布:N(\mu,\sigma^2) 均匀分布:U[a,b]二项分布:B[n,p]指数分布:E(λ)正态分布:N(μ,σ2)
离散型二维变量
已知二维离散型分布律,求 ? ? ? ??? ???
直接算
已知二维离散型分布律,判断独立性
如果任意 x i , y i x_i,y_i xi,yi均满足 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)
那么 X , Y X,Y X,Y相互独立
否则 X , Y X,Y X,Y不相互独立
已知 F ( x , y ) ,求 f ( x , y ) F(x,y),求f(x,y) F(x,y),求f(x,y)
f ( x , y ) = ∂ 2 F ( x , y ) ∂ x ∂ y f(x,y)=\frac{\partial^2F(x,y)}{\partial x\partial y} f(x,y)=∂x∂y∂2F(x,y)
已知 f ( x , y ) f(x,y) f(x,y),求 F ( x , y ) F(x,y) F(x,y)
(1):找出 f ( x , y ) f(x,y) f(x,y)不等于零时 x x x的范围和 y y y的范围
(2):计算
∫
g
1
(
y
)
x
d
u
∫
h
1
(
u
)
y
f
(
u
,
v
)
d
v
\int_{g_1(y)}^xdu\int_{h_1(u)}^yf(u,v)dv
∫g1(y)xdu∫h1(u)yf(u,v)dv,结果记为①
g
1
(
y
)
为
x
的左边界
h
1
(
u
)
为将
y
的下边界中的
x
替换为
u
后的式子
f
(
u
,
v
)
为将
f
(
x
,
y
)
中的
x
替换为
u
,
y
替换为
v
后的式子
g_1(y)为x的左边界\\ h_1(u)为将y的下边界中的x替换为u后的式子 f(u,v)为将f(x,y)中的x替换为u,y替换为v后的式子
g1(y)为x的左边界h1(u)为将y的下边界中的x替换为u后的式子f(u,v)为将f(x,y)中的x替换为u,y替换为v后的式子
(3):将
x
=
g
2
(
y
)
、
y
=
h
2
(
x
)
x=g_2(y)、y=h_2(x)
x=g2(y)、y=h2(x)分别代入①中,结果依次记为②和③
g
2
(
x
)
为
x
的右边界
h
2
(
x
)
为
y
的上边界
g_2(x)为x的右边界\\ h_2(x)为y的上边界
g2(x)为x的右边界h2(x)为y的上边界
④:画出
f
(
x
,
y
)
f(x,y)
f(x,y)不等于零的区域,记为区域
A
A
A
A A A右侧的区域记为 B B B
A A A上侧的区域记为 C C C
A
A
A右上方的区域记为
D
D
D
则
F
(
x
,
y
)
=
{
①
A
区域
②
B
区域
③
C
区域
1
D
区域
0
其他
则F(x,y)=\begin{cases} ①&A区域\\ ②&B区域\\ ③&C区域\\ 1&D区域\\ 0&其他 \end{cases}
则F(x,y)=⎩
⎨
⎧①②③10A区域B区域C区域D区域其他
已知 F ( x , y ) F(x,y) F(x,y),求 p p p
P ( X ≤ x 0 , Y ≤ y 0 ) = F ( x 0 , y 0 ) P(X\leq x_0,Y\leq y_0)=F(x_0,y_0) P(X≤x0,Y≤y0)=F(x0,y0)
已知 f ( x , y ) f(x,y) f(x,y),求 p p p
(1)找出 f ( x , y ) f(x,y) f(x,y)不等于零时 x x x的范围和 y y y的范围
(2)找出要求概率的范围,添到上一步的范围里
(要保证至少有一个未知数的上下限都是纯数字)
x x x的范围: a ≤ x ≤ b a\leq x\leq b a≤x≤b
y y y的范围: c ≤ y ≤ d c\leq y\leq d c≤y≤d
(3)
如果 x x x的上下限都是纯数字
则: P = ∫ a b d x ∫ c d f ( x , y ) d y P=\int_a^bdx\int_c^df(x,y)dy P=∫abdx∫cdf(x,y)dy
如果 y y y的上下限都是纯数字
则: P = ∫ c d d y ∫ a b f ( x , y ) d x P=\int_c^d dy\int_a^bf(x,y)dx P=∫cddy∫abf(x,y)dx
求 F ( x , y ) F(x,y) F(x,y)或 f ( x , y ) f(x,y) f(x,y)中含有的未知数
如果是求
F
(
x
,
y
)
F(x,y)
F(x,y),则:
{
F
(
+
∞
,
+
∞
)
=
1
F
(
−
∞
,
−
∞
)
=
0
F
(
x
,
−
∞
)
=
0
F
(
−
∞
,
y
)
=
0
\begin{cases} F(+\infty,+\infty)=1\\ F(-\infty,-\infty)=0\\ F(x,-\infty)=0\\ F(-\infty,y)=0 \end{cases}
⎩
⎨
⎧F(+∞,+∞)=1F(−∞,−∞)=0F(x,−∞)=0F(−∞,y)=0
如果是求
f
(
x
,
y
)
f(x,y)
f(x,y),则:
∫
−
∞
+
∞
∫
−
∞
+
∞
f
(
x
,
y
)
d
x
d
y
=
1
\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)dxdy=1
∫−∞+∞∫−∞+∞f(x,y)dxdy=1
求均匀分布的 f ( x , y ) f(x,y) f(x,y)与 P P P
f ( x , y ) = { 1 A 当 ( x , y ) ∈ D ( A 为区域 D ) 的面积 0 其他 P [ ( x , y ) ∈ D 1 ] = A 1 A ( A 1 为区域 D 1 与 D 重合部分的面积 ) f(x,y)=\begin{cases} \frac 1 A&当(x,y)\in D(A为区域D)的面积\\ 0&其他 \end{cases}\\ P[(x,y)\in D_1]=\frac{A_1}{A}(A_1为区域D_1与D重合部分的面积) f(x,y)={A10当(x,y)∈D(A为区域D)的面积其他P[(x,y)∈D1]=AA1(A1为区域D1与D重合部分的面积)
连续型二维变量
求边缘分布函数
F X ( X ) = F ( x , + ∞ ) , F Y ( y ) = F ( + ∞ , y ) F_X(X)=F(x,+\infty),F_Y(y)=F(+\infty,y) FX(X)=F(x,+∞),FY(y)=F(+∞,y)
求边缘密度函数
(1)将 f ( x , y ) f(x,y) f(x,y)非零的区域画在坐标系上
(2)表示出左边界 x = g 1 ( y ) x=g_1(y) x=g1(y)、右边界 x = g 2 ( y ) x=g_2(y) x=g2(y)、上边界 y = h 1 ( x ) y=h_1(x) y=h1(x),下边界 y = h 2 ( x ) y=h_2(x) y=h2(x)
(3)
f
X
(
x
)
=
∫
h
2
(
x
)
h
1
(
x
)
f
(
x
,
y
)
d
y
、
f
Y
(
y
)
=
∫
g
1
(
y
)
g
2
(
y
)
f
(
x
,
y
)
d
x
f_X(x)=\int_{h_2(x)}^{h_1(x)}f(x,y)dy、f_Y(y)=\int_{g_1(y)}^{g_2(y)}f(x,y)dx
fX(x)=∫h2(x)h1(x)f(x,y)dy、fY(y)=∫g1(y)g2(y)f(x,y)dx
判断连续性二维变量的独立性
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),则 X , Y X,Y X,Y相互独立
否则则不相互独立
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),则 X , Y X,Y X,Y相互独立
否则则不相互独立
已知 f ( x , y ) , Z = X + Y f(x,y),Z=X+Y f(x,y),Z=X+Y,求 f Z ( Z ) f_Z(Z) fZ(Z)
f Z ( Z ) = ∫ − ∞ + ∞ f ( x , z − x ) d x f_Z(Z)=\int_{-\infty}^{+\infty}f(x,z-x)dx fZ(Z)=∫−∞+∞f(x,z−x)dx
已知 f ( x , y ) , Z = X Y f(x,y),Z=\frac X Y f(x,y),Z=YX,求 f Z ( Z ) f_Z(Z) fZ(Z)
f Z ( Z ) = ∫ − ∞ + ∞ f ( y z , y ) ⋅ ∣ y ∣ d y f_Z(Z)=\int_{-\infty}^{+\infty}f(yz,y)·|y|dy fZ(Z)=∫−∞+∞f(yz,y)⋅∣y∣dy
题干给出 F F F,且 X , Y X,Y X,Y相互独立, Z = m a x ( X , Y ) Z=max(X,Y) Z=max(X,Y),求 F Z ( Z ) F_Z(Z) FZ(Z)
F Z ( z ) = F X ( z ) ⋅ F Y ( z ) F_Z(z)=F_X(z)·F_Y(z) FZ(z)=FX(z)⋅FY(z)
题干给出 F F F,且 X , Y X,Y X,Y相互独立, Z = m i n ( X , Y ) Z=min(X,Y) Z=min(X,Y),求 F Z ( Z ) F_Z(Z) FZ(Z)
F Z ( z ) = 1 − [ 1 − F X ( z ) ] ⋅ [ 1 − F Y ( z ) ] F_Z(z)=1-[1-F_X(z)]·[1-F_Y(z)] FZ(z)=1−[1−FX(z)]⋅[1−FY(z)]
随机变量的数字特征
求离散型的期望 E ( X ) E(X) E(X)
E ( X ) = ∑ x i p i E(X)=\sum x_ip_i E(X)=∑xipi
求连续性的期望 E ( X ) E(X) E(X)
E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x E(X)=\int_{-\infty}^{+\infty}xf(x)dx E(X)=∫−∞+∞xf(x)dx
已知 Y = g ( x ) Y=g(x) Y=g(x),求 E ( Y ) E(Y) E(Y)
离散型: E ( Y ) = ∑ g ( x i ) p i E(Y)=\sum g(x_i)p_i E(Y)=∑g(xi)pi
连续型: E ( Y ) = ∫ − ∞ + ∞ g ( x ) ⋅ f ( x ) d x E(Y)=\int_{-\infty}^{+\infty}g(x)·f(x)dx E(Y)=∫−∞+∞g(x)⋅f(x)dx
求方差 D ( X ) D(X) D(X)
D ( X ) = ∑ [ x i − E ( X ) ] 2 ⋅ p i → D(X)=\sum[x_i-E(X)]^2·p_i \to D(X)=∑[xi−E(X)]2⋅pi→离散型
D ( X ) = E ( X 2 ) − E 2 ( X ) → D(X)=E(X^2)-E^2(X) \to D(X)=E(X2)−E2(X)→ 连续型/离散型
根据 E ( X ) , D ( X ) E(X),D(X) E(X),D(X)的性质进行复杂运算
E E E | D D D |
---|---|
E ( C ) = C E(C)=C E(C)=C | D ( C ) = 0 D(C)=0 D(C)=0 |
E ( C X ) = C E ( X ) E(CX)=CE(X) E(CX)=CE(X) | D ( C X ) = C 2 D ( X ) D(CX)=C^2D(X) D(CX)=C2D(X) |
E ( X ± Y ) = E ( X ) ± E ( Y ) E(X\pm Y)=E(X)\pm E(Y) E(X±Y)=E(X)±E(Y) | D ( X ± Y ) = D ( X ) + D ( Y ) ( X , Y 相互独立时 ) D(X\pm Y)=D(X)+D(Y)(X,Y相互独立时) D(X±Y)=D(X)+D(Y)(X,Y相互独立时) |
E ( X Y ) = E ( X ) E ( Y ) ( X , Y 相互独立时 ) E(XY)=E(X)E(Y)(X,Y相互独立时) E(XY)=E(X)E(Y)(X,Y相互独立时) | D ( X ± Y ) = D ( X ) + D ( Y ) ( X , Y 相互独立时 ) D(X\pm Y)=D(X)+D(Y)(X,Y相互独立时) D(X±Y)=D(X)+D(Y)(X,Y相互独立时) |
D ( X ) = E ( X 2 ) − E 2 ( X ) D(X)=E(X^2)-E^2(X) D(X)=E(X2)−E2(X)
E ( X ) , D ( X ) E(X),D(X) E(X),D(X)与各种分布的综合题
x x x服从的分布 | E ( X ) E(X) E(X) | D ( X ) D(X) D(X) | P P P |
---|---|---|---|
二项分布 B ( n , p ) B(n,p) B(n,p) | n p np np | n p ( 1 − p ) np(1-p) np(1−p) | P ( X = d ) = C n d p d ( 1 − p ) n − d P(X=d)=C_n^d p^d(1-p)^{n-d} P(X=d)=Cndpd(1−p)n−d |
泊松分布 P ( λ ) P(\lambda) P(λ) | λ \lambda λ | λ \lambda λ | P ( X = d ) = λ d d ! e − λ P(X=d)=\frac{\lambda^d}{d!}e^{-\lambda} P(X=d)=d!λde−λ |
均匀分布 U [ a , b ] U[a,b] U[a,b] | a + b 2 \frac{a+b}{2} 2a+b | ( b − a ) 2 12 \frac{(b-a)^2}{12} 12(b−a)2 | P ( c ≤ X ≤ d ) = d − c b − a P(c\leq X\leq d)=\frac{d-c}{b-a} P(c≤X≤d)=b−ad−c |
指数分布 E ( λ ) E(\lambda) E(λ) | 1 λ \frac{1}{\lambda} λ1 | 1 λ 2 \frac{1}{\lambda^2} λ21 | P ( c ≤ X ≤ d ) = 1 e c λ − 1 e d λ P(c\leq X\leq d)=\frac{1}{e^{c\lambda}}-\frac{1}{e^{d\lambda}} P(c≤X≤d)=ecλ1−edλ1 |
正态分布 N ( μ , σ 2 ) N(\mu,\sigma^2) N(μ,σ2) | μ \mu μ | σ 2 \sigma^2 σ2 | P ( c ≤ X ≤ d ) = Φ ( d − μ σ ) − Φ ( c − μ σ ) P(c\leq X\leq d)=\Phi(\frac{d-\mu}{\sigma})-\Phi(\frac{c-\mu}{\sigma}) P(c≤X≤d)=Φ(σd−μ)−Φ(σc−μ) |
C o v , ρ X Y , D Cov,\rho_{XY},D Cov,ρXY,D相关类题目
利用切比雪夫不等式求概率
P [ ∣ X − E ( X ) ∣ ≥ ϵ ] ≤ D ( X ) ϵ 2 P[|X-E(X)|\geq \epsilon]\leq \frac{D(X)}{\epsilon^2} P[∣X−E(X)∣≥ϵ]≤ϵ2D(X)
多项独立同分布,求总和怎样的概率
设共有
n
n
n项,总和为
Y
Y
Y,单项的期望为
E
(
X
)
E(X)
E(X),方差为
D
(
X
)
D(X)
D(X),则:
{
P
(
a
≤
Y
≤
b
)
=
Φ
(
b
−
n
E
(
X
)
n
D
(
X
)
)
−
Φ
(
a
−
n
E
(
X
)
n
D
(
X
)
)
P
(
Y
≥
a
)
=
1
−
Φ
(
a
−
n
E
(
X
)
n
D
(
X
)
)
P
(
Y
≤
b
)
=
Φ
(
b
−
n
E
(
X
)
n
D
(
X
)
)
\begin{cases} P(a\leq Y\leq b)=\Phi(\frac{b-nE(X)}{\sqrt{nD(X)}})-\Phi(\frac{a-nE(X)}{\sqrt{nD(X)}})\\ P(Y\geq a)=1-\Phi(\frac{a-nE(X)}{\sqrt{nD(X)}})\\ P(Y\leq b)=\Phi(\frac{b-nE(X)}{\sqrt{nD(X)}}) \end{cases}
⎩
⎨
⎧P(a≤Y≤b)=Φ(nD(X)b−nE(X))−Φ(nD(X)a−nE(X))P(Y≥a)=1−Φ(nD(X)a−nE(X))P(Y≤b)=Φ(nD(X)b−nE(X))
用矩阵估计法进行点估计
求某一未知参数的矩估计
①:写出 E ( X ) E(X) E(X)与待求未知数的关系
②:将①的结果整理成未知数 = ? E ( X ) =?E(X) =?E(X)的形式
③:根据给出的样本,算出实际的 E ( X ) E(X) E(X)
④:求出未知数
求两个未知参数的矩估计
①:写出 E ( X ) E(X) E(X)与 E ( X 2 ) = D ( X ) + E 2 ( X ) E(X^2)=D(X)+E^2(X) E(X2)=D(X)+E2(X)同带求未知数的关系
②:将①的结果整理成未知数 = ? E ( X ) + ? + ? E ( X 2 ) =?E(X)+?+?E(X^2) =?E(X)+?+?E(X2)的形式
③:根据给出的样本,算出实际的 E ( X ) E(X) E(X)与 E ( X 2 ) E(X^2) E(X2)
④:求出未知数
用最大似然估计进行点估计
求出某离散型参数的最大似然估计量
①:写出 P { X = x 1 } , P { X = x 2 } , … , P { X = x n } P\{X=x_1\},P\{X=x_2\},\ldots,P\{X=x_n\} P{X=x1},P{X=x2},…,P{X=xn}
②:依次对①的结果取 l n ln ln
③:依次对②的结果求导
④:令③中结果之和为0$,求出未知数
离散型分布 | P P P |
---|---|
二项分布 B ( n , P ) B(n,P) B(n,P) | P ( X = d ) = C n d P d ( 1 − P ) n − d P(X=d)=C_n^dP^d(1-P)^{n-d} P(X=d)=CndPd(1−P)n−d |
泊松分布 P ( λ ) P(\lambda) P(λ) | P ( X = d ) = λ d d ! e − λ P(X=d)=\frac{\lambda^d}{d!}e^{-\lambda} P(X=d)=d!λde−λ |
求出某连续型参数的最大似然估计量
①:写出 f ( x 1 ) , f ( x 2 ) , … , f ( x n ) f(x_1),f(x_2),\ldots,f(x_n) f(x1),f(x2),…,f(xn)
②:依次对①的结果取 l n ln ln
③:依次对②的结果求导
④:令③中结果之和为 0 0 0,求出未知数
区间估计
假设检验
判断单项参数与某数值关系
例题:
判断两项参数间的关系
例题:
对于成对数据的检验
①:设出 H 0 , H 1 H_0,H_1 H0,H1(通常,我们猜啥,啥就是 H 1 , H 1 H_1,H_1 H1,H1与 H 0 H_0 H0相反)
②:根据表判断是否拒绝 H 0 H_0 H0
假设 | 核实拒绝 H 0 H_0 H0 |
---|---|
H
0
:
μ
D
=
0
H_0:\mu_D=0
H0:μD=0 H 1 : μ D ≠ 0 H_1:\mu_D\neq 0 H1:μD=0 | $ |
H
0
:
μ
D
≤
0
H_0:\mu_D\leq0
H0:μD≤0 H 1 : μ D > 0 H_1:\mu_D>0 H1:μD>0 | D ‾ S D / n ≥ t α ( n − 1 ) \frac{\overline{D}}{S_D/\sqrt{n}}\geq t_{\alpha}(n-1) SD/nD≥tα(n−1) |
H
0
:
μ
D
≥
0
H_0:\mu_D\geq 0
H0:μD≥0 H 1 : μ D < 0 H_1:\mu_D<0 H1:μD<0 | D ‾ S D / n ≤ − t α ( n − 1 ) \frac{\overline{D}}{S_D/\sqrt{n}}\leq- t_{\alpha}(n-1) SD/nD≤−tα(n−1) |
例题:
P值检验
例题: