第七章 参数估计
点估计
- 矩估计法: 几个未知参数列几个方程,以样本矩估计总体矩
⎩⎨⎧μ1=E(X)μ2=E(X2)...μn=E(Xn)
而 μk=Ak=n1∑i=1nXik
- 最大似然估计法: 以使似然函数L达到最大的参数值估计参数值
似然函数 L(θ)=∏i=1nf(xi;θ)
则使得方程 dθdL(θ)=0 或 dθdlnL(θ)=0 成立的 θ 为 θ 的估计值
最大似然估计的不变性:若 u=u(θ) , 且反函数 θ=θ(u) 每个u对应一个 θ ,则 u=u(θ)
估计量的评选标准
无偏性: 若 E(θ)=θ ,则称 θ 为 θ 的无偏估计量
有效性: 若 D(θ1)<D(θ2) ,则称 θ1 比 θ2 有效
第六章 样本及抽样分布
样本方差:S=n−11∑i=1n(Xi−X)2=n−11∑i=1nXi2−X2
样本k阶(原点)矩:Ak=n1∑i=1nXik
样本k阶中心矩:Bk=n1∑i=1n(Xi−X)k
三种分布
χ2 分布:
χ2=X12+X22+...+Xn2
其中,X1,X2,...Xn 是来自总体 N(0,1) 的样本,记作 χ2∼χ2(n)
- 可加性:χ12+χ22∼χ2(n1+n2)
- 期望和方差:E(χ2)=n,D(χ2)=2n
- 上 α 分位数:P{χ2>χα2(n)}=∫χα2(n)∞f(y)dy=α
t分布:
t=nYX
其中,X∼N(0,1),Y∼χ2(n) , 记作 t∼t(n)
- 上 α 分位数:P(t>tα(n))=∫tα(n)∞h(t)dt=α
- t1−α(n)=−tα(n)
- n充分大时,图像类似于 N(0,1) , 故当 n>45 时用正态近似 tα(n)≈zα,z∼N(0,1)
F分布:
F=n2Vn1U
其中,U∼χ2(n1),V∼χ2(n2) , 记作 F∼F(n1,n2)
- 上 F 分位数:P{F>Fα(n1,n2)}=∫Fα(n1,n2)∞ψ(y)dy=α
- F1−α(n1,n2)=Fα(n1,n2)1
正态总体的样本均值与样本方差的分布
无论X满足什么分布,只要存在均值和方差,均有
E(X)=μ,D(X)=nσ2,E(S2)=σ2
若X满足正态分布 X∼N(μ,σ2) 则
- X∼N(μ,nσ2) , 即 nσX−μ∼N(0,1)
- σ2(n−1)S2∼χ2(n−1)
- nSX−μ∼t(n−1), σ12/σ22S22S12∼F(n1−1,n2−1)
第五章 大数定律及中心极限定理
大数定律
- 弱大数定律(辛钦大数定律):limn→∞P{n1∑k=1nXi−μ<ε}=1, 即 X→μP
- 伯努利大数定律:limn→∞P{nfA−p<ε}=1 即 nfA→pP
中心极限定理
- 独立同分布的中心极限定理:当随机变量 X1,X2...Xn 服从同一分布,且具有数学期望和方差,
则当n充分大时有 X∼N(μ,σ2/n) , 即
σ/nX−μ∼N(0,1)
第四章 随机变量的数字特征
数学期望
-
离散型:E(X)=∑k=1∞xkpk
-
连续型:E(X)=∫−∞∞xf(x)dx
-
复合离散型:E(Y)=∑k=1∞g(xk)pk
-
复合连续型:E(Y)=∫−∞∞g(x)f(x)dx
-
二元离散型:E[g(X,Y)]=∑j=1∞∑i=1∞g(xi,yj)pij
-
二元连续型:E[g(X,Y)]=∫−∞∞∫−∞∞g(x,y)f(x,y)dxdy
性质
(1) E(X+Y)=E(X)+E(Y)
(2) E(CX)=CE(X)
(3) 若X,Y相互独立,则 E(XY)=E(X)E(Y)
方差
- D(X)=E{[X−E(X)]2}
- D(X)=E(X2)−[E(X)]2
性质
(1) D(CX)=C2D(X)
(2) D(X+Y)=D(X)+D(Y)+2E{[X−E(X)][Y−E(Y)]} , 当X,Y独立,有 D(X+Y)=D(X)+D(Y)
切比雪夫不等式:P{∣X−μ∣≥ε}≤ε2σ2 , 或 P{∣X−μ∣<ε}≥1−ε2σ2
协方差及相关系数
协方差
Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}=E(XY)−E(X)E(Y)
性质
(1) Cov(aX,bY)=abCov(X,Y)
(2) Cov(X1+X2,Y)=Cov(X1,Y)+Cov(X2,Y) (分配律)
相关系数
ρXY=D(X)D(Y)Cov(X,Y)
性质
(1) ρXY=0 称X,Y不相关
(2) 不相关是相互独立的充分不必要条件,但当X,Y服从二维正态分布时,X,Y不相关和相互独立是等价的
note:
(1) X∼B(n,p) 服从二项分布,P{X=k}=(nk)pk(1−p)n−k , 则 E(X)=np,D(x)=np(1−p)
(2) X∼π(λ) 服从泊松分布,P{X=k}=k!λke−λ ,则 E(X)=D(X)=λ=np
(3) X∼U(a,b) 服从均匀分布, f(x)={b−a1,a<x<b0,else ,则 E(X)=2a+b,D(X)=12(b−a)2
(4) X∼N(μ,σ2) 服从正态分布, f(x)=2πσ1e−2σ2(x−μ)2 , 则 E(X)=μ,D(X)=σ2
(5) X服从指数分布,f(x)={θ1e−θx,x>00,else , 则 E(X)=θ,D(X)=θ2
第三章 多维随机变量及其分布
二维随机变量
定义
F(x,y)=P{X≤x,Y≤y}
- 离散型:F(x,y)xi≤x=∑∑yj≤ypij
- 连续型:F(x,y)=∫−∞y∫−∞xf(u,v)dudv
边缘分布
{P{X=xi}=∑j=1∞pijP{Y=yj}=∑i=1∞pij,{FX(x)=∑i=1x∑j=1∞pijFY(y)=∑j=1y∑i=1∞pij
{fX(x)=∫−∞∞f(x,y)dyfY(y)=∫−∞∞f(x,y)dx,{FX(x)=∫−∞x[∫−∞∞f(x,y)dy]dxFY(y)=∫−∞y[∫−∞∞f(x,y)dx]dy
- note:
二维正态分布的两个边缘分布都是一维正态分布
条件分布
- 离散型:P{X=xi,Y=yj}=P{Y=yj}P{X=xi,Y=yj}
- 连续型:fX∣Y(x∣y)=fY(y)f(x,y)
相互独立的随机变量
- 若 F(x,y)=FX(x)FY(y) 或 f(x,y)=fX(x)fY(y) , 则称X,Y相互独立
- note:
对于二维正态随机变量X,Y,X和Y相互独立的充要条件是 ρ=0
两个随机变量的函数的分布
fX+Y=∫−∞∞f(x,z−x)dx=∫−∞∞f(z−y,y)dy
fY/X(z)=∫−∞∞∣x∣f(x,xz)dx
fXY(z)=∫−∞∞∣x∣1f(x,xz)dx
Fmax(z)=i=1∏FXn(z)n
Fmin(z)=1−∏i=1n[1−FXn(z)]
- note:
∫−∞∞e−x2dx=π
f(x,y(x,z))前的系数是令u=z(x,y)产生的
第二章 随机变量及其分布
随机变量的分布函数
- 离散型:跳跃值 pk=P{X=xk}
连续型随机变量及其概率密度
- F(x)=∫−∞xf(t)dt 若f(x)在x处连续,则 F′(x)=f(x)
随机变量的函数分布
若 Y=g(X) , 则 Fy(y)=P{Y≤y}=P{X≤h(y)}=FX[h(y)] , 进一步可得 fy(y)=fX[h(y)]h′(y)
第一章 概率论的基本概念
- A⋂B=∅ ,则A、B互斥
- A⋂B=∅ 且 A⋃B=S , 则A、B互为对立事件
- 结合律:A⋃(B⋃C)=(A⋃B)⋃C
- 分配律:A⋃(B⋂C)=(A⋃B)⋂(A⋃C)
- 德摩根律:符号颠倒,长线变短
- 加法公式:P(A∪B)=P(A)+P(B)−P(AB) , P(A∪B∪C)=P(A)+P(B)+P(C)−P(AB)−P(AC)−P(BC)+P(ABC)
- 乘法定理:P(AB)=P(A∣B)P(B) , P(ABC)=P(C∣AB)P(B∣A)P(A)
- 全概率公式:P(A)=∑i=1nP(A∣Bi)P(Bi)
- 贝叶斯公式(由果索因):P(Bi∣A)=P(A)P(ABi)=P(A)P(A∣Bi)P(Bi)
- 独立性:P(AB)=P(A)P(B)
完结撒花ovo!!