1上-")1
=—fXe2a'dt<2^(7J-°°
定理解释:
若,…,满足上述条件,当n充分大时,有
(1)
1=1
4n(r〜崖(0,l);
(2)):
:
〜AN(njn,ncr2).
(3)
X=-yX^AN^
ni=i
2.棣莫弗-拉普拉斯中心极限定理
1•ww%D
设);〜5(«,p),则
np
yjnp{l-p、
-oo
(t-p)
2cr
dt
定理解释:
若&〜50,;?
),当/?
充分大吋,宵
⑴二~KO,1);⑵[〜AN(np,np(y-p、、
i•若欠〜;V(O,1),y〜;V(2,1),则Z—r〜7V(—2,2).(X)
2.若X~TV(/z,<72),则~~~—=(7)
3.设随机变量X与Y均服从正态分布:
M(A,42),y〜鄰,52)而门=尸0¥<"—4);厂2=/\y>/z+5),贝lj(B)•
A对任何实数//,都有5.对任何实数//,都有P'AC.只对//的个别值,才有A=p2\D.对任何实数//,都有门〉门.
4.已知连续随机变量J的概率密度函数为/(x)
—x2+2x-1
则I的数学期望为_1_;Z的方差为
—1/2.
第五章数理统计的基本知识
一、总体个体样本
1.总体:
把研究对象的全体称为总体(或母体).它是一个随机变量,记X
2.个体:
总体中每个研宂对象称为个体.即每一个可能的观察值.
3.样本:
从总体J中,随机地抽取7?
个个体U2称为总体J的容量为7?
的样本。
注:
(1)样本0¥1,4,...,人,)是一个^维的随机变量;
(2)本书中提到的样本都是指简单随机样本,其满足2个特性:
①代表性:
%,,心,…,%。
中每一个与总体T有和同的分布.②独立性:
y2,…,A;,是相互独立的随机变量.
4.样本(4,4,…,人)的联合分布
设总体J的分布函数为,(%),则样本(4,4,…,X,,)的联合分布函数为FGw..,;v,,)=
⑴设总体的概率密度函数为/⑴,则样木的联合密度函数为/0W2,…,&)=
(2)设总体J的概率函数为pW,U=0,l,2,".),贝幌本的联合概率函数为p(x,,x2,…,x,,)=fP(x,);
'•=1
二、统计量
1.定义
不含总体分布中任何未知参数的样本函数,…人)称为统计量,咖,%2,…,X。
)是gCYA,…人)的观测值.
注:
(1)统计量g(U2,…,Zn)是随机变量;
(2)统计量gPG為,…人)不含总体分布中任何未知参数;
(3)统计量的分布称为抽样分布.
2.常用统计量
_1wIn
(1)样本矩:
①样本均值;其观测值.可用于推断:
总体均值/=!
i=l
万⑵.
②样本方差
其观测值
n-\r
X(xz-x)2
n-i
X:
nx2
可用于推断:
总体方差
m.
③样本标准差5*=
n-1
i=i
n-i
其观测值
④样本々阶原点矩
ni=l
⑤样本A阶中心矩
uk
E^2-
=l
nx2
其观测值Vk
其观测值
Z=1
注:
比较样本矩与总体矩,如样本均值又和总体均值玖X);样本方差S2与总体方差
样本k阶原点矩
与总体k阶原点矩
芯(1々),(众二1,2,•••)•,样本k阶屮心矩
1—
Uk=-^Xi-奸,(hi,2,…)与总体k阶原点矩E⑷]\(々=1,2,…).
ni=i
前者是随机变量,后者是常数.
(2)样本矩的性质:
设总体X的数学期望和方差分别为==X,s为样本均值、样本方差,则
1°E(X)=A;2°D(X)=丄<j2;3°E(S2)=(t2.
3.抽样分布:
统计量的分布称为抽样分布.
三、3大抽样分布
1./2分布:
定义.设,…,相互独立,且义〜#(0,1),7:
=1,2,"-,々,贝1』
^=x^+x22+-+x2k~x\k}
注:
若%〜;v(o,i),则%2〜y(i).
(2)性质(可加性)
设/严和%相互独立,且么2〜z2%),z22〜Z2(h),则W+/22〜/2(M々2).
2.f分布:
设/与/相互独立,且Z〜#(0,1),I"〜义2(幻,则〜狀).
4v/k
注:
6分布的密度图像关于戶0对称;当n充分大时,t分布趋向于标准正态分布N(O,1).
X/k
3.厂分布:
定义.设J与/相互独立,且JV〜/2(久),卜/2(々2),则厂=■〜厂(介1人).
(2)性质.设^(々,2),则1/U02為).
四、分位点
定义:
对于总体T和给定的Q(O<6Z<1),若存在;使得户0¥2\)=6^则称么为乂分布的a分位点。
注:
常见分布的分位点表示方法
(1)义2(々)分布的汉分位点,:
(々);
(2)Z(幻分布的汉分位点匕(幻,其性质:
^\-a(k)=-ta(k);
(3)F真介2),分布的6Z分位点Fa队,介2),其性质Uc',k2)=f(八);
(4)N(0,1)分布的汉分位点心,有心)=1-P(X<〜)=1-(D(人),
第六章参数估计
一、点估计:
设(Xi,I2,…,Z„)为来自总体X的样木,0为X中的未知参数,(W.&)为样木值,构
造某个统计
量,…,%,,)作为参数沒的估计,则称么,…,%,,)为沒的点估计量,知|,x2,…,X,,)为沒的估计值.
2.常用点估计的方法:
矩估计法和最大似然估计法.
二、矩估计法
1.基本思想:
用样本矩(原点矩或中心矩)代替相应的总体矩.
2.求总体X的分布中含的m个未知参数…,^的矩估计步骤:
①求出总体矩,即£(f)或MUW]V=1,2,…;②用样本矩代替总体矩,列出矩估计方程:
=E[X-E(X)]\k=l^-
3解上述方程(或方程组)得到0,么,…,么的矩估计量为:
=
④0,02,…,氏,的矩估计值为:
義=Oi{xx,x2,''-,xn),i=1,2,•••,///
3.矩估计法的优缺点:
优点:
直观、简单;只须知道总体的矩,不须知道总体的分布形式.
缺点:
没有充分利用总体分布提供的信息;矩估计量不具有唯一性;可能估计结果的精度比其它估计法的低
三、最大似然估计法
1.直观想法:
在试验中,事件A的概率AA)最大,则A出现的可能性就大;如果事件A岀现了,我们认为事件A的概率最大.
2.定义设总体J的概率函数或密度函数为PU,的(或/U,的),其屮参数0未知,则X的样本
合概率函数(或联合密度函数)L^)=Y[p(Xi^)(或L(的=]^[/W)
/=1/=1
称为似然函数.
3.求最大似然估计的步骤:
⑴求似然函数离散:
L(3)=YIp^^义连续:
=
;=1/=|
(2)求ln£(的和似然方程:
3ln^(6>)=(),,•=1,2,…,"z
uOj
(3)解似然方程,得到最人似然估计值:
4=^(x,,x2,--sxZJ),/=1,2,•••,//?
(4)最后得到最大似然估计量:
3,=
4.最大似然估计法是在各种参数估计方法中比较优良的方法,但是它需要知道总体X的分布形式.
四、估计量的评价标准
1•无偏性:
设冷=^4,…,Xw)是未知参数沒的估计量,若£(和=0,则冷=々(4,…,Xw)是汐的无偏估计量,6=冷(X,,.",x„)是权的无偏估计值。
有效性:
设么二^:
^…义一和氏二^义^…义^是未知参数权的无偏估计量,
若晚、<Dd、=e,则称么比氏有效。
1.若(%,,义2,…,1„)是来自总体J的样本,则%,,12,…,兑相互独立.(7)
2.不含总体X的任何未知参数的样本函数g(A\,%2,…,A\)就是统计量.(V)
3.样本矩与总体矩是等价的。
(X)
4.矩估计法的基本思想是用总体矩代替样本矩,故矩估计量不唯一.(X)
设总体I〜MA,r2),其中A,cr2未知,则估计量fi=X,•一I)2分别是",的无偏估计量.(X)
Hf=i