数理统计复习总结西北工业大学.docx
《数理统计复习总结西北工业大学.docx》由会员分享,可在线阅读,更多相关《数理统计复习总结西北工业大学.docx(22页珍藏版)》请在冰点文库上搜索。
数理统计复习总结西北工业大学
1统计量与抽样分布
1.1基本概念:
统计量、样本矩、经验分布函数
样本均值X
n
样本k阶原点矩Ak丄X',(k1,2,...)
ni1
n
样本k阶中心矩Bk丄(XiX)k,(k1,2,...)
ni1
经验分布函数Fn(x)Vn(X),(x)其中Vn(x)表示随机事件{Xx}出现的次
n
1
数,显然y(x)~B(n,F(x)),则有E[Fn(x)]F(x)D[Fn(x)]F(x)[1F(x)]
n
补充:
2n1*222
ES:
DXESnDXEX2DX(EX)2
n
二项分布B(n,p):
P{X
k}C:
pk(1p)nk,(k0,1,...,n)
EX=npDX=np(1-p)
k
泊松分布P():
P{Xk}e,(k0,1,...)k!
EXDX
1
均匀分布U(a,b):
f(x),(axb)
ba
EXa^bDX丄(ba)2
212
EX-DX1
1.2统计量:
充分统计量、因子分解定理、完备统计量、指数型分布族(不重要)
T是B的充分统计量f(X1,X2,...xTt)与B无关
T是B的完备统计量要使E[g(T)]=0,必有g(T)=0
n
L()f(Xi;)h(X1,X2,…,Xn)g(T(X1,X2,…,Xn);)且h非负T是B的充分统计量
i1
n
f(Xi;)C()exo{b()T(X1,X2,…,Xn)}h(X1,X2,…,Xn)T是B的充分完备统计量
i1
nf(Xi;)C()exp{bi()「(X1,X2,…,Xn)b2()T2(X1,X2,...,Xn)}h(X1,X2,...,Xn)
i1
(T1,T2)是(1,2)的充分完备统计量
1.3抽样分布:
2分布,t分布,F分布,分位数,正态总体样本均值和方差的分
布,非正态总体样本均值的分布
2n
ni
F分布:
F丫一1~F(n「n2)—F(n2,nJ
n2
补充:
Z=X+Y的概率密度fz(z)f(x,zx)dxf(zy,y)dyf(x,y)是X和Y的联合
概率密度
Z—的概率密度fz(z)f(x,xz)xdx
X
yg(x)的概率密度fy(y)fx(g1(y))[g1(y)]'
函数:
()0xxdx
(1)()(n)(n1)!
(1)1
B函数:
B(,)0x1(1x)1dxB(,)(()())
1.4次序统计量及其分布:
次序统计量、样本中位数X、样本极差R
X(k)的分布密度:
f稣(x)砂[F(x)]k1[1F(x)]nkf(x),(k1,2,...,n)
x(k)(k1)!
(nk)!
X
(1)的分布密度:
%(刈nf(x)[1F(x)]n1
X(n)的分布密度:
fX(n)(x)nf(x)[F(x)]n1
2参数估计
2.1点估计与优良性:
概念、无偏估计、均方误差准则、相合估计(一致估计)、渐
近正态估计
$的均方误差:
MSE($,)E($)2D$(E$)2
若$是无偏估计,则MSE($,)D$
对于的任意一个无偏估计量$,有D$*D$,则$*是的最小方差无偏估计,记
MVUE
相合估计(一致估计):
limEnlimD$n0
nn
2.2点估计量的求法:
矩估计法、最大似然估计法
矩估计法:
1求出总体的k阶原点矩:
akEXkxkdF(x;1,2,…,m)
n
2解方程组ak-Xik(k=1,2,...,m),得$k$k(Xi,X2,…,Xn)即为所求
ni1
最大似然估计法:
1写出似然函数L()°f(Xi;),求出lnL及似然方程宜0i=1,2,…,m
i1i$
2解似然方程得到$心沁,...,焉),即最大似然估计$i(Xi,X2,…,Xn)i=1,2,…,m
补充:
似然方程无解时,求出的定义域中使得似然函数最大的值,即为最大似然估计
2.3MVUE和有效估计:
最小方差无偏估计、有效估计
T是的充分完备统计量,$是的一个无偏估计$*E($|T)为的惟一的
MVUE
最小方差无偏估计的求解步骤:
1求出参数的充分完备统计量T
2求出ETg(),则$g1(T)是的一个无偏估计
或求出一个无偏估计,然后改写成用T表示的函数
3综合,E[g1(T)T]g1(T)是的MVUE
或者:
求出的矩估计或ML估计,再求效率,为1则必为MVUE
T是g()的一个无偏估计,则满足信息不等式D[T(x)]常^,其中
I()Elnf(X;)
或I()Elnf(2X;)0,f(X;)为样本的联合分布
最小方差无偏估计
达到罗-克拉姆下界有效估计量效率为1
无偏估计$的效率:
e($)ni])
D$
$是的最大似然估计,且$是的充分统计量
$是的有效估计
2.4区间估计:
概念、正态总体区间估计(期望、
方差、均值差、方差比)及单侧估
计、非正态总体参数和区间估计
一个总体的情况:
X~N(,
2)
2已知,
的置信区间:
X
0十(O,1)
2未知,
的置信区间:
已知,
2的置信区间:
x
X*-~t(n1)
S.・n
n
(Xi)2
i1
(n)
未知,
2的置信区间:
n
(XiX)2
i1
2
2(n1)
n
(Xi
i1
~^(n1)
2
X)2
两个总体的情况:
X~N(1,
12),
Y~N(
2,
I)
Ft(n
-ni
(Xi)2
i1
""2(n)
2
(XiX)2
i1
;_(n1)
2
1)
n
(Xi)2
i1
(n)
2
X「2)~n(0,1)
12
2
—2un22
ni
2未知时,求1
2的区间估计:
XY(12)
n-in2(n-in22)
(n11)S1n1
未知时,求
*22
S2n21
*22
S1n12
(n2
2
1
~2
2
1)S*'Jn1n2
~F(n21,n-
1)
*2
S1n1
S2n2
F1(n
12
~t(m
n22)
1,n-
1)
2
1
"2
2
*2
S1n1
hF(n21,n11)
S2n22
非正态总体的区间估计:
当n时,/_LN(0,1)
Sn/亦
lnimS.
1,故用Sn代替Sn-1
~N(0,1)
1mm
——1
nnn
3统计决策与贝叶斯估计
3.1统计决策的基本概念:
三要素、统计决策函数及风险函数
三要素:
样本空间和分布族、行动空间(判决空间)、损失函数L(,d)
统计决策函数d(X):
本质上是一个统计量,可用来估计未知参数
风险函数:
R(,d)E[L(,d(X))]是关于的函数
3.2贝叶斯估计:
先验分布与后验分布、贝叶斯风险、贝叶斯估计
n
1求样本X=(X1,X2,...,Xn)的分布:
q(x|)f(Xi|)
i1
2样本X与的联合概率分布:
f(x,)h(|x)m(x)q(x|)()
3求f(x,)关于x的边缘密度m(x)f(x,)d
的后验密度为:
h(|x)
f(x,)
m(x)
取L(,d)(d)2时
的贝叶斯估计为:
$E(|x)h(|x)d
R(,d)E(d)2
贝叶斯风险为:
RB(d)E[R(,d)]E(d)2h(|x)d
取L(,d)()(d)2时,贝叶斯估计为:
$」)凶
E[()|x]
补充:
C()的贝叶斯估计:
取损失函数L(,d)(C()d)2,则贝叶斯估计为
C()E[C()|x]C()h(|x)d
f(x,)d
$E(|x)h(|x)df(x,)d
m(x)f(x,)d
3.3minimax估计
对决策空间中的决策函数d1(X),d2(X),…,分别求出在上的最大风险值maxR(,d)在所有的最大风险值中选取相对最小值,此值对应的决策函数就是最小最大决策函数。
4假设检验
4.1基本概念:
零假设(Ho)与备选假设(H1)、检验规则、两类错误、势函数零假设通常受到保护,而备选假设是当零假设被拒绝后才能被接受。
检验规则:
构造一个统计量T(X1,X2,…,X3),当Ho服从某一分布,当Ho不成立时,T的偏大偏小特征。
据此,构造拒绝域W
第一类错误(弃真错误):
P{TW|H。
为真}
第二类错误(存伪错误):
P{TW|H。
为假}
势函数:
()E((X))P{XW}(X)0,;W
当0时,()为犯第一类错误的概率
当1时,1()为犯第二类错误的概率
4.2正态总体均值与方差的假设检验:
t检验、X2检验、
F检验、单边检验
一个总体的情况:
X~N(
2)
2已知,检验H0:
Hi:
2未知,检验H°:
Hi:
X丽?
n~t(ni)
已知,检验Ho:
Hi:
n
2
(Xi)
ii
2
2(n)
未知,检验H0:
Hi:
n
(XiX)2
ii
2
2(ni)
两个总体的情况:
X~N(
i,i2),
Y~N(
2,
I)
2未知时,检验H0:
i
2Hi:
i
XY
i)S
*2
nii)Sini(n2
*2
ln2
曲2®n22)~t(nin22)
ni
n2
2未知时,检验H。
:
2Hi:
i2
*2
Sini
—F(nii,n2
S2n2
i)
单边检验:
举例说明,
2已知,检验
H。
:
Hi:
构造Ui
N(0,i),给定显著性水平
,有P{Uiu
}。
当Ho成立
时Ui
def
0飞一。
一;U,因此P{UU
}P{Uiu}
。
故拒绝域为
W{U
4.3非参数假设检验方法:
2拟合优度检验、科尔莫戈罗夫检验、斯米尔诺夫检
2拟合优度检验:
Ho:
pPio
Hi:
Pi
Pi0
2
(Ninpe)
nPio
2
(mr1)}
{limsup
nx
其中M表示样本中取值为i的个数,r表示分布中未知参数的个数
科尔莫戈罗夫检验:
Ho:
F(x)Fo(x)H1:
F(x)Fo(x)实际检验的是&(x)F°(x)
W
Fn(X)
Fo(x)Dn,}
斯米尔诺夫检验:
Ho:
F(x)
G(X)
Hi:
F(x)G(x)实际检验的是Fn(x)Gn(x)
{limsup
Fni(x)
Gn2(X)Dm,n2,}
4.4似然比检验
明确零假设和备选假设:
Ho:
构造似然比:
I(xx)SUpL(X「…,Xn;)
L1(x17...^冷丿
Lo(X1,…,Xn)SUpL(x,,…,Xn;)
0
拒绝域:
W{(X1,…,Xn)}
5方差分析
5.1单因素方差分析:
数学模型、离差平方和分解、显著性检验、参数估计
数学模型
ijiij
ij~N(0,),(i=1,2,...,m;j=1,2,...,ni)
各耳相互独立
H0:
12...n
mt
总离差平方和Qt(XijX)2QtQeQa
i1j1
组内离差平方和Qe
mni
(Xij
i1j1
Xi)2
E(
Qe
当Ho成立时,E(d)
r1
m
组间离差平方和Qani(XiX)2
i1
构造统计量F
Qa-
(r1)Q
Qe
(n
A〜F(r
Qe
r)
1,nr),当H0不成立时,有偏大特征
XiXk~N(i
n;)2)且
2(nr)
TXi
(i
丄)Qe
ni氐
k)~t(nr)
应用:
若原始数据比较大而且集中,
可减去同一数值
XjXjk再解题
mn
辅助量:
P丄(Xij)2,Q
ni1j1
Xij)2,R
i1nj1
ni
x2
ij
j1
QaQP,QeR
Q,QtRP
5.2两因素方差分析:
数学模型、离差平方和分解、显著性检验
Xji
数学模型ij~N(0,2)
各j相互独立
ijH
(i=1,2,...,r;j=1,2,…,s)u01:
H02:
总离差平方和Qt
(Xij
j1
X)2Qt
QeQbQa
组内离差平方和Qe
mni
(Xij
i1j1
Xi?
X?
j
Xi)2
Qe
E((r1)(s1)
因素B引起的离差平方和
Qb
s
r(Xj
j1
X)2
当Ho成立时,
E(^)2
s1
因素A引起的离差平方和
Qa
X)2
当Ho成立时,
E
rs
辅助量:
P-
rs
Xijni1j1
Qi
s
X
ij
j1
2
QII
r
X
ij
i1
2
RXj
i1j1
Fa
构造统计量:
Fb
Qa(r1)
Qe(r1)(s1)
Qb(s1)QA
Qe(r1)(S1)=
QA~F(r1,(r
Qe
Qe~f…
1)(S1))
1)(S1))
6回归分析
布(BaYO(T2厂2)
YXi
回归模型:
i~N(0,2)i=1,2,...,n.
i相互独立
*2
EU
6.2多元线性回归:
回归模型、参数估计、分布
YXii
回归模型:
i~N(0,2In)i=1,2,…,n.
各i相互独立
参数估计:
XtY(XtX)卩卩(XTX)1xty
7多元分析初步
7.1定义及性质:
定义、性质
X~Np(,)其中为X的均值向量,
为X的协方差矩阵
Y二CX+b,贝SY~Np(Cb,CCT)
def
若||0,刚(X)1(X)〜2(p)
7.2参数的估计与假设检验:
卩、艺的估计、正态总体均值向量的假设检验
nn__
样本均值向量X-Xi样本离差阵S(XkX)(XkX)T
niiki
最大似然估计卩X$S
n
最小方差无偏估计卩X$為
一-n1
X~N(,-)SYYT
nii
n(Xo)T-(Xo)~2(p)
T1_
p(mn)(mn2)(X丫)S(X丫)