概统部分常用公式大全(无随机过程)
数学基础系列文章:
参考讲义:
习题:
课程:
- 【网盘群】2024考研友资料38群 - 张宇基础30讲 - 概率6讲
(1)交换律:A∪B=B∪AA∪B=B∪A
;A∩B=B∩AA∩B=B∩A
(2)结合律:A∪(B∪C)=(A∪B)∪CA∪(B∪C)=(A∪B)∪C
;A∩(B∩C)=(A∩B)∩CA∩(B∩C)=(A∩B)∩C
(3)分配律:A∪(B∩C)=(A∪B)∩(A∪C)A∪(B∩C)=(A∪B)∩(A∪C)
;A∩(B∪C)=(A∩B)∪(A∩C)A∩(B∪C)=(A∩B)∪(A∩C)
(4)德摩根律(对偶律):‾A∪B=‾A∩‾BA∪B=A∩B
;‾A∩B=‾A∪‾BA∩B=A∪B
P(A∪B)=P(A)+P(B)−P(AB)P(A∪B)=P(A)+P(B)−P(AB)
P(A∪B∪C)=P(A)+P(B)+P(C)−P(AB)−P(BC)−P(AC)+P(ABC)P(A∪B∪C)=P(A)+P(B)+P(C)−P(AB)−P(BC)−P(AC)+P(ABC)
P(B−A)=P(B)−P(AB)P(B−A)=P(B)−P(AB)
若P(A)>0,则P(AB)=P(B∣A)P(A)若P(A)>0,则P(AB)=P(B∣A)P(A)
若P(B)>0,则P(AB)=P(A∣B)P(B)若P(B)>0,则P(AB)=P(A∣B)P(B)
若P(AB)>0,则P(ABC)=P(C∣AB)P(B∣A)P(A)=P(C∣AB)P(A∣B)P(B)若P(AB)>0,则P(ABC)=P(C∣AB)P(B∣A)P(A)=P(C∣AB)P(A∣B)P(B)
P(A)=∑ni=1P(A∣Bi)P(Bi)P(A)=i=1∑nP(A∣Bi)P(Bi)
其中BiBj=∅ (i≠j)BiBj=∅ (i=j)
,⋃ni=1Bi=Ωi=1⋃nBi=Ω
P(Bj∣A)=P(A∣Bj)P(Bj)∑ni=1P(A∣Bi)P(Bi)P(Bj∣A)=i=1∑nP(A∣Bi)P(Bi)P(A∣Bj)P(Bj)
其中BiBj=∅ (i≠j)BiBj=∅ (i=j)
,⋃ni=1Bi=Ωi=1⋃nBi=Ω
注:上述公式中事件BiBi
的个数可以是可列个
A与B独立⇔P(AB)=P(A)P(B)A与B独立⇔P(AB)=P(A)P(B)
A,B,C两两独立⇔{P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)A,B,C两两独立⇔⎩⎪⎨⎪⎧P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)
A,B,C相互独立⇔{P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)P(ABC)=P(A)P(B)P(C)A,B,C相互独立⇔⎩⎪⎪⎪⎨⎪⎪⎪⎧P(AB)=P(A)P(B)P(BC)=P(B)P(C)P(AC)=P(A)P(C)P(ABC)=P(A)P(B)P(C)
(1)若事件A,BA,B
相互独立,则AA
与‾BB
、‾AA
与BB
、‾AA
与‾BB
也相互独立。
(2)独立的等价说法:若0<P(A)<10<P(A)<1
,则
A,B独立⇔P(AB)=P(A)P(B)⇔P(B)=P(B∣A)⇔P(B)=P(B∣‾A)⇔P(B∣A)=P(B∣‾A)A,B独立⇔⇔⇔⇔P(AB)=P(A)P(B)P(B)=P(B∣A)P(B)=P(B∣A)P(B∣A)=P(B∣A)
(3)若A1,A2,⋯,Am,B1,B2,⋯,BnA1,A2,⋯,Am,B1,B2,⋯,Bn
相互独立,则f(A1,A2,⋯,Am)f(A1,A2,⋯,Am)
与g(B1,B2,⋯,Bn)g(B1,B2,⋯,Bn)
也相互独立,其中f(⋅),g(⋅)f(⋅),g(⋅)
分别表示对相应事件作任意事件运算。
(4)若P(A)=0P(A)=0
或P(A)=1P(A)=1
,则AA
与任何事件BB
都相互独立。
(1)AA
与BB
互斥 ⇒⇒
AA
与BB
互斥,但反之不一定成立
(2)AA
与BB
互斥(或互逆)且均为非零概率事件 ⇒⇒
AA
与BB
不独立
(3)AA
与BB
相互独立且均为非零概率事件 ⇒⇒
AA
与BB
不互斥
注:一般情况下,独立和互斥无关,独立推不出互斥,互斥也推不出独立
离散型 - 分布律
连续型 - 密度函数
设XX
为随机变量,xx
为任意实数,称函数F(x)=P{X≤x} (x∈R)F(x)=P{X≤x} (x∈R)
为随机变量XX
的分布函数,或称XX
服从F(x)F(x)
分布,记为X∼F(x)X∼F(x)
(1)非负性:0≤F(x)≤10≤F(x)≤1
(2)规范性:F(−∞)=0,F(+∞)=1F(−∞)=0,F(+∞)=1
(3)单调不减性:∀x1<x2,F(x1)≤F(x2)∀x1<x2,F(x1)≤F(x2)
(4)右连续性:F(x0+0)=F(x0)F(x0+0)=F(x0)
(1)P{X≤a}=F(a)P{X≤a}=F(a)
(2)P{X<a}=F(a−0)P{X<a}=F(a−0)
(3)P{X=a}=F(a)−F(a−0)P{X=a}=F(a)−F(a−0)
对于连续型随机变量XX
,其分布函数可表示为
F(x)=∫x−∞f(t)dt (x∈R)F(x)=∫−∞xf(t)dt (x∈R)
其中f(x)f(x)
非负可积,称f(x)f(x)
为XX
的概率密度函数,记为X∼f(x)X∼f(x)
(1)非负性:f(x)≥0 (−∞<x<+∞)f(x)≥0 (−∞<x<+∞)
(2)规范性:∫+∞−∞f(x)dx=1∫−∞+∞f(x)dx=1
(3)对于任意实数a<ba<b
,P{a<X≤b}=∫baf(x)dxP{a<X≤b}=∫abf(x)dx
(4)对于连续型随机变量XX
,P{X=x}=0,∀x∈RP{X=x}=0,∀x∈R
(5)连续型随机变量的分布函数F(x)F(x)
是连续函数
(6)在f(x)f(x)
的连续点处,有F′(x)=f(x)F′(x)=f(x)
X∼B(1,p)X∼B(1,p)
P{X=k}=pk(1−p)1−k (k=0,1)P{X=k}=pk(1−p)1−k (k=0,1)
EX=p, DX=p(1−p)EX=p, DX=p(1−p)
X∼B(n,p)X∼B(n,p)
P{X=k}=Cknpk(1−p)n−k (k=0,1,⋯,n)P{X=k}=Cnkpk(1−p)n−k (k=0,1,⋯,n)
EX=np, DX=np(1−p)EX=np, DX=np(1−p)
X∼P(λ) (λ>0)X∼P(λ) (λ>0)
P{X=k}=λkk!e−λ (k=0,1,2,⋯)P{X=k}=k!λke−λ (k=0,1,2,⋯)
EX=λ, DX=λEX=λ, DX=λ
X∼G(p)X∼G(p)
P{X=k}=p(1−p)k−1 (0<p<1, k=1,2,⋯)P{X=k}=p(1−p)k−1 (0<p<1, k=1,2,⋯)
EX=1p, DX=1−pp2EX=p1, DX=p21−p
X∼H(N,M,n)X∼H(N,M,n)
P{X=k}=CkMCn−kN−MCnN (k=0,1,⋯,min{n,M})P{X=k}=CNnCMkCN−Mn−k (k=0,1,⋯,min{n,M})
X∼U(a,b)X∼U(a,b)
f(x)={1b−a,a<x<b0,其他f(x)={b−a1,0,a<x<b其他
F(x)={0,x≤ax−ab−a,a<x<b1,x≥bF(x)=⎩⎪⎪⎨⎪⎪⎧0,b−ax−a,1,x≤aa<x<bx≥b
EX=a+b2, DX=(b−a)212EX=2a+b, DX=12(b−a)2
X∼E(λ) (λ>0)X∼E(λ) (λ>0)
f(x)={λe−λx,x>00,其他f(x)={λe−λx,0,x>0其他
F(x)={1−e−λx,x≥00,x<0F(x)={1−e−λx,0,x≥0x<0
EX=1λ, DX=1λ2EX=λ1, DX=λ21
X∼N(μ,σ2) (−∞<x<+∞, σ>0)X∼N(μ,σ2) (−∞<x<+∞, σ>0)
f(x)=1√2πσe−(x−μ)22σ2f(x)=2πσ1e−2σ2(x−μ)2
EX=μ, DX=σ2EX=μ, DX=σ2
X∼N(0,1) (−∞<x<+∞)X∼N(0,1) (−∞<x<+∞)
ϕ(x)=1√2πe−x22ϕ(x)=2π1e−2x2
Φ(x)=1√2π∫x−∞e−t22dtΦ(x)=2π1∫−∞xe−2t2dt
Φ(−x)=1−Φ(x)Φ(−x)=1−Φ(x)
;Φ(0)=12Φ(0)=21
;P{∣X∣≤a}=2Φ(a)−1P{∣X∣≤a}=2Φ(a)−1
设X∼N(0,1)X∼N(0,1)
,对于给定的α (0<α<1)α (0<α<1)
,若uαuα
满足条件P{X>uα}=αP{X>uα}=α
,则称uαuα
为标准正态分布的上αα
分位点。
标准正态分布与一般正态分布的关系:正态分布X∼N(μ,σ2)X∼N(μ,σ2)
通过线性变换Z=X−μσZ=σX−μ
变为标准正态分布,即进行标准化变量。
设离散型随机变量XX
的概率分布为P{X=xi}=pi (i=1,2,⋯)P{X=xi}=pi (i=1,2,⋯)
,则XX
的函数Y=g(X)Y=g(X)
也是离散型随机变量,其概率分布为P{Y=g(xi)}=pi (i=1,2,⋯)P{Y=g(xi)}=pi (i=1,2,⋯)
,即
Y∼[g(x1)g(x2)⋯p1p2⋯]Y∼[g(x1)p1g(x2)p2⋯⋯]
若有若干个g(xi)g(xi)
值相同,则合并诸项为一项g(xk)g(xk)
,并将相应概率相加作为YY
取g(xk)g(xk)
值的概率。
设连续型随机变量XX
的分布函数、概率密度分别为FX(x),fX(x)FX(x),fX(x)
,随机变量Y=g(X)Y=g(X)
为XX
的函数,则其分布函数和概率密度可用分布函数法求得:
FY(y)=P{Y≤y}=P{g(X)≤y}=∫g(x)≤yfX(x)dxFY(y)=P{Y≤y}=P{g(X)≤y}=∫g(x)≤yfX(x)dx
若FY(y)FY(y)
连续,且除有限个点外,F′Y(y)FY′(y)
存在且连续,则YY
的概率密度为fY(y)=F′Y(y)fY(y)=FY′(y)
F(x,y)=P{X≤x,Y≤y} (−∞<x<+∞,−∞<y<+∞)F(x,y)=P{X≤x,Y≤y} (−∞<x<+∞,−∞<y<+∞)
称为二维随机变量(X,Y)(X,Y)
的联合分布函数,它表示随机事件{X≤x}{X≤x}
与{Y≤y}{Y≤y}
同时发生的概率。
(1)非负性:对于任意实数x,y∈Rx,y∈R
,0≤F(x,y)≤10≤F(x,y)≤1
(2)规范性:
F(−∞,y)=F(−∞,y)=x→−∞limF(x,y)=0F(x,−∞)=y→−∞limF(x,y)=0F(−∞,−∞)=x,y→−∞limF(x,y)=0F(+∞,+∞)=x,y→+∞limF(x,y)=1
(3)单调不减性:F(x,y)
分别关于x
和y
单调不减
(4)右连续性:F(x,y)
分别关于x
和y
具有右连续,即
F(x,y)=F(x+0,y), F(x,y)=F(x,y+0), x,y∈R
若二维随机变量(X,Y)
可能的取值为有限对或可列无穷多对实数,则称(X,Y)
为二维离散型随机变量
P{X=xi,Y=yj}=pij (i,j=1,2,⋯)pij≥0i=1∑+∞j=1∑+∞pij=1
P{X=xi}=j=1∑+∞P{X=xi,Y=yj}=j=1∑+∞pij=pi⋅ (i=1,2,⋯)P{Y=yj}=i=1∑+∞P{X=xi,Y=yj}=i=1∑+∞pij=p⋅j (j=1,2,⋯)
对于给定的j
,若P{Y=yj}>0 (j=1,2,⋯)
,则称
P{X=xi∣Y=yj}=P{Y=yj}P{X=xi,Y=yj}=p⋅jpij, i=1,2,⋯
为在Y=yj
的条件下随机变量X
的条件概率分布。
对于给定的i
,若P{X=xi}>0 (i=1,2,⋯)
,则称
P{Y=yj∣X=xi}=P{X=xi}P{X=xi,Y=yj}=pi⋅pij, j=1,2,⋯
为在X=xi
的条件下随机变量Y
的条件概率分布。
设二维随机变量(X,Y)
的联合分布函数为F(x,y)
,如果存在非负可积的二元函数f(x,y)
,使得对任意实数x,y
,有F(x,y)=∫−∞x∫−∞yf(u,v)dudv
,则称(X,Y)
为二维连续型随机变量,称函数f(x,y)
为二维随机变量(X,Y)
的概率密度函数或联合密度函数。
(1)f(x,y)≥0 (−∞<x<+∞,−∞<y<+∞)
(2)∫−∞+∞∫−∞+∞f(x,y)dxdy=1
(3)设D
为平面xOy
上任一区域,则点(x,y)
落在D
内的概率为
P{(X,Y)∈D}=D∬f(x,y)dσ
(4)若f(x,y)
在点(x,y)
处连续,则有f(x,y)=∂x∂y∂2F(x,y)
fX(x)=∫−∞+∞f(x,y)dyfY(y)=∫−∞+∞f(x,y)dx
当fY(y)>0
时,称fX∣Y(x∣y)=fY(y)f(x,y)
为在条件Y=y
下X
的条件密度函数。
当fX(x)>0
时,称fY∣X(y∣x)=fX(x)f(x,y)
为在条件X=x
下Y
的条件密度函数。
设G
是平面上有界可求面积的区域,其面积为∣G∣
,若二维随机变量具有密度函数
f(x,y)={∣G∣1,0,(x,y)∈G(x,y)∈/G
则称(X,Y)
在区域G
上服从二维均匀分布。
若(X,Y)
在各平行于坐标轴的矩形区域D={(x,y)∣a≤x≤b,c≤y≤d}
上服从二维均匀分布,则其两个分量X,Y
是独立的,且分别服从区间[a,b],[c,d]
上的一维均匀分布。
如果二维连续型随机变量(X,Y)
的概率密度为
f(x,y)=2πσ1σ21−ρ21exp{2(1−ρ2)−1[σ12(x−μ1)2−σ1σ22ρ(x−μ1)(y−μ2)+σ22(y−μ2)2]} (−∞<x<+∞,−∞<y<+∞)
其中μ1,μ2,σ1>0,−1<ρ<1
均为常数,则称(X,Y)
服从参数为μ1,μ2,σ1,σ2,ρ
的二维正态分布,记为(X,Y)∼N(μ1,μ2,σ12,σ22,ρ)
(1)X∼N(μ1,σ12),Y∼N(μ2,σ22)
(2)X
与Y
独立的充分必要条件为ρ=0
(3)X
与Y
的非零线性组合服从一维正态分布,且
当X
与Y
不独立时
k1X+k2Y∼N(k1μ1+k2μ2,k12σ12+k22σ22+2k1k2ρσ1σ2)
当X
与Y
独立时
k1X+k2Y∼N(k1μ1+k2μ2,k12σ12+k22σ22)
(4)若(X1,X2)
服从二维正态分布,且行列式∣∣∣∣∣acbd∣∣∣∣∣=0
,则(aX1+bX2,cX1+dX2)
也服从二维正态分布。
(1)若对于任意实数x,y
,有F(x,y)=FX(x)FY(y)
,则称X
和Y
相互独立。
(2)若对于任意i,j=1,2,⋯
,有P{X=xi,Y=yj}=P{X=xi}P{Y=yj}
,则称二维离散型随机变量X
和Y
相互独立。
(3)若对于任意实数x,y
,有f(x,y)=fX(x)fY(y)
,则称二维连续型随机变量X
和Y
相互独立。
(1)若X
与Y
相互独立,f(x)
和g(x)
为连续函数,则f(X)
与g(Y)
也相互独立。
(2)若X1,X2,⋯,Xn,Y1,Y2,⋯,Ym
相互独立,f(⋅)
为n
元连续函数,g(⋅)
为m
元连续函数,则f(X1,X2,⋯,Xn)
与g(Y1,Y2,⋯,Ym)
也相互独立。
已知(X,Y)
的概率分布为
P{X=xi,Y=yj}=pij, i,j=1,2,⋯
则Z=g(X,Y)
的分布律为
P{Z=zk}=P{g(X,Y)=zk}=g(xi,yj)=zk∑P{X=xi,Y=yj}
设二维连续型随机变量(X,Y)
的概率密度函数为f(x,y)
,则随机变量Z=g(X,Y)
的分布函数和概率密度函数为
FZ(z)=P{Z≤z}=P{g(X,Y)≤z}=g(x,y)≤z∬f(x,y)dxdyfZ(z)=FZ′(z)
设二维连续型随机变量(X,Y)
的概率密度为f(x,y)
,则随机变量Z=X+Y
的密度函数为
fZ(z)=∫−∞+∞f(x,z−x)dx=∫−∞+∞f(z−y,y)dy
若X
与Y
独立,则Z=X+Y
的密度函数公式称为卷积公式,即
fX∗fY=∫−∞+∞fX(x)fY(z−x)dx=∫−∞+∞fX(z−y)fY(y)dy
设随机变量X
的分布律为P{X=xi}=pi (i=1,2,⋯)
,若级数i=1∑∞xipi
绝对收敛,则称
EX=i=1∑∞xipi
为随机变量X
的数学期望。
设连续型随机变量X
的概率密度为f(x)
,若积分∫−∞+∞xf(x)dx
绝对收敛,则称
EX=∫−∞+∞xf(x)dx
为X
的数学期望。
设X
是一个随机变量,g(x)
为连续实函数,令Y=g(X)
若X
的分布律为P{X=xi}=pi (i=1,2,⋯)
,则
EY=E[g(X)]=i=1∑∞g(xi)pi
若X
的密度函数为fX(x)
,则
EY=E[g(X)]=∫−∞+∞g(x)fX(x)dx
设(X,Y)
的概率分布为P{X=xi,Y=yj}=pij (i,j=1,2,⋯)
,则
EX=i∑xipi⋅=i∑j∑xipijEY=j∑yjp⋅j=i∑j∑yipij
设(X,Y)
的联合概率密度为ϕ(x,y)
,则
EX=∫−∞+∞xfX(x)dx=∫−∞+∞∫−∞+∞xf(x,y)dxdyEY=∫−∞+∞yfY(y)dy=∫−∞+∞∫−∞+∞yf(x,y)dxdy
设(X,Y)
为二维随机变量,g(x,y)
为二元连续实函数,令Z=g(X,Y)
若(X,Y)
的联合分布律为P{X=xi,Y=yj}=pij (i,j=1,2,⋯)
,则
EZ=E[g(X,Y)]=i=1∑∞j=1∑∞g(xi,yj)pij
若(X,Y)
的联合密度函数为f(x,y)
,则
EZ=E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
(1)E(C)=C
;E(EX)=EX
(2)E(CX)=CEX
(3)E(k1X±k2Y)=k1EX±k2EY
(4)若X
与Y
相互独立,则有E(XY)=EXEY
设X
是一个随机变量,若E(X−EX)2
存在,则称DX=E(X−EX)2
为X
的方差,称DX
为标准差或均方差。
DX=EX2−(EX)2
解题时,常用此公式计算EX2=DX+(EX)2
(1)D(C)=0
;D(EX)=0
;D(DX)=0
(2)D(CX)=C2DX
(3)D(C1X+C2)=C12DX
(4)D(X±Y)=DX+DY±2cov(X,Y)
(5)若X,Y
相互独立,则D(X±Y)=DX+DY
设随机变量X
具有数学期望EX=μ
、方差DX=σ2=0
,记
X∗=σX−μ
则称X∗
为X
的标准化变量。
显然,EX∗=0
,DX∗=1
,且X∗
无量纲。
cov(X,Y)=E[(X−EX)(Y−EY)]
常用如下公式计算
cov(X,Y)=EXY−EXEY
(1)cov(X,Y)=cov(Y,X)
(2)cov(X,X)=DX
(3)cov(aX,bY)=abcov(X,Y)
(4)cov(X,C)=0
(5)cov(k1X1±k2X2,Y)=k1cov(X1,Y)±k2cov(X2,Y)
(6)若X
与Y
相互独立,则cov(X,Y)=0
ρXY=DXDYcov(X,Y)
(1)∣ρXY∣≤1
(2)∣ρXY∣=1⇔P{Y=aX+b}=1 (a=0)
,且当a>0
时,ρXY=1
;a<0
时,ρXY=−1
ρXY=0⇔cov(X,Y)=0⇔EXY=EXEY⇔D(X±Y)=DX+DY
(1)X,Y
相互独立 ⇒
X
与Y
不相关,反之不成立
(2)若(X,Y)∼N(μ1,μ2;σ12,σ22;ρ)
,则X
与Y
独立 ⇔
X
与Y
不相关
设X,Y
为随机变量
若EXk, k=1,2,⋯
存在,则称它为X
的k
阶(原点)矩
若E[(X−EX)k], k=1,2,⋯
存在,则称它为X
的k
阶中心矩
若E(XkYl), k,l=1,2,⋯
存在,则称它为X,Y
的k+l
阶混合(原点)矩
若E[(X−EX)k(Y−EY)l], k,l=1,2,⋯
存在,则称X,Y
的k+l
阶混合中心矩
设随机变量X
的期望EX
、方差DX
都存在,则对任意ϵ>0
均有
P{∣X−EX∣≥ϵ}≤ϵ2DX
或
P{∣X−EX∣<ϵ}≥1−ϵ2DX
对于随机变量序列X1,X2,⋯,Xn,⋯
和常数a
,如果对于任意给定的正数ϵ
,有
n→∞limP{∣Xn−a∣<ϵ}=1
则称随机变量序列X1,X2,⋯,Xn,⋯
依概率收敛于a
,记作XnPa
设随机变量X1,X2,⋯,Xn,⋯
相互独立,数学期望EXi
和方差DXi
均存在,且方差DXi
有公共上界,即存在常数C
,使DXi≤C (i=1,2,⋯)
,则对于任意给定的正数ϵ
,总有
n→∞limP{∣n1i=1∑nXi−n1i=1∑nEXi∣<ϵ}=1
上式表明:当n
很大时,相互独立方差有公共上界的随机变量的平均值n1i=1∑nXi
依概率收敛于其数学期望n1i=1∑nEXi
设nA
是n
次独立重复试验中事件A
发生的次数,p
是事件A
在每次试验中发生的概率,则对于任意正数ϵ
,有
n→∞limP{∣nnA−p∣<ϵ}=1
上式表明:当n
很大时,随机事件A
发生的频率nnA
依概率收敛于事件A
的概率p
,因此在试验次数充分大时,可以用频率来近似代替概率。
设随机变量X1,X2,⋯,Xn,⋯
相互独立,服从相同的分布,具有数学期望EXi=μ (i=1,2,⋯)
,则对于任意给定的正数ϵ
,总有
n→∞limP{∣n1i=1∑nXi−μ∣<ϵ}=1
上式表明:当n
很大时,独立同分布的随机变量的平均值n1i=1∑nXi
依概率收敛于其数学期望μ
设随机变量X1,X2,⋯,Xn,⋯
相互独立,服从相同的分布,具有数学期望EXi=μ
和方差DXi=σ2>0 (i=1,2,⋯)
,则对于任意实数x
,有
n→∞limP{nσi=1∑nXi−nμ≤x}=Φ(x)
上式表明:在定理条件下,当n
充分大时,i=1∑nXi
以正态分布为极限分布。
设随机变量Xn
服从参数为n,p (0<p<1, n=1,2,⋯)
的二项分布,即Xn∼B(n,p)
,则对于任意实数x
,有
n→∞limP{np(1−p)Xn−np≤x}=Φ(x)
上式表明:当重复实验次数足够多时,二项分布以正态分布极限分布。
X=n1i=1∑nXi, 观测值 x=n1i=1∑nxi
EX=μ, DX=nσ2
S2=n−11i=1∑n(Xi−X)2, 观测值 s2=n−11i=1∑n(xi−x)2
ES2=σ2
S=n−11i=1∑n(Xi−X)2, 观测值 s=n−11i=1∑n(xi−x)2
Ak=n1i=1∑nXik, 观测值 ak=n1i=1∑nxik (k=1,2,⋯)
如果总体的X
的k
阶原点矩EXk=μk (k=1,2,⋯)
存在,则当n→∞
时,有
Ak=n1i=1∑nXikPEXk (k=1,2,⋯)
Bk=n1i=1∑n(Xi−X)k, 观测值 bk=n1i=1∑n(xi−x)k (k=2,3,⋯)
设总体X
的分布函数为F(x)
,X1,X2,⋯,Xn
是来自总体X
的样本,则统计量X(n)=max(X1,X2,⋯,Xn)
和X(1)=min(X1,X2,⋯,Xn)
的分布函数分别为
FX(n)(x)=P{max(X1,X2,⋯,Xn)≤x}=[F(x)]nFX(1)(x)=P{min(X1,X2,⋯,Xn)≤x}=[1−F(x)]n
χ2
分布(Chi-square Distribution)
设随机变量X1,X2,⋯,Xn
相互独立,且均服从标准正态分布N(0,1)
,则随机变量χ2=X12+X22+⋯+Xn2
服从自由度为n
的χ2
分布,记作χ2∼χ2(n)
设X∼χ2(n1),Y∼χ2(n2)
,且X,Y
相互独立,则X+Y∼χ2(n1+n2)
Eχ2=n, Dχ2=2n
设χ2∼χ2(n)
,对于任意给定的α (0<α<1)
,称满足条件P{χ2>χα2(n)}=α
的点χα2(n)
为χ2(n)
的上α
分位点。
t
分布
设随机变量X∼N(0,1),Y∼χ2(n)
,且X,Y
相互独立,则随机变量t=Y/nX
服从自由度为n
的t
分布,记作t∼t(n)
t
分布的概率密度f(x)
是偶函数,且有n→∞limf(x)=2π1e−2x2
,即当n
充分大时,t(n)
分布近似于N(0,1)
分布。
设t∼t(n)
,对于任意给定的α (0<α<1)
,称满足条件P{t>tα(n)}=α
的点tα(n)
为t(n)
的上α
分位点。
F
分布
设随机变量X∼χ2(m),Y∼χ2(n)
,且X,Y
相互独立,则随机变量F=Y/nX/m
服从自由度为(m,n)
的F
分布,记为F∼F(m,n)
若F∼F(m,n)
,则F1∼F(n,m)
设F∼F(m,n)
,对于任意给定的α (0<α<1)
,称满足条件P{F>Fα(m,n)}=α
的点Fα(m,n)
为F(m,n)
的上α
分位点。
设X1,X2,⋯,Xn
是来自正态总体X∼N(μ,σ2)
的样本,样本均值为X
,样本方差为S2
,则有
(1)X∼N(μ,nσ2),σ/nX−μ∼N(0,1)
(2)X
与S2
相互独立,且σ2(n−1)S2∼χ2(n−1)
(3)S/nX−μ∼t(n−1)
(4)σ21i=1∑n(Xi−μ)2∼χ2(n)
设X∼N(μ1,σ12),Y∼N(μ2,σ22)
,X1,X2,⋯,Xn1
和Y1,Y2,⋯,Yn2
分别来自总体X
和Y
的样本,且两个样本相互独立,则有
(1)n1σ12+n2σ22(X−Y)−(μ1−μ2)∼N(0,1)
(2)若σ12=1σ22
,则Swn1σ12+n2σ22(X−Y)−(μ1−μ2)∼t(n1+n2−2)
,其中Sw2=n1+n2−2(n1−1)S12+(n2−1)S22
(3)σ221j=1∑n1(Yj−μ2)2/n2σ121i=1∑n1(Xi−μ1)2/n1∼F(n1,n2)
(4)S22/σ22S12/σ12∼F(n1−1,n2−1)
样本的k
阶原点矩依概率收敛于总体的k
阶原点矩。
待估参数为k
个θ1,θ2,⋯,θk
(1)求出总体的k
阶原点矩μk=EXk (k=1,2,⋯)
(2)令样本的k
阶原点矩Ak=n1i=1∑nXik
等于总体的k
阶原点矩,即令
EXk=n1i=1∑nXik (k=1,2,⋯)
(3)解上面的方程组,得θi
的矩估计量为θ^i(X1,X2,⋯,Xn)
,则θi
的矩估计值为θ^i(x1,x2,⋯,xn)
注:当待估参数为1个时,通常令EX=n1i=1∑nXi
,即可解得θ
的矩估计量与相应的矩估计值。
设总体X
的分布律为P{X=ai}=p(ai;θ), i=1,2,⋯
,X1,X2,⋯,Xn
为取自X
的样本,则X1,X2,⋯,Xn
的联合分布律
L(x1,x2,⋯,xn;θ)=i=1∏np(xi;θ), xi为ai (i=1,2,⋯)中的某个数
称为似然函数,L(x1,x2,⋯,xn;θ)
关于θ
的最大值点θ^
称为θ
的最大似然估计。
设总体X
的密度函数为f(x;θ)
,X1,X2,⋯,Xn
为取自X
的样本,则
L(x1,x2,⋯,xn;θ)=i=1∏nf(xi;θ)
称为似然函数,L(x1,x2,⋯,xn;θ)
关于θ
的最大值点θ^
称为θ
的最大似然估计。
注:上述两种中的θ
可以是多个待估参数(θ1,θ2,⋯,θk)
待估参数为k
个(θ1,θ2,⋯,θk)
(1)写出似然函数
L(x1,x2,⋯,xn;θ1,θ2,⋯,θk)=i=1∏np(xi;θ1,θ2,⋯,θk) (离散型)L(x1,x2,⋯,xn;θ1,θ2,⋯,θk)=i=1∏nf(xi;θ1,θ2,⋯,θk) (连续型)
(2)取对数lnL
(3)若lnL
对θ1,θ2,⋯,θk
可微,求偏导数∂θi∂lnL, i=1,2,⋯,k
;判断方程组∂θi∂lnL=0
是否有解。若有解则其解即为所求最大似然估计;若无解则要概率极大似然估计的意义(使似然函数取得最大值),此时,估计值常在θi
的边界点上达到。
注:对于只有一个未知参数只需将步骤(3)中求偏导变为一元函数求导即可
如果θ
的估计量θ^(X1,X2,⋯,Xn)
的数学期望Eθ^
存在,且Eθ^=θ
,则称θ^(X1,X2,⋯,Xn)
是未知参数θ
的无偏估计量。
θ^1(X1,X2,⋯,Xn)
和θ^1(X1,X2,⋯,Xn)
都是未知参数θ
的无偏估计量,若Dθ^1≤Dθ^2
,且至少对于某一个θ∈Θ
不等号成立,则称θ^1(X1,X2,⋯,Xn)
比θ^1(X1,X2,⋯,Xn)
更有效。
若对任意ϵ>0
,有
n→∞limP{∣θ^−θ∣<ϵ}=1
则称θ^
为θ
的一致估计量。
《概率论与数理统计(1):常用公式大全》有3条评论