【讀書筆記】概率論與數理統計(下)

作者:LogM

本文原載於 https://segmentfault.com/u/logm/articles,不允許轉載~

文章中的數學公式若無法正確顯示,請參見:正確顯示數學公式的小技巧

本文爲概率論與數理統計的筆記。

本文爲舊博客文章,公式顯示不正常,請至 https://segmentfault.com/a/1190000019462293 查看。


11. 第十一週

  • 11.1 總體,樣本
  • 11.2 常用統計量

    • 樣本均值:$\overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i$
    • 樣本方差:$S^2 = \frac{1}{n-1} \sum_{i=1}{n}(X_i - \overline X)^2$
    • 樣本 $k$ 階矩:$A_k = \frac{1}{n} \sum_{i=1}^{n} X_i^k$
    • 樣本 $k$ 階中心矩:$B_k = \frac{1}{n} \sum_{i=1}^{n} (X_i-\overline X)^k$
  • 11.3 抽樣分佈

    • 正態分佈
    • $\chi^2$ 分佈(卡方分佈)

      • 定義:n個服從標準正態分佈 $N(0,1)$ 的隨機變量相互獨立,則稱 $\chi^2 = \sum_{i=1}^{n} X_i^2$ 服從自由度爲 $n$ 的 $\chi^2$ 分佈,記爲$\chi^2 \sim \chi^2(n)$
      • 概率密度:$f_n(x) = \left \{\begin{matrix} \frac{2}{2\Gamma(n/2)}(\frac{n}{2})^{\frac{n}{2}-1}e^{-\frac{x}{2}} & ,x>0 \\ 0 & ,x \leq 0 \end {matrix} \right.$,其中 $\Gamma(\alpha) = \int_{0}^{+\infty} x^{\alpha-1}e^{-x}dx$
      • 性質:

        • $E(\chi^2) = n$
        • $D(\chi^2) = 2n$
        • 若 $Y_1 \sim \chi^2(n_1)$,$Y_2 \sim \chi^2(n_2)$,且互相獨立,則 $Y_1+Y_2 \sim \chi^2(n_1+n_2)$
      • 上 $\alpha$ 分位數:給定 $\alpha$,$0< \alpha <1$,稱滿足條件 $P(\chi^2>\chi^2_a(n)) = \alpha$ 的點 $\chi^2_a(n)$ 爲 $chi^2(n)$ 分佈的上 $\alpha$ 分位數
    • $t$ 分佈

      • 定義:$X \sim N(0,1)$,$Y \sim \chi^2(n)$,相互獨立,則稱 $T = \frac{X}{\sqrt{Y/n}}$ 服從自由度爲 $n$ 的 $t$ 分佈,記爲$T \sim t(n)$
      • 上 $\alpha$ 分位數:$t_{1-\alpha}(n) = -t_{\alpha}(n)$
    • $F$ 分佈

      • 定義:$X \sim \chi^2(n_1)$,$Y \sim \chi^2(n_2)$,相互獨立,則稱 $F = \frac{X/n_1}{Y/n_2}$ 服從自由度爲 $(n_1,n_2)$ 的 $F$ 分佈,記爲$F \sim F(n_1,n_2)$
      • 上 $\alpha$ 分位數:$F_{1-\alpha}(n_1,n_2) = \frac{1}{F_{\alpha}(n_1,n_2)}$

12. 第十二週

  • 12.1 單個正態總體的抽樣分佈

    • 設總體 $X \sim N(\mu, \sigma^2)$,$X_1$,$X_2$,$...$,$X_n$ 是樣本,樣本均值 $\overline X = \frac{1}{n} \sum_{i=1}^{n}X_i$,樣本方差 $S^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i-\overline X)^2$,則:

      • $\overline X \sim N(\mu, \frac{\sigma^2}{n})$
      • $\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$,且 $\overline X$ 與 $S^2$ 相互獨立
      • $\frac{\overline X-\mu}{\sigma/\sqrt{n}} \sim N(0,1)$
    • 設總體 $X \sim N(\mu, \sigma^2)$,$X_1$,$X_2$,$...$,$X_n$ 是樣本,樣本均值 $\overline X = \frac{1}{n} \sum_{i=1}^{n}X_i$,樣本方差 $S^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i-\overline X)^2$,則:

      • $\frac{\overline X - \mu}{S/\sqrt{n}} \sim t(n-1)$
  • 12.2 兩個正態總體的抽樣分佈

    • 設樣本 $X_1$,$X_2$,$...$,$X_{n_1}$ 和樣本 $Y_1$,$Y_2$,$...$,$Y_{n_2}$ 分別來自於總體 $N(\mu_1,\sigma_1^2)$ 和總體 $N(\mu_2,\sigma_2^2)$,並且他們相互獨立,樣本均值分別爲 $\overline X$,$\overline Y$,樣本方差分別爲 $S_1^2$,$S_2^2$,則:

      • $F=\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F(n_1-1,n_2-1)$
      • $\frac{(\overline X - \overline Y)-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1}{n_1}+\frac{\sigma_2}{n_2}}} \sim N(0,1)$
      • $\frac{(\overline X - \overline Y)-(\mu_1-\mu_2)}{S_w \sqrt{\frac{\sigma_1}{n_1}+\frac{\sigma_2}{n_2}}} \sim t(n_1+n_2-2)$,其中 $S_w^2 = \frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$
  • 12.3 矩估計

    • 理論依據:大數定律和依概率收斂
    • 做法:用原點矩或中心矩來估計參數,比如用樣本的期望和方差估計參數

13. 第十三週

  • 13.1 極大似然估計

    • 似然函數(離散型):$L(\theta) = \Pi_{i=1}^{n} p(x_i;\theta)$
    • 似然函數(連續型):$L(\theta) = \Pi_{i=1}^{n} f(x_i;\theta)$
    • 常取 $ln$,再利用倒數爲0求解
    • 性質:若 $\hat{\theta}$ 爲 $\theta$ 的極大似然估計,則 $g(\hat{\theta})$ 爲 $g(\theta)$ 的極大似然估計
  • 13.2 估計量的評價標準

    • 無偏性準則

      • 當估計量的期望 $E(\hat{\theta}) = \theta$,則估計是無偏的,保證估計沒有系統偏差
    • 有效性準則

      • 估計的方差越小,越有效
    • 均方誤差準則

      • $Mse(\hat{\theta}) = E(\hat{\theta} - \theta)^2$
      • 當無偏估計時,$Mse({\hat{\theta}}) = D(\hat{\theta})$
      • 均方誤差越小越優(比無偏性準則更重要)
    • 相合性準則

      • 相合性估計量(一致性估計量):隨着樣本n的增加,$\hat{\theta}$ 可以依概率收斂到 $\theta$

發佈了52 篇原創文章 · 獲贊 19 · 訪問量 5萬+
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章