概率与数理统计基础..pptVIP

则称X服从自由度为n1和n2的F分布。 n1称第一自由度， n2称第二自由度。 定义：若随机变量 X的密度函数为 4.4 F分布 定理1 若X~?2(n1)，Y~?2(n2) ，X,Y独立，则 **定理2：设(X1,X2,…,Xn1)是N(μ1,σ12)的样本，(Y1,Y2,…,Yn2)是N(μ2,σ22)的样本，且相互独立，S12，S22是样本方差，则 分位数问题： 第五节 通过样本，估计总体（一）——估计量的特征 5.1 无偏性 5.2 有效性 5.3 一致性 所谓估计量的特性指的是衡量一个统计量 用以估计总体参数的好坏标准。 5.1 无偏性 估计量 的观察或试验的结果，估计值可能较真实的参数值偏大或偏小，而一个好的估计量不应总是偏大或偏小，在多次试验中所得的估计量的平均值应与真实参数吻合，这就是无偏性所要求的。 是一个随机变量，对一次具体 定义 是?的一个估计量，如果 则称 是?的一个无偏估计。 如果 不是无偏的， ，就称该估计是有偏的。 称 为 的偏差。 5.2 有效性（最小方差性、最优性） 总体某个参数 的无偏估计量往往不只 一个，而且无偏性仅仅表明 的所有可能的取值按概率平均（均值）等于　， 　它的可能取值可能大部分与　相差很大。为保证　的取值能集中于　附近，必须 　要求　的方差越小越好。所以，提出有效性标准。 有效性（最小方差性、最优性）定义 对于参数?的无偏估计量，其取值应在真值附近波动，我们希望它与真值之间的偏差越小越好。 定义 设 均为未知参数?的无偏估计量，若 则称 比 有效。 在?的所有无偏估计量中，若 估计量，则称 是具有最小方差的无偏 显然也是最有效的无偏估计量，简称有效估计量。 为最小方差无偏估计量。 无偏有效估计量的意义 一个无偏有效估计量的取值在可能范围内最密集于真值附近。换言之，它以最大的概率保证估计量的取值在真值附近摆动。 第六节 通过样本，估计总体（二）——估计方法 点估计——普通最小二乘法 所谓点估计就是给出被估计参数的一个特定的估计值。 区间估计—— 区间估计的概念 所谓区间估计就是以一定的可靠性给出被估计参数的一个可能的取值范围。 具体做法是找出两个统计量 与 ，使 称为置信区间， 称为置信系数（置信度）， 称为冒险率（测不准的概率），一般取5% 或1%。 对区间估计的形象比喻 我们经常说某甲的成绩“大概80分左右”，可以看成一个区间估计问题。（某甲的成绩 为被估计的参数） 下限 上限 大概80分左右 置信系数（大概准确的程度） 冒险率（显著性水平） Ｐ（７５＜８０＜８５）＝９５％＝１－５％ 区间估计的步骤 找一个含有该参数的统计量； 构造一个概率为　　的事件； 通过该事件的概率解出该参数的区间估计 关于区间估计的说明 在进行区间估计时，应针对不同的情况，采用不同的方法。例如分清分布的形式是已知还是未知；是大样本还是小样本；小样本又得分清是已知方差还是未知方差。充分利用分布信息可以得到较精确的估计。 一般地，　越大置信度越低，反之则反。 第六节 通过样本，估计总体（三）——假设检验 1.假设检验的定义 设总体X的分布函数F(x, )的形式已知，但是其中的参数 未知。现在对参数提出假设： ，然后利用样本值对这个假设作出检验，判断其真伪，这就是参数的假设检验。 设总体X的分布函数形式未知，现在假设它的分布函数为某个指定函数 ，然后利用样本信息进行检验，判断其真伪，这就是非参数的假设检验。 一般研究参数的假设检验问题。 2.原假设与备择假设 原假设：是我们进行统计假设检验欲确定其是否成立的假设——体现进行假设检验的目的，而且往往是希望否定这个假设，一般用H0表示。 备择假设：是原假设的对立面，统计假设检验是二择一的判断，当原假设不成立时，不得不接受它，一般用H1 表示。 3.显著性水平 ?：显著性水平 可以理解为事件显著不可能发生的水平； 可以理解为原假设的数值与真实值显著差异大小的水平； 是小概率事件； 是指犯“第一类错误”（原假设）的可能性； 一般取值很小，0.1，0.05，0.01，0.005….. 4.基本思想：“小概率原理” 数理统计学中的“小概率原理”认为：概率很小的事件在一次抽样试验中几乎是不可能发生的。 小概率事件的构造：找到在原假设成立的条件下，统计量的分布特征，然后根据分位数可以构造一个小概率事件（如后面的图示）。 如果小概率事件发生了。说明出错了，那么，错在那里呢？ 　因为，在整个假设检验过程中，抽样是正确的、统计量的选择是正确的、根据