数理统计复习总结.docx

统计量与抽样散布 基本观点：量、本矩、散布函数 体X的本X1，X2，?，Xn，T(X1，X2，?，Xn)即量 本均 X 1 n 2 2 (XiX) 本方差 Sn ni1 *2 1 n 2 (Xi X) 修正本方差 Sn 1i1 本k原点矩Ak 1 n Xik,(k 1,2,...) ni1 本k中心矩Bk 1 n (Xi X)k,(k 1,2,...) ni1 散布函数Fn(x) vn(x),( x ) 其中Vn(x) 表示随机事件{X x}出的次数, n 1F(x)[1 然Vn(x)~B(n,F(x)),有E[Fn(x)] F(x)D[Fn(x)] F(x)] n 充： 2 n 1 DX *2 DX EX 2 DX (EX) 2 ESn n ESn 2 1 n 2 X 2 Sn ni Xi 1 二散布B(n,p): P{X k} Cnkpk(1 p)nk,(k 0,1,...,n) EX=npDX=np(1-p) k 泊松散布P( ): P{X k} e ,(k 0,1,...) k! EX DX 平均散布U(a,b): f(x) 1 ,(a x b) b a b 1 a EX DX (b a)2 2 12 指数散布: f ( x ) e x,( x 0) F () 1 e x,( x 0) x EX 1 DX 1 2 正态散布N( , 2): f(x) 1 exp{ (x )2 } EX DX 2 2 2 2 2 2 2(n2 E(nS2n)n1ESn2 n1 2D(nS2n)2(n1)DSn2 1) 4 n n 当 0时，EX0 EX2 2EX4 34EX 2 DX(1 2)2 统计量：充分统计量、因子分解定理、完备统计量、指数型散布族 T是θ的充分统计量 f(x1,x2,...,xnT t)与θ无关 T是θ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θ的充分统计量 i1 n f(xi; ) C( )exp{b( )T(x1,x2,...,xn)}h(x1,x2,...,xn) T是θ的充分完备统计量 i1 n f(xi; ) C( )exp{b1( )T1(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 抽样散布： 2散布，t散布，F散布，分位数，正态总体样本均值和方差的散布，非正态 总体样本均值的散布 1 x n 2散布： 2 X12 X22 ... Xn2~ 2(n) 1 f(x) n e2x2(x 0) 22 (n) 2 E2 n D 2 2n T散布：T X ~t(n) n 当n2时，ET=0DT 2 Y/n n X F散布：F n1 ~F(n1,n2) 1 F(n2,n1) Y F n2 补充： Z=X+Y的概率密度 fz(z) f(x,z x)dx f(z y,y)dy f(x,y) 是X和Y的结合 概率密度 Z Y f(x,xz)xdx 的概率密度fz(z) X y g(x)的概率密度 fy(y) fx(g 1(y))[g 1(y)] 函数：( ) x 1exdx ( 1) ( ) (n) (n1)!, (1)1 0 B函数：B( ,) x 1(1 x) 1dxB( , ) ( )( ) 1 0 ( ) 序次统计量及其散布：序次统计量、样本中位数 ° X、样本极差R X 的散布密度： fx(k)(x) n! [F(x)] k 1 F(x)] n k f (x),(k 1,2,...,n) (k) (k1)!(n k)! X(1) 的散布密度： fx(1)(x) nf(x)[1 F(x)]n1 (n) 的散布密度： fx(n)(x) nf(x)[F(x)] n 1 X 参数估计 点估计与优秀性：观点、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 的随意一个无偏估计量 $，有D$* D$，则$* 是 的最小方差无偏估计，记 MVUE 相合估计(一致估计):limE n limD$n 0 n n 点估计量的求法：矩估计法、最大似然估计法 矩估计法： ① 求出总体的k阶原点矩:ak EXk xkdF(x;1,2,...,m) ② 解方程组ak 1n Xik(k=1,2,...,m) ，得$k $k(X1,X2,...,Xn)即为所求 ni1 最大似然估计法： n lnL 写出似然函数L() f(xi; )，求出 0 ① lnL及似然方程 i 1 i $ i=1,2,...,m