资料
概率论复习课速览
- 高频痛点：参数估计(80%)、假设检验(93%)
- 核心分布：\(\chi^2(n),\ t(n),\ F(n,m)\) 及其构造关系
- 正态总体三宝：
- \(\bar X\) 与 \(S^2\) 独立
- \(\displaystyle \frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)\)
- \(\displaystyle \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)\)
- 区间估计速查（置信度 \(1-\alpha\)）：
- 均值：\(\bar x\pm t_{\alpha/2}(n-1)\dfrac{s}{\sqrt n}\)
- 方差：\(\displaystyle \Bigl(\frac{(n-1)s^2}{\chi^2_{\alpha/2}},\ \frac{(n-1)s^2}{\chi^2_{1-\alpha/2}}\Bigr)\)
- 假设检验口诀：
“均值用 \(t\)，方差用 \(\chi^2\)，双总体方差比 \(F\) 走起” - 随机过程两问：
- 泊松过程间隔 \(\sim\mathrm{Exp}(\lambda)\)
- 宽平稳 \(\Leftrightarrow\) 均值为常数且 \(R_X(\tau)\) 仅依赖时差
概率论PPT
下面是ShwStone厚颜无耻的宣传自己编写的内容的地方
假设检验
本文梳理经典假设检验的核心逻辑：
1. 以拒绝域 \(R\) 控制第一类错误概率 \(P(X\in R\mid H_0)\le\alpha\)，对第二类错误不设限。
2. 检验结论只有“拒绝 \(H_0\)”或“未能拒绝 \(H_0\)”，不存在“接受”；拒绝即支持备择假设 \(H_1\)。
3. 点值假设 \(H_0:\theta=\theta_0\) 只能作原假设，因备择无界难以控制尺寸。
4. 单侧假设 \(H_0:\theta\le\theta_0\) vs \(H_1:\theta\ge\theta_0\) 不会同时拒绝；若两单侧均未能拒绝，仅说明样本不足。
5. 贝叶斯视角视 \(P(H_0)\) 为先验，可算后验 \(P(H_0\mid X)\)，但先验需人为设定。
假设检验 (Markor)
正态分布统计量的一些问题
本文用线性代数视角重新梳理正态样本的两大核心统计量
的分布与独立性。
- 把样本写成中心化多元正态
其协方差阵为单位阵\(I_n\)。
- 证明\(\bar{X}\)与\(S^2\)独立：
- \(\bar{X}\)仅依赖全1方向\(u=(1,\dots,1)^{\mathsf T}\)；
-
\(S^2\)可写成正交补空间上的二次型
\[ \frac{(n-1)S^2}{\sigma^2}=\mathbf{Z}^{\mathsf T}(I_n-\tfrac{1}{n}uu^{\mathsf T})\mathbf{Z}. \]
因投影矩阵\(I_n-\tfrac{1}{n}uu^{\mathsf T}\)的零空间恰为\(u\)，故两统计量正交投影互补，在多元正态下即独立。
- 分布结果：
全文以特征值分解与二次型几何为核心，澄清了“为何分子分母独立”这一常见疑惑，并顺带揭示主成分分析与正态等高椭圆的内在联系。
正态分布统计量的一些问题 (Markor)
样本方差vs样本中心矩
对正态样本 \(X_1,\dots,X_n\)，最大似然估计（MLE）把均值与方差同时视为待估参数。
- 均值 MLE：\(\hat\mu_{\text{MLE}}=\bar X\)，即样本一阶原点矩。
- 方差 MLE：\(\hat\sigma^2_{\text{MLE}}=\frac1n\sum_{i=1}^n(X_i-\bar X)^2\)，即样本二阶中心矩。
MLE 通过最大化似然函数 \(L(\mu,\sigma^2)\) 得到，不保证无偏，但具有一致性与渐近有效性。
无偏方差估计 \(\hat\sigma^2_{\text{unbiased}}=\frac1{n-1}\sum_{i=1}^n(X_i-\bar X)^2\) 虽消除偏差，却非 MLE。
选择依据：
- 小样本或强调无偏 → 用 \(n-1\) 修正；
- 大样本、关注效率与计算简便 → 保留 MLE（样本中心矩）。