概率论与数理统计复习一(伽马函数、正态分布、瑞利分布、线性相关、独立) |
您所在的位置:网站首页 › 伽马函数的结论 › 概率论与数理统计复习一(伽马函数、正态分布、瑞利分布、线性相关、独立) |
目录
各种分布正态分布引理
瑞利分布期望与方差
泊松分布期望与方差
指数分布期望与方差指数分布的min、max、和
Z
=
m
i
n
{
X
,
Y
}
Z = min\{X,Y\}
Z=min{X,Y}
Z
=
m
a
x
{
X
,
Y
}
Z = max\{X,Y\}
Z=max{X,Y}
Z
=
X
+
Y
Z = X+Y
Z=X+Y
相关(线性)独立伽马函数性质
大数定律及中心极限定理弱大数定律伯努利大数定律中心极限定理独立同分布
抽样分布样本方差正态总体样本均值与样本方差的分布
χ
2
\chi^2
χ2分布1.
χ
2
\chi^2
χ2分布的可加性2.期望与方差
t
t
t分布对称性
F
F
F分布上分位数
三种分布的一些定理12312
各种分布
正态分布
f ( x ) = 1 2 π σ e x p ( − ( x − μ ) 2 2 σ 2 ) f(x) = \frac{1}{\sqrt{2\pi}\sigma}exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right) f(x)=2π σ1exp(−2σ2(x−μ)2) ϕ ( x ) = 1 2 π e − x 2 2 \phi(x) = \frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}} ϕ(x)=2π 1e−2x2 Φ ( x ) = 1 2 π ∫ − ∞ x e − t 2 2 d t \Phi(x) = \frac{1}{\sqrt{2\pi}}\int\limits_{-\infty}^{x}e^{-\frac{t^2}{2}}dt Φ(x)=2π 1−∞∫xe−2t2dt Φ ( − x ) = 1 − Φ ( x ) \Phi(-x) = 1-\Phi(x) Φ(−x)=1−Φ(x) 若 X i ∼ N ( μ i , σ i 2 ) , 且 他 们 相 互 独 立 , 则 对 于 Z = X 1 + X 2 + ⋯ + X n , Z ∼ N ( μ 1 + μ 2 + ⋯ + μ n , σ 1 2 + σ 2 2 + ⋯ + σ n 2 ) 若X_i\sim N(\mu_i,\sigma^2_i),且他们相互独立,则对于Z = X_1+X_2+\cdots+X_n,Z\sim N(\mu_1+\mu_2+\cdots+\mu_n, \sigma_1^2+\sigma_2^2+\cdots+\sigma_n^2) 若Xi∼N(μi,σi2),且他们相互独立,则对于Z=X1+X2+⋯+Xn,Z∼N(μ1+μ2+⋯+μn,σ12+σ22+⋯+σn2) 引理对于正态分布 X ∼ N ( μ , σ 2 ) X\sim{N(\mu,\sigma^2)} X∼N(μ,σ2) 有 Z = X − μ σ ∼ N ( 0 , 1 ) Z = \frac{X-\mu}{\sigma}\sim{N(0,1)} Z=σX−μ∼N(0,1) 瑞利分布瑞利分布(Rayleigh Distribution):当一个随机二维向量的两个分量呈独立的、均值为0,有着相同的方差的正态分布时,这个向量的模呈瑞利分布。 f ( x ) = x σ 2 e − x 2 2 σ 2 , x > 0 f\left(x\right)=\frac{x}{σ^2}e^{-\frac{x^2}{2σ^2}},x>0 f(x)=σ2xe−2σ2x2,x>0 期望与方差E ( X ) = μ ( X ) = ∫ − ∞ ∞ x f ( x ) d x E\left(X\right)=\mu \left(X\right)=\int _{-\infty }^{\infty }xf\left(x\right)dx E(X)=μ(X)=∫−∞∞xf(x)dx = ∫ 0 ∞ x 2 σ 2 e − x 2 2 σ 2 d x = ∫ 0 ∞ − x d e − x 2 2 σ 2 , ( x > 0 ) =\int _0^{\infty }\frac{x^2}{\sigma ^2}e^{-\frac{x^2}{2\sigma ^2}}dx=\int _0^{\infty }-xde^{-\frac{x^2}{2\sigma ^2}},\left(x>0\right) =∫0∞σ2x2e−2σ2x2dx=∫0∞−xde−2σ2x2,(x>0) = − x e − x 2 2 σ 2 ∣ 0 ∞ + ∫ 0 ∞ e − x 2 2 σ 2 d x =-xe^{^{-\frac{x^2}{2\sigma ^2}}}|_0^{\infty }+\int _0^{\infty }e^{^{-\frac{x^2}{2\sigma ^2}}}dx =−xe−2σ2x2∣0∞+∫0∞e−2σ2x2dx = 0 + 2 π σ ∫ 0 ∞ 1 2 π σ e − x 2 2 σ 2 d x =0+\sqrt{2\pi }\sigma \int _0^{\infty }\frac{1}{\sqrt{2\pi }\sigma }e^{^{-\frac{x^2}{2\sigma ^2}}}dx =0+2π σ∫0∞2π σ1e−2σ2x2dx = 2 π σ × 1 2 = π 2 σ ≈ 1.253 σ =\sqrt{2\pi }\sigma \times \frac{1}{2}=\sqrt{\frac{\pi }{2}}\sigma \approx 1.253\sigma =2π σ×21=2π σ≈1.253σ D ( X ) = E ( X 2 ) − [ E ( X ) ] 2 D\left(X\right)=E\left(X^2\right)-\left[E\left(X\right)\right]^2 D(X)=E(X2)−[E(X)]2 = ∫ 0 ∞ x 3 σ 2 e − x 2 2 σ 2 d x − [ E ( X ) ] 2 =\int _0^{\infty }\frac{x^3}{\sigma ^2}e^{-\frac{x^2}{2\sigma ^2}}dx-\left[E\left(X\right)\right]^2 =∫0∞σ2x3e−2σ2x2dx−[E(X)]2 = ∫ 0 ∞ − x 2 d e − x 2 2 σ 2 − [ E ( X ) ] 2 =\int _0^{\infty }-x^2de^{-\frac{x^2}{2\sigma ^2}}-\left[E\left(X\right)\right]^2 =∫0∞−x2de−2σ2x2−[E(X)]2 = − x 2 e − x 2 2 σ 2 ∣ 0 ∞ + ∫ 0 ∞ e − x 2 2 σ 2 d x 2 − [ E ( X ) ] 2 =-x^2e^{-\frac{x^2}{2\sigma ^2}}|_0^{\infty }+\int _0^{\infty }e^{-\frac{x^2}{2\sigma ^2}}dx^2-\left[E\left(X\right)\right]^2 =−x2e−2σ2x2∣0∞+∫0∞e−2σ2x2dx2−[E(X)]2 = 0 − 2 σ 2 e − x 2 2 σ 2 ∣ 0 ∞ − [ E ( X ) ] 2 =0-2\sigma ^2e^{-\frac{x^2}{2\sigma ^2}}|_0^{\infty }-\left[E\left(X\right)\right]^2 =0−2σ2e−2σ2x2∣0∞−[E(X)]2 = 2 σ 2 − ( π 2 σ ) 2 = 4 − π 2 σ 2 ≈ 0.429 σ 2 =2\sigma ^2-\left(\sqrt{\frac{\pi }{2}}\sigma \right)^2=\frac{4-\pi }{2}\sigma ^2\approx 0.429\sigma ^2 =2σ2−(2π σ)2=24−πσ2≈0.429σ2 泊松分布 期望与方差E ( x ) = λ E(x) = \lambda E(x)=λ D ( x ) = λ D(x) = \lambda D(x)=λ 已 知 X ∼ π ( λ ) , 求 E ( λ k e − λ k ! ) 已知X\sim \pi(\lambda),求E\left(\frac{\lambda^ke^{-\lambda}}{k!}\right) 已知X∼π(λ),求E(k!λke−λ) E ( 1 X + 1 ) = ∑ k = 0 ∞ 1 k + 1 P { X = k } E\left(\frac{1}{X+1}\right) = \sum_{k=0}^{\infty}\frac{1}{k+1}P\{X=k\} E(X+11)=k=0∑∞k+11P{X=k} 指数分布 期望与方差E ( x ) = θ E(x) = \theta E(x)=θ D ( x ) = θ 2 D(x) = \theta^2 D(x)=θ2 指数分布的min、max、和指数分布概率密度为 f X ( x ) = { α e − α x , x > 0 0 , x ≤ 0 f_X(x) = \left\{ \begin{array}{lr} \alpha e^{-\alpha x} & , x>0\\ 0 & , x \le 0 \end{array} \right. fX(x)={αe−αx0,x>0,x≤0 f Y ( y ) = { β e − β y , y > 0 0 , y ≤ 0 f_Y(y) = \left\{ \begin{array}{lr} \beta e^{-\beta y} & , y>0\\ 0 & , y \le 0 \end{array} \right. fY(y)={βe−βy0,y>0,y≤0 指数分布分布函数为 F X ( x ) = { 1 − e − α x , x > 0 0 , x ≤ 0 F_X(x) = \left\{ \begin{array}{lr} 1-e^{-\alpha x} &, x>0\\ 0 &, x \le 0 \end{array} \right. FX(x)={1−e−αx0,x>0,x≤0 F Y ( y ) = { 1 − e − β y , y > 0 0 , y ≤ 0 F_Y(y) = \left\{ \begin{array}{lr} 1-e^{-\beta y} &, y>0\\ 0 &, y \le 0 \end{array} \right. FY(y)={1−e−βy0,y>0,y≤0 Z = m i n { X , Y } Z = min\{X,Y\} Z=min{X,Y}F m a x ( z ) = F X ( z ) F Y ( z ) F_{max}(z) = F_X(z)F_Y(z) Fmax(z)=FX(z)FY(z) 对于独立的两个指数分布 F m i n ( x ) = { 1 − e − ( α + β ) , z > 0 0 , z ≤ 0 F_{min}(x) = \left\{ \begin{array}{lr} 1-e^{-(\alpha+\beta)} &, z>0\\ 0 &, z\le0 \end{array} \right. Fmin(x)={1−e−(α+β)0,z>0,z≤0 f m i n ( x ) = { ( α + β ) e − ( α + β ) , z > 0 0 , z ≤ 0 f_{min}(x) = \left\{ \begin{array}{lr} (\alpha + \beta)e^{-(\alpha+\beta)} &, z>0\\ 0 &, z\le0 \end{array} \right. fmin(x)={(α+β)e−(α+β)0,z>0,z≤0 Z = m a x { X , Y } Z = max\{X,Y\} Z=max{X,Y}F m i n ( z ) = 1 − [ 1 − F X ( z ) ] [ 1 − F Y ( z ) ] F_{min}(z) = 1-\left[1-F_X(z)\right]\left[ 1 - F_Y(z)\right] Fmin(z)=1−[1−FX(z)][1−FY(z)] Z = X + Y Z = X+Y Z=X+Yf X + Y ( z ) = ∫ − ∞ ∞ f ( z − y , y ) d y f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f(z-y,y)\,\mathrm{d}y fX+Y(z)=−∞∫∞f(z−y,y)dy f X + Y ( z ) = ∫ − ∞ ∞ f ( x , z − x ) d x f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f(x,z-x)\,\mathrm{d}x fX+Y(z)=−∞∫∞f(x,z−x)dx 独立时,有卷积公式 f X ∗ f Y = f X + Y ( z ) = ∫ − ∞ ∞ f X ( z − y ) f Y ( y ) d y = ∫ − ∞ ∞ f X ( x ) f Y ( z − x ) d x f_X * f_Y = f_{X+Y}(z) = \int\limits_{-\infty}^{\infty}f_X(z-y)f_Y(y)\,\mathrm{d}y = \int\limits_{-\infty}^{\infty}f_X(x)f_Y(z-x)\,\mathrm{d}x fX∗fY=fX+Y(z)=−∞∫∞fX(z−y)fY(y)dy=−∞∫∞fX(x)fY(z−x)dx f ( z ) = { ( α β β − α ) ( e − α z − e − β z ) , z > 0 0 , z ≤ 0 f(z) = \left\{ \begin{array}{lr} (\frac{\alpha\beta}{\beta-\alpha})\left(e^{-\alpha z}-e^{-\beta z} \right)&, z>0\\ 0 &, z\le0 \end{array} \right. f(z)={(β−ααβ)(e−αz−e−βz)0,z>0,z≤0 f ( z ) = { ( 1 1 α − 1 β ) ( e − α z − e − β z ) , z > 0 0 , z ≤ 0 f(z) = \left\{ \begin{array}{lr} \left(\frac{1}{\frac{1}{\alpha}-\frac{1}{\beta}}\right)\left(e^{-\alpha z}-e^{-\beta z} \right)&, z>0\\ 0 &, z\le0 \end{array} \right. f(z)={(α1−β11)(e−αz−e−βz)0,z>0,z≤0 相关(线性)ρ X Y = C o v ( X , Y ) D ( X ) D ( Y ) = 0 \rho_{XY} = \frac{Cov{(X,Y)}}{\sqrt{D(X)}\sqrt{D(Y)}}=0 ρXY=D(X) D(Y) Cov(X,Y)=0 E ( X , Y ) = E ( X ) E ( Y ) E(X,Y) = E(X)E(Y) E(X,Y)=E(X)E(Y) C o v ( X , Y ) = 0 Cov(X,Y)=0 Cov(X,Y)=0 D ( X , Y ) = D ( x ) + D ( Y ) D(X,Y) = D(x)+D(Y) D(X,Y)=D(x)+D(Y) 独立P { X ≤ x , Y ≤ y } = P { X ≤ x } P { X ≤ x , Y ≤ y } P\{X\leq x,Y\leq y\} = P\{X\leq x\}P\{X\leq x,Y\leq y\} P{X≤x,Y≤y}=P{X≤x}P{X≤x,Y≤y} F ( x , y ) = F x ( x ) F y ( y ) F(x,y) = F_x(x)F_y(y) F(x,y)=Fx(x)Fy(y) f ( x , y ) = f X ( x ) f Y ( y ) 在 平 面 上 几 乎 处 处 成 立 f(x,y) = f_X(x)f_Y(y)在平面上几乎处处成立 f(x,y)=fX(x)fY(y)在平面上几乎处处成立 伽马函数伽玛函数(Gamma函数),也叫欧拉第二积分,是阶乘函数在实数与复数上扩展的一类函数。该函数在分析学、概率论、偏微分方程和组合数学中有重要的应用。与之有密切联系的函数是贝塔函数,也叫第一类欧拉积分,可以用来快速计算同伽马函数形式相类似的积分。 Γ ( x ) = ∫ 0 + ∞ t x − 1 e − t d t ( x > 0 ) \Gamma(x) = \int\limits_{0}^{+\infty}t^{x-1}e^{-t}dt (x>0) Γ(x)=0∫+∞tx−1e−tdt(x>0) 性质Γ ( x + 1 ) = x Γ ( x ) \Gamma(x+1) = x\Gamma(x) Γ(x+1)=xΓ(x) Γ ( n ) = ( n − 1 ) ! \Gamma(n) = (n-1)! Γ(n)=(n−1)! 大数定律及中心极限定理 弱大数定律设 X 1 , X 2 , ⋯ 是 相 互 独 立 的 , 服 从 同 一 分 布 的 , 随 机 变 量 序 列 , 且 E ( X k ) = μ . 设X_1, X_2, \cdots是相互独立的,服从同一分布的,随机变量序列,且E(X_k) = \mu. 设X1,X2,⋯是相互独立的,服从同一分布的,随机变量序列,且E(Xk)=μ. 作 前 n 个 变 量 的 算 数 平 均 1 n ∑ k = 1 n X k , 则 对 于 任 意 的 ε > 0 , 有 作前n个变量的算数平均\frac{1}{n}\sum_{k=1}^n X_k,则对于任意的\varepsilon>0,有 作前n个变量的算数平均n1k=1∑nXk,则对于任意的ε>0,有 lim n → ∞ P { ∣ 1 n ∑ k = 1 n X k − μ ∣ < ε } = 1 \begin{aligned} \lim_{n\to \infty} P{\left\{\left \vert {\frac{1}{n}\sum_{k=1}^{n}X_k-\mu} \right \vert< \varepsilon \right\}}=1 \end{aligned} n→∞limP{∣∣∣∣∣n1k=1∑nXk−μ∣∣∣∣∣∣∣∣∣∣k=1∑nnfA−p∣∣∣∣∣≥ε}=0 中心极限定理 独立同分布E ( X k ) = μ , D ( X k ) = σ 2 > 0 E(X_k) = \mu,D(X_k) = \sigma^2>0 E(Xk)=μ,D(Xk)=σ2>0 随 机 变 量 之 和 ∑ k = 1 n X k 的 标 准 化 变 量 Y n = ∑ k = 1 n X k − n μ n σ 随机变量之和\sum_{k=1}^nX_k的标准化变量Y_n=\frac{\sum_{k=1}^nX_k-n\mu}{\sqrt{n}\sigma} 随机变量之和k=1∑nXk的标准化变量Yn=n σ∑k=1nXk−nμ 抽样分布1 2 π ∫ − ∞ ∞ t 2 e − t 2 / 2 \frac{1}{\sqrt{2\pi}}\int\limits_{-\infty}^{\infty}t^2e^{{-t^2}/{2}} 2π 1−∞∫∞t2e−t2/2 样本方差S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ) ˉ 2 = 1 n − 1 ∑ i = 1 n ( X i 2 + X ˉ 2 − 2 X i X ˉ ) S^2 =\frac{1}{n-1}\sum_{i=1}^{n}{(X_i-\bar{X)}^2} =\frac{1}{n-1}\sum_{i=1}^{n}{(X_i^2 + \bar{X}^2 - 2X_i\bar{X})} S2=n−11i=1∑n(Xi−X)ˉ2=n−11i=1∑n(Xi2+Xˉ2−2XiXˉ) = 1 n − 1 ( ∑ i = 1 n X i 2 − n X ˉ 2 ) = \frac{1}{n-1}\left ({\sum_{i=1}^{n}{X_i^2-n \bar{X}^2} }\right) =n−11(i=1∑nXi2−nXˉ2) 正态总体样本均值与样本方差的分布E ( X ˉ ) = μ E(\bar X) = \mu E(Xˉ)=μ D ( X ˉ ) = 1 n σ 2 D(\bar X) = \frac{1}{n}\sigma^2 D(Xˉ)=n1σ2 E ( X ˉ 2 ) = D ( X ˉ ) + E ( X ˉ ) 2 = μ 2 + σ 2 n E({\bar X}^2) = D(\bar X) + E(\bar X)^2 = \mu^2 + \frac{\sigma^2}{n} E(Xˉ2)=D(Xˉ)+E(Xˉ)2=μ2+nσ2 E ( S 2 ) = σ 2 E(S^2) = \sigma^2 E(S2)=σ2 χ 2 \chi^2 χ2分布χ 2 = X 1 2 + X 2 2 + ⋯ + X n 2 \chi^2 = X_1^2 + X_2^2 + \cdots + X_n^2 χ2=X12+X22+⋯+Xn2 1. χ 2 \chi^2 χ2分布的可加性χ 1 2 + χ 2 2 ∼ χ 2 ( n 1 + n 2 ) \chi_1^2+\chi_2^2 \sim \chi^2(n_1+n_2) χ12+χ22∼χ2(n1+n2) 2.期望与方差E ( χ 2 ) = n E(\chi^2) = n E(χ2)=n D ( χ 2 ) = 2 n D(\chi^2) = 2n D(χ2)=2n Y = ( X 1 + X 2 ) 2 + ( X 3 + X 4 ) 2 Y = (X_1+X_2)^2+(X_3+X_4)^2 Y=(X1+X2)2+(X3+X4)2 t t t分布设 X ∼ N ( 0 , 1 ) , Y ∼ χ 2 ( n ) , 且 X , Y 相 互 独 立 设X\sim N(0,1),Y\sim \chi^2(n),且X,Y相互独立 设X∼N(0,1),Y∼χ2(n),且X,Y相互独立 t = X Y / n 服 从 自 由 度 为 n 的 t 分 布 t ∼ t ( n ) t = \frac{X}{\sqrt{Y/n}}服从自由度为n的t分布t\sim t(n) t=Y/n X服从自由度为n的t分布t∼t(n) 对称性由对称性可知,上 α \alpha α 分位数 t 1 − a ( n ) = − t a ( n ) t_{1-a}(n)=-t_a(n) t1−a(n)=−ta(n) F F F分布设 U ∼ χ 2 ( n 1 ) , V ∼ χ 2 ( n 2 ) , 且 U , V 相 互 独 立 , 则 随 机 变 量 设U \sim \chi^2(n_1),V \sim \chi^2(n_2),且U,V相互独立,则随机变量 设U∼χ2(n1),V∼χ2(n2),且U,V相互独立,则随机变量 F = U / n 1 V / n 2 F = \frac{U/n_1}{V/n_2} F=V/n2U/n1 服 从 自 由 度 为 ( n 1 , n 2 ) 的 F 分 布 , 记 为 F ∼ F ( n 1 , n 2 ) 服从自由度为(n_1,n_2)的F分布,记为F\sim F(n_1, n_2) 服从自由度为(n1,n2)的F分布,记为F∼F(n1,n2) 上分位数1 F ∼ F ( n 2 , n 1 ) \frac{1}{F} \sim F(n_2,n_1) F1∼F(n2,n1) F 1 − a ( n 1 , n 2 ) = 1 F a ( n 2 , n 1 ) F_{1-a}(n_1,n_2) = \frac{1}{F_a(n_2,n_1)} F1−a(n1,n2)=Fa(n2,n1)1 三种分布的一些定理设 X 1 , X 2 , ⋯ X n 是 来 自 正 态 总 体 N ( μ , σ 2 ) 的 样 本 , X ˉ 是 样 本 均 值 , 则 : 设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,则: 设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,则: X ˉ ∼ ( μ , σ 2 n ) \bar X \sim (\mu,\frac{\sigma^2}{n}) Xˉ∼(μ,nσ2) 1设 X 1 , X 2 , ⋯ X n 是 来 自 正 态 总 体 N ( μ , σ 2 ) 的 样 本 , X ˉ 是 样 本 均 值 , S 2 是 样 本 方 差 , 则 : 设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,S^2是样本方差,则: 设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,S2是样本方差,则: ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1) σ2(n−1)S2∼χ2(n−1) X ˉ 与 S 2 相 互 独 立 \bar{X}与S^2相互独立 Xˉ与S2相互独立 2设 X 1 , X 2 , ⋯ X n 是 来 自 正 态 总 体 N ( μ , σ 2 ) 的 样 本 , X ˉ 是 样 本 均 值 , S 2 是 样 本 方 差 , 则 : 设X_1,X_2,\cdots X_n是来自正态总体N(\mu,\sigma^2)的样本,\bar X是样本均值,S^2是样本方差,则: 设X1,X2,⋯Xn是来自正态总体N(μ,σ2)的样本,Xˉ是样本均值,S2是样本方差,则: X ˉ − μ S / n ∼ t ( n − 1 ) \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1) S/n Xˉ−μ∼t(n−1) 证明(标准正态分布除以卡方分布配(n-1)即可): X ˉ − μ σ / n / ( n − 1 ) S 2 ( n − 1 ) σ 2 {\frac{\bar X-\mu}{\sigma/\sqrt n}}/\sqrt{\frac{(n-1)S^2}{(n-1)\sigma^2}} σ/n Xˉ−μ/(n−1)σ2(n−1)S2 3设 X 1 , X 2 , ⋯ , X n 与 Y 1 , Y 2 , ⋯ , Y n 分 别 是 来 自 正 态 总 体 分 布 N ( μ 1 , σ 1 2 ) 和 N ( μ 2 , σ 2 2 ) 的 样 本 , 且 两 个 样 本 相 互 独 立 设X_1,X_2,\cdots,X_n与Y_1,Y_2,\cdots,Y_n分别是来自正态总体分布N(\mu_1,\sigma_1^2)和N(\mu_2,\sigma_2^2)的样本,且两个样本相互独立 设X1,X2,⋯,Xn与Y1,Y2,⋯,Yn分别是来自正态总体分布N(μ1,σ12)和N(μ2,σ22)的样本,且两个样本相互独立 1S 1 2 / S 2 2 σ 1 2 / σ 2 2 ∼ F ( n 1 − 1 , n 2 − 1 ) \frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2}\sim F(n_1-1, n_2-1) σ12/σ22S12/S22∼F(n1−1,n2−1) 2当 σ 1 2 = σ 2 2 = σ 2 时 当\sigma_1^2 = \sigma_2^2 = \sigma^2时 当σ12=σ22=σ2时 ( X ˉ − Y ˉ ) − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 ∼ t ( n 1 + n 2 − 2 ) \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2) Swn11+n21 (Xˉ−Yˉ)−(μ1−μ2)∼t(n1+n2−2) S w 2 = ( n 1 − 1 ) S 1 2 + ( n 2 − 1 ) S 2 2 n 1 + n 2 − 2 S_w^2 = \frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2} Sw2=n1+n2−2(n1−1)S12+(n2−1)S22 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |