概率论与数理统计¶
§1 随机事件与概率¶
独立¶
2021年9月22日。
伯恩斯坦（哪位？）反例。给 \(n\) 面体类似地涂上 \(n-1\) 种颜色，相应的事件并不两两独立。
随机事件a、b、c两两独立和相互独立有什么区别？ - 黑夜里的白猫的回答 - 知乎，图自 Borromean rings - Wikipedia。
On the Construction of Independence Counterexamples on JSTOR（Sci-Hub）
§2 随机变量¶
分布¶
2021年10月15日。
二项分布 \(B(n,p)\)¶
（Binomial）
\(n\) 次独立重复试验的成功次数。
- \(n\)：试验次数。
- \(p\)：单次试验成功概率。
- \(q = 1-p\)。
单次试验的成功次数服从 \(B(1,p)\)，称作二点／伯努利（Bernoulli）分布。
超几何分布 \(H(n,M,N)\)¶
（Hypergeometric）
\(n\) 次不放回抽样中“好”的数量。
- \(n\)：样本量。
- \(N\)：总体。
- \(M\)：总体中“好”的数量。
几何分布 \(G(p)\)¶
（Geometric）
独立重复试验中第一次成功时的试验次数。（重复直至成功）
- \(p\)：单次试验成功概率。
- \(q = 1-p\)。
独立重复试验中第 \(r\) 次成功时的试验次数服从负二项（negative binomial）分布 \({NB}(r,p)\)，又名 Pascal 分布。
\({NB}(1,p)\) 即 \({G}(p)\)。
这两个分布的定义都比较混乱，有的指成功次数，有的指失败次数。
泊松分布 \(\pi(\lambda)\)¶
（Poisson，
/ˈpwɑːsɒn/）
一段时间内发生的事件次数。（这种事件以恒定可能性独立发生）
- \(\lambda\)：期望，或者说发生率×时长。
均匀分布 \(U(l,r)\)¶
（Uniform）
指数分布 \(E(\lambda)\)¶
（Exponential）
无后效连续型随机变量。
- \(\lambda\)：\(\eval{\dv{P}{x}}_{x=0^+}\)。
以上 PDF、CDF 仅限 \(x \geq 0\)。
正态分布 \(N(\mu, \sigma^2)\)¶
→中心极限定理。
- \(\mu\)：期望。
- \(\sigma^2\)：方差。
§5 极限定理¶
2021年11月15日。
- 大数定律：算术平均值稳定。
- Chebyshev：独立序列 \(\xi_i\)，\(E\xi_i = \mu_i\)，\(D\xi_i\) 存在且有公共上界，则 \(\bar \xi \overset{P}{\to} \bar \mu\)。
- 伯努利：独立重复试验，\(f \overset{P}{\to} P\)。
- Khintchine（Алекса́ндр Я́ковлевич Хи́нчин）：独立同分布序列 \(\xi_i\)，\(E\xi_i = \mu\)，则 \(\bar\xi \overset{P}{\to} \mu\)。
- 中心极限定理：算术和标准化后的渐近分布是标准正态分布。
- Linderberg – Levy：独立同分布序列 \(\xi_i\)，方差存在，则 \(\sum\xi\) 标准化后服从标准正态分布。
- De Moivre – Laplace：独立重复试验，结论类似。
- Lyapunov（Алекса́ндр Миха́йлович Ляпуно́в）：独立序列，标准差存在且其方均根为 \(B_n\)，同时 \(2+\delta\) 阶中心矩是 \(o(B_n^{2+\delta})\)，则算术和服从标准正态分布。
§6 抽样分布¶
抽样分布¶
2021年11月15日。
抽样分布指样本的统计量的分布。
都需要各个随机变量相互独立。
-
\(\chi^2(n)\)：\(\sum_i \xi_i^2\)，\(\xi_i\) 来自标准正态总体。（Pearson）
\(E\chi^2 = n\)，\(D\chi^2 = 2n\)。（标准正态变量的四阶矩是 \(3\)）
\(n=2\) 时恰为指数分布。
\(\text{PDF} \propto x^{n/2-1} e^{-x/2}\)。
-
\(t(n)\)：\(\frac{\xi}{\sqrt{\chi^2/n}}\)，\(\xi\sim N(0,1)\)，\(\chi^2 \sim \chi^2(n)\)。（W. S. Gosset，student）
\(E\xi=0\)，\(E\frac{\chi}{\sqrt{n}} = 1\)。
\(ET=0\)（\(n \geq 2\)），\(DT = \frac{n}{n-2}\)（\(n\geq 3\)）。
\(\text{PDF} \propto \qty(1+\frac{t^2}{n})^{-(n+1)/2}\)。
-
\(F(m,n)\)：\(\frac{M/m}{N/n}\)，\(M\sim \chi^2(m)\)，\(N\sim\chi^2(n)\)。（Fisher）
\(\text{PDF} \propto x^{\frac{m}{2}-1} \qty(1+\frac{m}{n}x)^{-(m+n)/2}\)。
抽样分布定理¶
2021年11月15日。
\(E\bar\xi = \mu\)，\(D\bar\xi = \frac{1}{n} \sigma^2\)，\(Es^2 = \sigma^2\)。
对于正态总体 \(N(\mu,\sigma^2)\)，\(\bar\xi\) 与 \(s^2\) 独立，且
对于两个相互独立的不同均值、相同方差的正态总体，
\(U \sim N(0,\sigma^2)\)，\(V \sim \sigma^2 \chi^2_{m+n-2}\)。
对于两个相互独立的正态总体，
§7 参数估计¶
无偏与相合¶
2022年11月17日。
probability - Consistency and asymptotically unbiasedness? - Mathematics Stack Exchange.
相合和大数定律有几分相像，而无偏只描述准确性（渐近无偏是更弱的条件）。
即使是渐近无偏和相合，两个概念也没有蕴含关系。
下面用估计值的 μ、σ 举几个比喻式的例子。
- 相合但有偏：μ+σ = 真值，σ = 1/n。（类似例子：样本均值，不过最大的样本多算一遍。）
- 相合但渐近也有偏：估计值取零的概率为 1-1/n，取 n 的概率为 1/n，真值为零。
- 无偏但不相合：μ = 真值，σ = 1。（类似例子：只用第一个样本。）
用切比雪夫不等式能证明：渐近无偏 ∧ 方差收敛到零 ⇒ 相合。
// 是“渐近”，而非“渐进”。
后备箱¶
- 计数时注意是否放回。
- 区分条件和无条件概率。
- 求级数时注意求和范围。
- 注意随机变量的范围，尤其是写概率密度时。
- 求随机变量的函数的概率密度时，注意是否是一一映射。
- 区分概率密度和累积分布。
- 区分泊松分布和指数分布。
- 按定义验证抽样分布时，强调独立性。
- 矩估计时，强调用样本矩代替总体矩。
- 若 \(\xi \sim N(0,1)\)，则 \(-\xi\) 也服从。
- 累积分布是分段函数时，概率密度往往也是。