FS 核心易错点 — ALevel Atlas · A-Level 学习图谱

CH5 生成函数（Generating Functions）

生成函数的基本概念与应用

生成函数是一种强大的工具，用于处理离散随机变量的概率分布。通过生成函数，我们可以方便地计算期望、方差等统计量，并且可以处理多个独立随机变量的和。

定义： $\begin{aligned}&= G_X(t) \ &= \sum_{k=0}^{\infty} P(X = k)t^k\end{aligned}$
关键应用：
众数(mode)：使 P(X = k) 最大的 k
独立变量和：G_{X+Y}(t) = G_X(t) \cdot G_Y(t)
线性变化：G_{aX+b}(t) = t^b G_X(t^a)
期望：直接看公示表
潜在难点：理论上题目可以给一个分布或者一个描述，然后你要机智地算出对应的每一个概率，然后根据定义写出自己的 G_X(t)。

例如：几何分布： $\begin{aligned}&= G_X(t) \ &= \frac{pt}{1 - (1 - p)t}\end{aligned}$

但本质还是概率是系数，指数是值，剩下的都是老套路很 ez~

CH1 概率密度函数与累积分布函数

PDF → 积分 → CDF → 求逆 → 分位数

基本概念

概率密度函数（PDF） f(x) ，满足 $\begin{aligned}&= \int_{-\infty}^{\infty} f(x)\,dx \ &= 1\end{aligned}$
累积分布函数（CDF） F(x) = \int_{-\infty}^{x} f(t)\,dt 【从 0 到 1】

期望值与方差

期望： $\begin{aligned}&= E(X) \ &= \int_{-\infty}^{\infty} x\,f(x)\,dx\end{aligned}$
二阶矩： $\begin{aligned}&= E(X^2) \ &= \int_{-\infty}^{\infty} x^2\,f(x)\,dx\end{aligned}$
方差： $\begin{aligned}&= \text{Var}(X) \ &= E(X^2) - [E(X)]^2\end{aligned}$
变形 e.g.： $\begin{aligned}&= \text{Var}(\sqrt{X}) \ &= E(X) - [E(\sqrt{X})]^2 \ &= \int_{-\infty}^{\infty} x f(x)\,dx - \left( \int_{-\infty}^{\infty} \sqrt{x}\,f(x)\,dx \right)^2\end{aligned}$

变量变换

虽然从来没有考过，但是书上出现过，就是注意 Y 和 X 转化时候，绕 F(Y) 和 F(X) 时候，可能要 1 减。

例如： F(X) = X^2 ，换元 Y = \dfrac{1}{X} ，则 $\begin{aligned}&= G(Y) \ &= 1 - \frac{1}{Y^2}\end{aligned}$

因为当比如 X < 2 时候，其实 Y > 1/2 ，所以要 1 减一下。

三种检测：T/Z

Normal Distribution

类型	情况	公式
One sample		\frac{\bar{x}-\mu}{s/\sqrt{n}} \sim t_{n-1}
Two sample	n \leq 30	\frac{(\bar{x}-\bar{y})-(\mu_x-\mu_y)}{S_p\sqrt{\frac{1}{n_x}+\frac{1}{n_y}}} \sim t_{n_x+n_y-2}
	n \geq 30	\frac{(\bar{x}-\bar{y})-(\mu_x-\mu_y)}{\sqrt{\frac{s_x^2}{n_x}+\frac{s_y^2}{n_y}}} \sim Z \sim N(0,1)
Before & After	paired sample T	\frac{d-k}{s_d/\sqrt{n}} \sim t_{n-1} where H_0: \mu_e = k

注意事项

注意 S_d 的公式在公式纸有
题目给你 \sum x, \sum y^2 这种，一般都是 two sample z。有些题目很阴险，一定一组数据分两次，那就是 one sample，然后也是老样子去求。
paired 不用特意去记，减完就是正常的 one sample。然后一般 paired 一定会有个 before after 之类的对应关系。
C.I. 就是反过来，也不用特意去记
题目 one tail 还是 two tail 看最后提出质疑的人是想说 more 还是 not equal to

Confidence Interval = $100(\alpha - 1)\%$

类型	情况	公式
One sample		\bar{x} \pm (t_{n-1,\alpha}) \cdot \frac{s}{\sqrt{n}}
Two sample	n \leq 30	(\bar{x} - \bar{y}) \pm (t_{\alpha,n_x+n_y-2}) \cdot S_p\sqrt{\frac{1}{n_x}+\frac{1}{n_y}}
	n \geq 30	(\bar{x} - \bar{y}) \pm (z_\alpha) \cdot \sqrt{\frac{s_x^2}{n_x}+\frac{s_y^2}{n_y}}
Before & After		d \pm (t_{\alpha,n-1}) \cdot \frac{s_d}{\sqrt{n}}

Chi Square

$\begin{aligned}&= \chi^2 \ &= \sum \frac{(O - E)^2}{E} \quad \text{for all}\end{aligned}$

没有 one or two tail
注意所有类型的，期待值不到 5 都要合并
注意 df 的计算

分布类型	自由度（df）公式
Binomial	\nu = n - 1 if p not estimated \nu = n - 2 if p estimated
Poisson	\nu = n - 1 if \lambda not estimated \nu = n - 2 if \lambda estimated
Normal	\nu = n - 1 if \mu and \sigma^2 not estimated \nu = n - 2 if \mu or \sigma^2 estimated \nu = n - 3 if \mu and \sigma^2 estimated

期望值： \dfrac{\text{该行的和} \times \text{该列的和}}{\text{总和}} （原理是默认行和列之间分布互不影响）
DF：(行数 - 1) × (列数 - 1) 【合并后的】

三种检测：Wilcoxon

基本根据公式纸走即可，除了一开始的 signed test 没有：

Signed test

N_+ = \text{number of } + \text{ signs},\ N_- = \text{number of } - \text{ signs}
T = \min(N_+, N_-)
Perform B(T, 0.5),\ P(X \leq T)

对应的 normalization

Let S = \min(\text{number of } + \text{ signs},\ \text{number of } - \text{ signs}) , then \mathbb{E}(S) = \frac{n}{2},\ \mathrm{Var}(S) = \frac{n}{4} .

For large n (> 10) , T \sim \mathcal{N}\left( \frac{n}{2}, \frac{n}{4} \right) , we can use the normal approximation of the binomial with p = 0.5 . We must also make sure that we use a continuity correction. As we are approximating a discrete distribution with a continuous distribution, our z-value is: $\begin{aligned}&= z \ &= \frac{S^+ - \mu + 0.5}{\sigma}\end{aligned}$

最后各自常考的假设

T-test: underlying data is normally distributed
Wilcoxon: underlying data is symmetric
全部都有的: independent