当前课程知识点:概率论与数理统计 >  第十五周 参数的区间估计 >  区间估计的构造方法 >  15.2 区间估计的构造方法

返回《概率论与数理统计》慕课在线视频课程列表

15.2 区间估计的构造方法在线视频

15.2 区间估计的构造方法

下一节:15.3 两个正态总体的区间估计

返回《概率论与数理统计》慕课在线视频列表

15.2 区间估计的构造方法课程教案、知识点、字幕

置信系数为0.95的估计区间为7.282到7.393

参数区间估计的两个基本要求

一个是未知参数 theta

要以尽可能大的概率落在随机区间I中

另一个是在达到一定的置信水平的前提下

要求区间的长度尽可能小

也就是置信水平尽可能高

置信区间尽可能短

例如

估计某个人年龄在20至60岁之间

置信水平会接近100%

但是这么宽的范围

给出的估计没有实际意义

如果估计区间只有1、2岁的差异

而准确度能够达到90%以上

相比之下

这样的估计是更受欢迎比较有效

参数区间估计的标准做法是所谓的

枢轴量法

下面以双侧置信区间为例

给出区间估计的枢轴量法的具体实现步骤

第1步

构造枢轴量G

G是一个随机变量

是样本X1、X2、Xn和被估参数theta的函数

而且

随机变量G的分布为确定的已知分布

不能依赖于任何未知参数

第2步

适当地选取两个常数c和d

使得对给定的大于0小于1的常数alpha

有随机变量落在c和d之间的概率

不小于1减alpha

这一步是保证区间估计的置信水平

达到1减alpha

第3步

求解不等式

关于X1、X2、Xn与参数theta的函数G

大于等于c小于等于d

解出用X1、X2、Xn表示的theta的不等式关系

即解出使得G落在c和d之间的

参数theta的取值范围

theta的上下限是两个统计量

是X1、X2、Xn的函数

都是随机变量

也就是参数theta落在这个随机区间的概率

不小于1减alpha

就得到了

参数theta的置信水平1减alpha的置信区间

看一个例题

总体服从正态分布

方差sigma方已知

期望mu未知

X1、X2、Xn是简单随机样本

求参数mu的1减alpha置信区间

先构造枢轴量

点估计量往往是区间估计的基础

区间估计的随机区间

常常是依据点估计量展开的

被估参数mu的一个点估计量为样本均值

样本均值X一拔服从期望是mu

方差是n分之sigma方的正态分布

这一分布包含了未知参数

进一步考虑将其标准化

即可得到标准正态分布

就是一个不依赖被估参数的已知分布

可做枢轴量

具体地

将X一拔标准化

用X一拔减mu再除以标准差

根号n分之sigma方

经过整理得到根号n倍的X一拔减mu除以sigma

服从标准正态分布

显然G是样本和被估参数mu的函数

而且G的分布不依赖任何未知参数

所以G可作为枢轴量

选取了枢轴量G

再选取适当的常数c和d

使得枢轴量在c和d之间的概率

不小于1减alpha

因为区间长度越短越好

所以只要有可能

人们就取枢轴量在c和d之间的概率

恰好等于1减alpha

可取d等于标准正态分布的

1减2分之alpha分位点

c等于标准正态分布的2分之alpha分位点

由于对称性u、2分之alpha

就等于负的u 1减2分之alpha

这样就得到了参数mu的1减alpha置信区间

mu大于等于X一拔减u

1减2分之alpha乘sigma分之根号n

小于等于X一拔加

u 1减2分之alpha乘sigma分之根号n

介绍一下枢轴量不等式中c和d的取法

c和d的取值应该使得置信区间的长度

尽可能短

使得置信区间达到最小的c和d的取值

为其最优值

当枢轴量的密度函数为对称函数时

即枢轴量为对称分布时

可以证明

c和d的最优取值分别是

枢轴量G的分布函数的2分之alpha分位点

和1减2分之alpha分位点

证明这个结论要用到的方法已经

超出了本课程适用的范围

所以我们只给出结论

而当枢轴量的分布为非对称分布时

比如卡方分布

F分布

通常也取枢轴量分布的

2分之alpha分位点和1减2分之alpha分位点

置信区间长度往往也会接近于可能达到的

最短的置信区间长度

在上一个例子

例15.2.1中

c和d分别取正负标准正态分布的

1减2分之alpha分位点

就采用的是c、d的最佳取值

第13周的第4讲介绍卡方分布时

列出了三个重要结论

这个定理也称为统计抽样定理

我们在下面构造区间估计的枢轴量的时候

要用到这几个结论

所以在这里面再复习一下

正态总体的样本均值和样本方差相互独立

样本均值服从期望为mu

方差为n分之sigma方的正态分布

n-1倍的S方除以sigma方

服从自由度n-1的卡方分布

正态总体

期望和方差均未知

X1、X2、Xn是来自于该总体的样本

求方差sigma方的1减alpha置信区间

正态总体的样本方差满足

n-1倍的样本方差除以总体方差sigma方

服从n-1个自由度的卡方分布

n-1个自由度的卡方分布

不依赖任何未知参数

而且n-1倍的样本方差除以

总体方差sigma方本身就是样本

和被估参数sigma方的函数

所以这是一个现成的枢轴量

以此为枢轴量

得到枢轴量大于等于n-1自由度的

卡方分布的2分之alpha分位点

小于等于1减2分之alpha分位点的概率

等于1减alpha

从枢轴量不等式解出置信区间的上下限

得到

总体方差sigma方的

1减alpha置信区间

n-1倍的S方

除以n-1自由度的卡方分布的

1减2分之alpha分位点

到n-1倍的S方

除以n-1自由度的卡方分布的

2分之alpha分位点

正态总体

期望和方差均未知

X1、X2、Xn是来自该总体的样本

求期望mu的1减alpha置信区间

首先考虑样本均值

样本均值服从参数为mu

方差为n分之sigma方的正态分布

将样本均值变换为标准正态分布

得到根号n倍的X一拔减mu

除以sigma

总体方差已知时

这个量即可作为枢轴量

但是

现在总体方差未知

这个标准正态分布中除了被估参数

还有其他未知量

不能作为枢轴量

需要进一步想办法来构造枢轴量

正态总体方差未知时

估计期望的枢轴量可通过t分布构造

刚才已经得到了

根号n倍的X一拔减mu

除以sigma服从标准正态分布

另外

对正态总体

n-1倍的样本方差

除以sigma方服从n-1个自由度的卡方分布

同时考虑这两个结果

并且注意到

正态总体的样本均值和样本方差是相互独立的

而现在考虑的标准正态分布和

n-1个自由度的卡方分布

分别是通过样本均值和样本方差构造的

所以它们也是相互独立的

相互独立的标准正态分布

与卡方分布除以自由度后开平方

它们相除

即得到t分布随机变量

而在相除过程中

分母中的sigma方开方后

正好与分子中的sigma约掉了

未知的参数sigma被约掉了

剩下根号n乘X一拔减mu

除以样本标准差S

服从n-1个自由度的t分布

显然

这个t分布随机变量是样本和被估参数mu的函数

而且分布不依赖任何未知参数

所以可作为枢轴量

利用刚才构造的t分布枢轴量

确定方差未知时

期望mu的1减alpha置信区间

枢轴量根号n乘X一拔减mu

除以样本标准差S大于等于

n-1自由度的t分布2分之alpha分位点

小于等于n-1自由度的t分布

1减2分之alpha分位点的概率

等于1减alpha

求解不等式

得到参数mu的1减alpha置信区间为

X一拔减根号n分之S乘

n-1自由度的t分布1减2分之alpha分位数

到X一拔加根号n分之S乘

n-1自由度的t分布1减2分之alpha分位数

假设工厂生产的产品的质量服从正态分布

为了估计所生产的产品的平均质量

现在呢从所生产的产品中随机的抽取9件

用一台天平测量

测得结果分别为7.32克、7.37克,、7.24克等等

试求产品平均质量的0.95置信区间

下面进行估计

假设产品的质量服从期望为mu

方差为sigma方的正态分布

mu和sigma方的值都未知

我们把正态总体方差未知时

对期望进行区间估计的

枢轴量的构造再写一遍

这个t分布的构造过程

希望同学们熟练的掌握

这个过程反映了t分布的构造方法

还蕴含的一般意义

是很巧妙的

由正态总体的样本均值和样本方差

分别可以构造出标准正态分布和卡方分布

并且都含有sigma

这就启发人们利用这两个式子

将未知的sigma相互抵消掉

事实上

将卡方开平方再和标准正态分布相除

就可以做到

所以用正态分布除以卡方的开平方

而且分子分母是相互独立的

两个相互独立的已知分布相除

其分布也必然可以确定

即使确定的过程比较复杂

也是值得的

因为这样的构造将sigma未知

这个本质的困难克服掉了

只要肯花力气

t分布的分布函数总是可以得到的

而且费力气的工作只需要做一次

算出来后编成表格

以后就都可以方便的使用了

t分布的概念是戈赛特提出的

他是20世纪初几个最重要的统计学家之一

他为人很谦虚

一直使用student作为笔名

t分布的名称就是从这个笔名得来的

同时

这也是t分布有时被称为学生氏分布的原因

构造出了枢轴量

具体的区间估计式就很容易得到了

参数mu的1减alpha置信区间为

X一拔加减根号n分之S乘以

n-1自由度t分布的1减2分之alpha分位点

有了区间估计的具体公式

下面只要算出此次抽样的样本均值

和样本方差的取值即可

样本均值在这组观测值下的取值为7.338

样本方差在这一组观测值下的取值

为5.19乘10的-3次方

样本标准差得观测值小s等于0.072

代入公式得到参数mu的

置信系数为0.95的估计区间为7.282到7.393。

概率论与数理统计课程列表:

第一周:随机事件及其概率运算

-随机试验与随机事件

--1.1 随机试验与随机事件

-古典概型

--1.2 古典概型

--第一周:古典概型

-事件间的关系与事件的运算

--1.3 事件间的关系与事件的运算

--第一周:事件间的关系与事件的运算

-两个著名的例子

--1.4 两个著名的例子

--第一周:两个著名的例子

-讲义

第二周:条件概率和独立性

-条件概率

--2.1 条件概率

--第二周:条件概率

-有关条件概率的三个重要计算公式

--2.2 条件概率的三个重要计算公式

--第二周:有关条件概率的三个重要计算公式

-事件的独立性

--2.3 事件的独立性

--第二周:事件的独立性

-应用实例

--2.4 应用实例

--第二周:应用实例

-网球比赛胜率的计算

--Video

-讲义

第三周:随机变量

-随机变量及分布函数

--3.1.随机变量及分布函数

--第三周:随机变量及分布函数

-离散型与连续型随机变量

--3.2 离散型随机变量

--第三周:离散型与连续型随机变量

-分布函数的性质与特殊的例子

--3.3 分布函数的性质与特殊的例子

--第三周:分布函数的性质与特殊的例子

-概率论所需微积分要点回顾

--3.4 概率论所需微积分要点回顾

--第三周:概率论所需微积分要点回顾

-讲义

第四周:常见随机变量

-二项分布与负二项分布

--4.1 二项分布与负二项分布

--第四周:二项分布与负二项分布

-泊松分布

--4.2 泊松分布

--第四周:泊松分布

-几何分布与指数分布

--4.3 几何分布与指数分布

--第四周:几何分布与指数分布

-正态分布

--4.4 正态分布

--第四周:正态分布

-讲义

第五周:随机变量函数的分布及随机变量的数字特征

-随机变量函数的分布

--5.1 随机变量函数的分布

--第五周:随机变量函数的分布

-随机变量的数学期望

--5.2 随机变量的数学期望

--第五周:随机变量的数学期望

-随机变量的方差

--5.3 随机变量的方差

--第五周:随机变量的方差

-原点矩与中心矩

--5.4 原点矩与中心矩

--第五周:原点矩与中心矩

-期望和方差的一些补充性质

--5.5 期望和方差的一些补充性质

--第五周:期望和方差的一些补充性质

-讲义

第六周:常见随机变量的期望方差和应用实例

-二项分布与泊松分布的期望与方差

--6.1二项分布与泊松分布的期望与方差

--第六周:二项分布与泊松分布的期望与方差

-几何分布的期望与方差

--6.2 几何分布的期望与方差

--第六周:几何分布的期望与方差

-均匀、指数和正态分布的期望与方差

--6.3 均匀、指数和正态分布的期望与方差

--第六周:均匀、指数和正态分布的期望与方差

-随机变量数学期望的应用实例

--6.4 随机变量数学期望的应用实例

--第六周:随机变量数学期望的应用实例

-快速排序算法的平均计算量分析

--Video

-讲义

第七周:多维随机变量,独立性

-多维随机变量

--7.1. 多维随机变量

-第七周:多维随机变量

-常见多维随机变量举例

--7.2. 常见多维随机变量举例

--第七周:常见多维随机变量举例

-随机变量的独立性

--7.3 随机变量的独立性

--第七周:随机变量的独立性

-独立随机变量期望和方差的性质

--7.4 独立随机变量期望和方差的性质

--第七周:独立随机变量期望和方差的性质

-讲义

第八周:条件分布与条件期望

-条件分布

--8.1条件分布

--第八周:条件分布

-条件期望

--8.2 条件期望

--第八周:条件期望

-全期望公式(上)

--8.3 全期望公式(上)

--第八周:全期望公式(上)

-全期望公式(下)

--8.4 全期望公式(下)

--第八周:全期望公式(下)

-讲义

第九周 协方差与相关系数

-随机变量函数的期望

--9.1. 随机变量函数的期望

--第九周:随机变量函数的期望

-协方差

--9.2 协方差

--第九周:协方差

-相关系数

-- 9.3 相关系数

--第九周:相关系数

-相关与独立

--9.4 相关与独立

--第九周:相关与独立

-讲义

第十周 独立随机变量和的分布与顺序统计量

-独立随机变量和的分布

--10.1. 独立随机变量和的分布

--第十周:独立随机变量和的分布

-独立正态分布和的分布

--10.2 独立正态分布和的分布

--第十周:独立正态分布和的分布

-最大值、最小值分布

--10.3 最大值、最小值分布

--第十周:最大值、最小值分布

-顺序统计量

--10.4 顺序统计量

--第十周:顺序统计量

-讲义

第十一周 正态分布专题

-正态分布的相关与独立

--11.1 正态分布的相关与独立

--第十一周:正态分布的相关与独立

-边缘密度均为正态,联合分布不是二元正态的例子

--11.2 边缘密度均为正态,联合分布不是二元正态的例子

--第十一周:边缘密度均为正态,联合分布不是二元正态的例子

-二项分布的正态近似

--11.3 二项分布的正态近似

--第十一周:二项分布的正态近似

-正态近似计算实例

--11.4 正态近似计算实例

--第十一周:正态近似计算实例

-讲义

第十二周 大数定律和中心极限定理

-大数定律

--12.1大数定律

--第十二周:大数定律

-中心极限定理

--12.2 中心极限定理

--第十二周:中心极限定理

-蒙特卡洛(Monte Carlo)算法

--12.3 蒙特卡洛(Monte Carlo)算法

-伪随机数和随机模拟

--12.4 伪随机数和随机模拟

-讲义

第十三周 统计学基本概念

-统计学实例

--13.1 统计学实例

-总体与样本

--13.2.总体与样本

-常用统计量

--13.3 常用统计量

--第十三周:常用统计量

-三种重要的统计分布和分位数

--13.4 三种重要的统计分布和分位数

--第十三周:三种重要的统计分布和分位数

-讲义

第十四周 参数点估计

-参数的矩估计

--14.1参数的矩估计法

--第十四周:参数的矩估计

-参数的极大似然估计

--14.2参数的极大似然估计法

--第十四周:参数的极大似然估计

-参数点估计的无偏性和有效性

--14.3 参数点估计的无偏性和有效性

--第十四周:参数点估计的无偏性和有效性

-参数点估计应用实例

--14.4 参数点估计应用实例

--第十四周:参数点估计应用实例

-讲义

第十五周 参数的区间估计

-区间估计的基本思想

--15.1 区间估计的基本思想

--第十五周:区间估计的基本思想

-区间估计的构造方法

--15.2 区间估计的构造方法

--第十五周:区间估计的构造方法

-两个正态总体的区间估计

--15.3 两个正态总体的区间估计

--第十五周:两个正态总体的区间估计

-大样本置信区间

--15.4 大样本置信区间

--第十五周:大样本置信区间

-讲义

第十六周 假设检验

-假设检验问题的提示和标准步骤

--16.1假设检验问题的提示和标准步骤

--第十六周:假设检验问题的提示和标准步骤

-假设检验问题的两类错误和P值

--16.2假设检验问题的两类错误和P值

--第十六周:假设检验问题的两类错误和P值

-单个正态总体参数的假设检验

--16.3 单个正态总体参数的假设检验

--第十六周:单个正态总体参数的假设检验

-拟合优度检验

--16.4拟合优度检验

--第十六周:拟合优度检验

-讲义

应用实例

-利用条件概率计算网球比赛胜率

--利用条件概率计算网球比赛胜率

-利用期望的计算性质分析快速排序算法的平均计算量

--利用期望的计算性质分析快速排序算法的平均计算量

-讲义

习题课一

-事件

--事件

-分布函数

--分布函数

-正态

--正态

-指数与二项

--指数与二项

习题课二

-随机变量函数的分布

--随机变量函数的分布

-指数分布期望

--指数分布期望

-切比雪夫不等式

--切比雪夫

-二元离散

--二元离散

-协方差

--协方差

-二元特征

--二元特征

习题课三

-统计量

--统计量

-无偏估计

--无偏估计

-点估计

--点估计

-假设检验

--假设检验

习题课四

-选择

--选择

-填空

--填空

-大题

--大题

15.2 区间估计的构造方法笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。