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 > 两个正态总体的区间估计 > 15.3 两个正态总体的区间估计
m-1倍的X总体的样本方差
本节考虑两个正态总体的区间估计问题
首先看期望差的估计问题
问题的一般提法是
两正态总体的期望mu1、mu2
和方差sigma1方、sigma2方
均未知
X1、X2、Xm和Y1、Y2、Yn
是分别来自于两个正态总体X和Y的样本
且假设两个样本相互独立
求mu2减mu1的
1减alpha置信区间
这个问题被称为贝伦斯-费舍尔问题
看起来是一个很基本的问题
可这个问题到目前为止
仍然是统计学没有完全解决的问题
无法构造出有效的枢轴量
不过如果对方差有多一些的了解
问题可能就会变得简单多了
下面我们讨论两种特殊情况下
两正态总体期望差的区间估计
两正态总体的期望mu1、mu2未知
方差sigma1方、sigma2方已知
X1、X2、Xm和Y1、Y2、Yn
是分别来自于两个正态总体X和Y的样本
且假设两个样本相互独立
求mu2减mu1的
1减alpha置信区间
总体X的样本均值服从期望为mu1
方差为m分之sigma1方的正态分布
总体Y的样本均值服从期望为mu2
方差为n分之sigma2方的正态分布
X一拔和Y一拔相互独立
所以X一拔减Y一拔仍然服从正态分布
而且相减后的期望是两样本均值的期望差
方差是两样本均值的方差和
将X一拔减Y一拔变换为标准正态分布
sigma1方和sigma2方
是已知的常数
所以这个标准正态分布
只与被估参数mu2减mu1和样本有关
就得到了枢轴量
枢轴量大于等于
负的u、1减2分之alpha
小于等于u、1减2分之alpha
解出mu2减mu1的范围
得到mu2减mu1的
1减alpha置信区间
再考虑一种情况
方差sigma1方、sigma2方未知
但是相等
用sigma方表示
X1、X2、Xm和Y1、Y2、Yn
是分别来自于两个总体X和Y的样本
且假设两个样本相互独立
求mu2减mu1的
1减alpha置信区间
总体X的样本均值服从期望为mu1
方差为m分之sigma方的正态分布
总体Y的样本均值服从期望为mu2
方差为n分之sigma方的正态分布
因为X一拔减Y一拔的分布中
含有未知参数sigma方
所以不能直接通过X一拔减Y一拔
构造枢轴量
这里仍然要借助t分布
来消掉sigma
考虑由样本方差构造的卡方分布
m-1倍的X总体的样本方差
除以sigma方服从
m-1自由度的卡方分布
n-1倍的Y总体的样本方差
除以sigma方服从
n-1自由度的卡方分布
卡方分布具有可加性
所以两个随机变量相加
得到m+n-2自由度的卡方分布随机变量
下面就可以利用所得到的正态和卡方分布
来构造t统计量
作为枢轴量
利用相互独立的标准正态分布
和m+n-2自由度的卡方分布
可构造出
m+n-2自由度的t分布随机变量
以此作为枢轴量
为表达简化起见
记m-1倍的Sx方加n-1倍的Sy方
除以m+n-2为Sw方
则枢轴量取值在正负m+n-2自由度
t分布的
1减2分之alpha分位点之间的概率
为1减alpha
解出mu2减mu1的范围
得到参数mu2减mu1的
1减alpha置信区间
两个正态总体X、Y
期望分别为mu1、mu2
方差分别为sigma1方、sigma2方
期望mu1、mu2
和方差sigma1方、sigma2方
均未知
X1、X2、Xm和Y1、Y2、Yn
是分别来自两个总体X、Y的样本
且假设两个样本相互独立
求方差比值
sigma1方比sigma2方的
1减alpha置信区间
考虑到m-1倍的X总体的样本方差
除以sigma1方
服从m-1自由度的卡方分布
n-1倍的Y总体的样本方差
除以sigma2方
服从n-1自由度的卡方分布
而且两个统计量相互独立
利用两个相互独立的卡方分布相除
可构造F分布枢轴量
进而得到sigma1方
比sigma2方的
1减alpha置信区间
-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
--第一周:事件间的关系与事件的运算
-两个著名的例子
--第一周:两个著名的例子
-讲义
-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
--第二周:有关条件概率的三个重要计算公式
-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
-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
--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
--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
--第三周:概率论所需微积分要点回顾
-讲义
-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
--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
-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
--第五周:随机变量的数学期望
-随机变量的方差
--第五周:随机变量的方差
-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
--第五周:期望和方差的一些补充性质
-讲义
-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
--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
--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
--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
-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
--第七周:常见多维随机变量举例
-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
--第七周:独立随机变量期望和方差的性质
-讲义
-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)
--第八周:全期望公式(上)
-全期望公式(下)
--第八周:全期望公式(下)
-讲义
-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
--第九周:相关与独立
-讲义
-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
--第十周:独立正态分布和的分布
-最大值、最小值分布
--第十周:最大值、最小值分布
-顺序统计量
--第十周:顺序统计量
-讲义
-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
--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
--第十一周:二项分布的正态近似
-正态近似计算实例
--第十一周:正态近似计算实例
-讲义
-大数定律
--12.1大数定律
--第十二周:大数定律
-中心极限定理
--第十二周:中心极限定理
-蒙特卡洛(Monte Carlo)算法
-伪随机数和随机模拟
-讲义
-统计学实例
-总体与样本
-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
--第十三周:三种重要的统计分布和分位数
-讲义
-参数的矩估计
--第十四周:参数的矩估计
-参数的极大似然估计
--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
--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
--第十四周:参数点估计应用实例
-讲义
-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
--第十五周:区间估计的构造方法
-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
--第十五周:大样本置信区间
-讲义
-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
--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
--第十六周:单个正态总体参数的假设检验
-拟合优度检验
--第十六周:拟合优度检验
-讲义
-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
-讲义
-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
-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
-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
-选择
--选择
-填空
--填空
-大题
--大题