参数估计(三)区间估计

区间估计的概念

对未知参数来说,我们除了关心它的点估计外,有时还需要估计出它的一个范围,以及这个范围包含参数真值的可信程度。这种范围通常用区间的形式给出,称之为置信区间。这种形式的估计就称为区间估计

设总体 X X X 的分布函数为 F ( x ; θ ) F(x;\theta) F(x;θ) θ \theta θ 为未知参数, X 1 , . . . , X n X_1,...,X_n X1,...,Xn 是来自总体 X X X 的样本。对于给定值 α ( 0 < α < 1 ) \alpha(0<\alpha<1) α(0<α<1),若存在统计量 θ ‾ ( X 1 , . . . , X n ) \underline{\theta}(X_1,...,X_n) θ(X1,...,Xn) θ ˉ ( X 1 , . . . , X n ) \bar{\theta}(X_1,...,X_n) θˉ(X1,...,Xn),使得 P { θ ‾ ( X 1 , . . . , X n ) < θ < θ ˉ ( X 1 , . . . , X n ) } ≥ 1 − α P\{\underline{\theta}(X_1,...,X_n)<\theta<\bar{\theta}(X_1,...,X_n)\} \ge 1-\alpha P{θ(X1,...,Xn)<θ<θˉ(X1,...,Xn)}1α 则称区间 ( θ ‾ , θ ˉ ) (\underline{\theta},\bar{\theta}) (θ,θˉ) 为参数 θ \theta θ 的置信度为 1 − α 1-\alpha 1α 的置信区间, θ ‾ 、 θ ˉ \underline{\theta}、\bar{\theta} θθˉ 分别称为置信上、下限

通常可按下列思路来寻求未知参数 θ \theta θ 的置信区间:

  1. 由未知参数 θ \theta θ 的点估计量入手,构造一个仅包含样本 X 1 , . . . , X n X_1,...,X_n X1,...,Xn 和被估参数 θ \theta θ 的随机函数 G = G ( X 1 , . . . , X n ; θ ) G=G(X_1,...,X_n;\theta) G=G(X1,...,Xn;θ),其中 G G G 的概率分布应当容易确定且不含任何未知参数( G G G 也称为枢轴量);
  2. 对给定的置信度 1 − α 1-\alpha 1α,由等式 P { c < G ( X 1 , . . . , X n ; θ ) < d } = 1 − α P\{c<G(X_1,...,X_n;\theta)<d\}=1-\alpha P{c<G(X1,...,Xn;θ)<d}=1α 适当的确定常数 c , d c,d c,d
  3. 把不等式 c < G ( X 1 , . . . , X n ; θ ) < d c<G(X_1,...,X_n;\theta)<d c<G(X1,...,Xn;θ)<d 化为等价的不等式 θ ‾ ( X 1 , . . . , X n ) < θ < θ ˉ ( X 1 , . . . , X n ) \underline{\theta}(X_1,...,X_n)<\theta<\bar{\theta}(X_1,...,X_n) θ(X1,...,Xn)<θ<θˉ(X1,...,Xn) 这样即可找到参数 θ \theta θ 的置信度为 1 − α 1-\alpha 1α 的置信区间 ( θ ‾ , θ ˉ ) (\underline{\theta},\bar{\theta}) (θ,θˉ)

上述寻求参数 θ \theta θ 的置信区间的方法称为枢轴量法

一个正态总体的情形

设总体 X ∼ N ( μ , σ 2 ) X \sim N(\mu,\sigma^2) XN(μ,σ2) X 1 , . . . , X n X_1,...,X_n X1,...,Xn 为总体 X X X 的样本, X ˉ 、 S ∗ 2 \bar{X}、S^{*2} XˉS2 分别为样本均值和修正样本方差。下面讨论 μ , σ 2 \mu,\sigma^2 μ,σ2 的区间估计。

μ \mu μ 的区间估计

(1) 当方差 σ 2 \sigma^2 σ2 已知时,因为 X ˉ \bar{X} Xˉ μ \mu μ 的无偏估计,因此构造枢轴量 U = n ( X ˉ − μ ) σ ∼ N ( 0 , 1 ) U=\frac{\sqrt{n}(\bar{X}-\mu)}{\sigma}\sim N(0,1) U=σn (Xˉμ)N(0,1) μ \mu μ 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( X ˉ − σ n u α / 2 , X ˉ + σ n u α / 2 ) \left(\bar{X}-\frac{\sigma}{\sqrt{n}}u_{\alpha/2},\bar{X}+\frac{\sigma}{\sqrt{n}}u_{\alpha/2}\right) (Xˉn σuα/2,Xˉ+n σuα/2)

(2) 当方差 σ 2 \sigma^2 σ2 未知时,注意到 S ∗ 2 S^{*2} S2 σ 2 \sigma^2 σ2 的无偏估计,以 S ∗ S^* S 替换 (1) 中枢轴量的 σ \sigma σ,可得枢轴量 T = n ( X ˉ − μ ) S ∗ ∼ t ( n − 1 ) T=\frac{\sqrt{n}(\bar{X}-\mu)}{S^*}\sim t(n-1) T=Sn (Xˉμ)t(n1) μ \mu μ 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( X ˉ − S ∗ n t α / 2 ( n − 1 ) , X ˉ + S ∗ n t α / 2 ( n − 1 ) ) \left(\bar{X}-\frac{S^*}{\sqrt{n}}t_{\alpha/2}(n-1),\bar{X}+\frac{S^*}{\sqrt{n}}t_{\alpha/2}(n-1)\right) (Xˉn Stα/2(n1),Xˉ+n Stα/2(n1))

σ 2 \sigma^2 σ2 的区间估计

这里只讨论 μ \mu μ 未知时的 σ 2 \sigma^2 σ2 的区间估计。

因为 S ∗ 2 S^{*2} S2 σ 2 \sigma^2 σ2 的无偏估,因此构造枢轴量 χ 2 = 1 σ 2 ∑ i = 1 n ( X i − X ˉ ) 2 = ( n − 1 ) S ∗ 2 σ 2 ∼ χ 2 ( n − 1 ) \chi^2=\frac{1}{\sigma^2}\sum_{i=1}^n (X_i-\bar{X})^2=\frac{(n-1)S^{*2}}{\sigma^2} \sim \chi^2(n-1) χ2=σ21i=1n(XiXˉ)2=σ2(n1)S2χ2(n1) σ 2 \sigma^2 σ2 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( ( n − 1 ) S ∗ 2 χ α / 2 2 ( n − 1 ) , ( n − 1 ) S ∗ 2 χ 1 − α / 2 2 ( n − 1 ) ) \left(\frac{(n-1)S^{*2}}{\chi^2_{\alpha/2}(n-1)},\frac{(n-1)S^{*2}}{\chi^2_{1-\alpha/2}(n-1)}\right) (χα/22(n1)(n1)S2,χ1α/22(n1)(n1)S2)

两个正态总体的情形

设总体 X ∼ N ( μ 1 , σ 1 2 ) X \sim N(\mu_1,\sigma^2_1) XN(μ1,σ12),总体 Y ∼ N ( μ 2 , σ 2 2 ) Y \sim N(\mu_2,\sigma^2_2) YN(μ2,σ22) ( X 1 , . . . , X n 1 ) T (X_1,...,X_{n_1})^T (X1,...,Xn1)T ( Y 1 , . . . , Y n 2 ) T (Y_1,...,Y_{n_2})^T (Y1,...,Yn2)T 分别为来自总体 X 、 Y X、Y XY 的样本,且假定两样本相互独立。记 X ˉ , Y ˉ \bar{X},\bar{Y} Xˉ,Yˉ 为两样本各自的样本均值, S 1 n 1 ∗ 2 , S 2 n 2 ∗ 2 S^{*2}_{1n_1},S^{*2}_{2n_2} S1n12,S2n22 为两样本各自的修正方差。对给定的置信度 1 − α 1-\alpha 1α,要讨论 μ 1 − μ 2 , σ 1 2 / σ 2 2 \mu_1-\mu_2,\ \sigma_1^2/\sigma_2^2 μ1μ2, σ12/σ22 的区间估计。

μ 1 − μ 2 \mu_1-\mu_2 μ1μ2 的区间估计

(1) σ 1 2 \sigma_1^2 σ12 σ 2 2 \sigma_2^2 σ22 均已知。

构造枢轴量 U = X ˉ − Y ˉ − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 ∼ N ( 0 , 1 ) U=\frac{\bar{X}-\bar{Y}-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}} \sim N(0,1) U=n1σ12+n2σ22 XˉYˉ(μ1μ2)N(0,1) μ 1 − μ 2 \mu_1-\mu_2 μ1μ2 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( ( X ˉ − Y ˉ ) ∓ u α / 2 σ 1 2 n 1 + σ 2 2 n 2 ) \left((\bar{X}-\bar{Y}) \mp u_{\alpha/2} \sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}\right) (XˉYˉ)uα/2n1σ12+n2σ22

(2) σ 1 2 = σ 2 2 = σ 2 \sigma_1^2=\sigma_2^2=\sigma^2 σ12=σ22=σ2,但 σ 2 \sigma^2 σ2 未知。

构造枢轴量 T = X ˉ − Y ˉ − ( μ 1 − μ 2 ) S w 1 n 1 + 1 n 2 ∼ t ( n 1 + n 2 − 2 ) T=\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) T=Swn11+n21 XˉYˉ(μ1μ2)t(n1+n22) 其中 S w = ( n 1 − 1 ) S 1 n 1 ∗ 2 + ( n 2 − 1 ) S 2 n 2 ∗ 2 n 1 + n 2 − 2 S_w=\sqrt{\frac{(n_1-1)S^{*2}_{1n_1}+(n_2-1)S^{*2}_{2n_2}}{n_1+n_2-2}} Sw=n1+n22(n11)S1n12+(n21)S2n22 μ 1 − μ 2 \mu_1-\mu_2 μ1μ2 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( ( X ˉ − Y ˉ ) ∓ t α / 2 ( n 1 + n 2 − 2 ) S w 1 n 1 + 1 n 2 ) \left((\bar{X}-\bar{Y}) \mp t_{\alpha/2}(n_1+n_2-2)S_w \sqrt{\frac{1}{n_1}+\frac{1}{n_2}}\right) ((XˉYˉ)tα/2(n1+n22)Swn11+n21 )

(3) σ 1 2 \sigma_1^2 σ12 σ 2 2 \sigma_2^2 σ22 均未知,但 n 1 = n 2 = n n_1=n_2=n n1=n2=n

Z i = X i − Y i ∼ N ( μ 1 − μ 2 , σ 1 2 + σ 2 2 ) , i = 1 , 2 , . . . , n Z_i=X_i-Y_i \sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2),i=1,2,...,n Zi=XiYiN(μ1μ2,σ12+σ22),i=1,2,...,n,故 μ 1 − μ 2 \mu_1-\mu_2 μ1μ2 的置信度为 1 − α 1-\alpha 1α 的置信区间为 ( Z ˉ ∓ S Z ∗ n t α / 2 ( n − 1 ) ) \left(\bar{Z} \mp \frac{S_Z^*}{\sqrt{n}} t_{\alpha/2}(n-1)\right) (Zˉn SZtα/2(n1)) 其中 Z ˉ = X ˉ − Y ˉ , S Z ∗ = 1 n − 1 ∑ i = 1 n ( Z i − Z ˉ ) 2 \bar{Z}=\bar{X}-\bar{Y},S_Z^*=\sqrt{\frac{1}{n-1}\sum_{i=1}^n (Z_i-\bar{Z})^2} Zˉ=XˉYˉ,SZ=n11i=1n(ZiZˉ)2

σ 1 2 / σ 2 2 \sigma_1^2/\sigma_2^2 σ12/σ22 的区间估计

这里只讨论 μ 1 , μ 2 \mu_1,\mu_2 μ1,μ2 为未知时, σ 1 2 / σ 2 2 \sigma_1^2/\sigma_2^2 σ12/σ22 的区间估计。

构造枢轴量
F = σ 2 2 S 1 n 1 ∗ 2 σ 1 2 S 2 n 2 ∗ 2 ∼ F ( n 1 − 1 , n 2 − 1 ) F=\frac{\sigma_2^2 S_{1n_1}^{*2}}{\sigma_1^2 S_{2n_2}^{*2}} \sim F(n_1-1,n_2-1) F=σ12S2n22σ22S1n12F(n11,n21) σ 1 2 / σ 2 2 \sigma_1^2/\sigma_2^2 σ12/σ22 的置信度为 1 − α 1-\alpha 1α 的置信区间为
( S 1 n 1 ∗ 2 / S 2 n 2 ∗ 2 F α / 2 ( n 1 − 1 , n 2 − 1 ) , S 1 n 1 ∗ 2 / S 2 n 2 ∗ 2 F 1 − α / 2 ( n 1 − 1 , n 2 − 1 ) ) \left(\frac{S_{1n_1}^{*2}/S_{2n_2}^{*2}}{F_{\alpha/2}(n_1-1,n_2-1)}, \frac{S_{1n_1}^{*2}/S_{2n_2}^{*2}}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right) (Fα/2(n11,n21)S1n12/S2n22,F1α/2(n11,n21)S1n12/S2n22) 利用 F F F 分布上侧分位数性质,可将 σ 1 2 / σ 2 2 \sigma_1^2/\sigma_2^2 σ12/σ22 的置信度为 1 − α 1-\alpha 1α 的置信区间改写为
( F 1 − α / 2 ( n 2 − 1 , n 1 − 1 ) S 1 n 1 ∗ 2 S 2 n 2 ∗ 2 , F α / 2 ( n 2 − 1 , n 1 − 1 ) S 1 n 1 ∗ 2 S 2 n 2 ∗ 2 ) \left(F_{1-\alpha/2}(n_2-1,n_1-1)\frac{S_{1n_1}^{*2}}{S_{2n_2}^{*2}}, F_{\alpha/2}(n_2-1,n_1-1)\frac{S_{1n_1}^{*2}}{S_{2n_2}^{*2}}\right) (F1α/2(n21,n11)S2n22S1n12,Fα/2(n21,n11)S2n22S1n12)

参考文献

[1] 《应用数理统计》,施雨,西安交通大学出版社。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/171899.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

opencv-利用DeepLabV3+模型进行图像分割去除输入图像的背景

分离图像中的人物和背景通常需要一些先进的图像分割技术。GrabCut是一种常见的方法&#xff0c;但是对于更复杂的场景&#xff0c;可能需要使用深度学习模型。以下是使用深度学习模型&#xff08;如人像分割模型&#xff09;的示例代码&#xff1a; #导入相关的库 import cv2 …

[C++]指针与结构体

标题 一.指针1.指针的定义和使用2.指针所占的内存空间3.空指针与野指针4.const修饰指针5.指针和数组6.指针和函数 二.结构体1.结构体的定义与使用2.结构体数组3.结构体指针4.结构体的嵌套使用5.结构体做函数参数6.结构体中const使用场景7.案例练习 一.指针 作用: 可以通过指针…

FPGA驱动CS4344 VHDL例程

CS4344是一款非常简单的I2S立体声24bit D/A芯片&#xff0c;采样率高达192KHz&#xff0c;相对于ADAU1761复杂的寄存器配置来说&#xff0c;CS4344非常友好&#xff0c;无需配置寄存器&#xff0c;只要按I2S时序输入数据&#xff0c;即可实现立体声输出&#xff0c;且10PIN TSS…

SpringBoot 拦截器高级篇

Springboot 拦截器 定义使用场景拦截器与过滤器的区别实现步骤全局拦截器的局限性全局拦截器VS局部拦截器局部拦截器自定义局部拦截器使用多个局部拦截器 定义 拦截器是Spring MVC框架中的一个重要组件&#xff0c;它是一种AOP&#xff08;面向切面编程&#xff09;的实现方式&…

探索计算机视觉:深度学习与图像识别的融合

探索计算机视觉&#xff1a;深度学习与图像识别的融合 摘 要&#xff1a; 本文将探讨计算机视觉领域中的深度学习技术&#xff0c;并重点关注图像识别方面的应用。我们将介绍卷积神经网络&#xff08;CNN&#xff09;的原理、常用的图像数据集以及图像识别的实际应用场景&…

Leetcode 1727. 具有重排的最大子矩阵

题目要求&#xff1a; 给定一个大小为 m x n 的二进制矩阵&#xff0c;并且允许您以任意顺序重新排列矩阵的列。 对列进行最佳重新排序后&#xff0c;返回矩阵中每个元素都为 1 的最大子矩阵的面积。 输入&#xff1a;矩阵 [[0,0,1],[1,1,1],[1,0,1]] 输出&#xff1a;4 说明…

Java制作“简易王者荣耀”小游戏

第一步是创建项目 项目名自拟 第二部创建个包名 来规范class 然后是创建类 GameFrame 运行类 package com.sxt;import java.awt.Graphics; import java.awt.Image; import java.awt.Toolkit; import java.awt.event.ActionEvent; import java.awt.event.ActionListener; im…

班级管理五步法

亲爱的教师朋友们&#xff01;今天我要和大家分享一个超级实用的班级管理方法——班级管理五步法&#xff01;用这个方法&#xff0c;轻松掌握班级秩序&#xff0c;一起来看看吧&#xff01; 第一步&#xff1a;建立规矩 我们要和孩子们一起建立规矩。规矩要简单明了&#xff…

java基础-变量类型

1、Java变量类型 在Java语言中&#xff0c;所有的变量在使用前必须声明。声明变量的基本格式如下&#xff1a; type identifier [ value][, identifier [ value] ...] ; 格式说明&#xff1a; type -- 数据类型。identifier -- 是变量名&#xff0c;可以使用逗号 , 隔开来声明…

301. 任务安排2,斜率优化dp

301. 任务安排2 - AcWing题库 有 N 个任务排成一个序列在一台机器上等待执行&#xff0c;它们的顺序不得改变。 机器会把这 N 个任务分成若干批&#xff0c;每一批包含连续的若干个任务。 从时刻 0 开始&#xff0c;任务被分批加工&#xff0c;执行第 i 个任务所需的时间是 …

Go 语言 Printf 函数和格式化动词详解

Printf() 函数可以使用多种格式化动词对输出进行格式化。下面是可以与所有数据类型一起使用的一些通用格式化动词&#xff1a; 通用格式化动词&#xff1a; 以下动词适用于所有数据类型&#xff1a; 动词描述%v以默认格式打印值%#v以 Go 语法格式打印值%T打印值的类型%%打印百…

JAVA小游戏简易版王者荣耀

第一步是创建项目 项目名自拟 第二部创建个包名 来规范class 然后是创建类 GameFrame 运行类 package com.sxt; import java.awt.Graphics; import java.awt.Image; import java.awt.Toolkit; import java.awt.event.ActionEvent; import java.awt.event.ActionListener;…

从0到1建立前端规范

本文适合打算建立前端规范的小伙伴阅读 一、为什么需要规范 规范能给我们带来什么好处&#xff0c;如果没有规范会造成什么后果&#xff1f;这里主要拿代码规范来说。 统一代码规范的好处&#xff1a; 提高代码整体的可读性、可维护性、可复用性、可移植性和可靠性&#xf…

数据结构 / 顺序表操作 / 顺序表尾部添加

顺序表尾部添加函数代码 /**注意要判断顺序表是否已满*成功返回0*失败返回-1* */int append(sqlist *list, data_type element) {if(NULLlist || 1is_list_full(list)){return -1;}list->arr[list->len]element;return 0; } 完整代码 #include <string.h> #inclu…

Pytorch项目的文件结构一般都是怎么组织的?

如果是从一些比较典型的论文里弄下来的源码&#xff0c;你会发现它们的论文结构往往都非常复杂。不同的模型、不同的论文&#xff0c;可能代码结构组织的方式都不一样。但它们都不外乎就是经历这几个方面&#xff1a; 1、模型和结构模块定义&#xff1b; 2、数据集获取与处理…

Mybatis反射核心类Reflector

Reflector类负责对一个类进行反射解析&#xff0c;并将解析后的结果在属性中存储起来。 一个类反射解析后都有哪些属性呢&#xff1f;我们可以通过Reflector类定义的属性来查看 public class Reflector {// 要被反射解析的类private final Class<?> type;// 可读属性列…

带你用uniapp从零开发一个仿小米商场_6. 配置uniapp项目底部导航栏tabbar

uniapp底部tabbar介绍 在uni-app中&#xff0c;底部tabbar是一种常见的导航方式&#xff0c;它可以让用户在应用的不同页面之间进行切换。通过tabBar配置项&#xff0c;开发者可以指定一级导航栏和tab切换时显示的对应页。 在底部tabbar中&#xff0c;每个tab都有一个页面路径…

cdb数据库强起流程

环境模拟 因为手头没有19.3的环境&#xff0c;用了一个centos 7.9下的18.3的cdb环境,开启了归档 在pdb中创建表&#xff0c;模拟构造数据 然后删除redo log来模拟损坏 模拟插入的过程&#xff0c;及错误时的报错 SQL> create table t(x int); Table created. SQL> b…

虹科分享 | AR世界揭秘:从二维码的起源到数据识别与位姿技术的奇妙融合!

引言&#xff1a;探索AR的神奇世界&#xff0c;我们将从二维码的诞生谈起。在这个科技的海洋中&#xff0c;二维码是如何帮助AR实现数据获取与位姿识别的呢&#xff1f;让我们一起揭开这层神秘的面纱&#xff01; 一、二维码的由来 二维码是将数据存储在图形中的技术&#xff…

Python | CAP - 累积精度曲线分析案例

CAP通常被称为“累积精度曲线”&#xff0c;用于分类模型的性能评估。它有助于我们理解和总结分类模型的鲁棒性。为了直观地显示这一点&#xff0c;我们在图中绘制了三条不同的曲线&#xff1a; 一个随机的曲线&#xff08;random&#xff09;通过使用随机森林分类器获得的曲线…