标签：bar frac 宋浩 mu 数理统计 theta 概率论 sigma lambda

7.1.1 矩估计法

总体的矩 ← 代 替 \leftarrow ^{代替} ←代替 样本的矩

一阶 E X EX EX ← 代 替 \leftarrow ^{代替} ←代替 一阶 X ˉ = 1 n ∑ x i \bar X=\frac{1}n\sum x_i Xˉ=n1​∑xi​

二阶 E X 2 EX^2 EX2 ← 代 替 \leftarrow ^{代替} ←代替 二阶 A 2 = 1 n ∑ x i 2 A_2 = \frac{1}{n}\sum x_i^2 A2​=n1​∑xi2​

例： X ∼ N ( μ , σ 2 ) , ( X 1 , . . . , X n ) 是 样 本 ， 求 μ , σ 2 的 矩 估 计 X\sim N(\mu,\sigma^2),(X_1,...,X_n)是样本，求\mu,\sigma^2的矩估计 X∼N(μ,σ2),(X1​,...,Xn​)是样本，求μ,σ2的矩估计

E X = μ , X ˉ = 1 n ∑ i = 1 n x i 总 体 的 一 阶 矩 E X ， X ˉ 样 本 的 一 阶 矩 ， 用 样 本 的 代 替 总 体 的 即 ： μ ^ = X ˉ EX=\mu,\bar X=\frac{1}n\sum_{i=1}^{n} x_i\\总体的一阶矩EX，\bar X样本的一阶矩，用样本的代替总体的即：\\\hat\mu=\bar X EX=μ,Xˉ=n1​∑i=1n​xi​总体的一阶矩EX，Xˉ样本的一阶矩，用样本的代替总体的即：μ^​=Xˉ

E ( X 2 ) = D ( X ) + ( E X ) 2 = σ 2 + μ 2 , A 2 = 1 n ∑ i = 1 n x i 2 σ ^ 2 = A 2 − μ ^ 2 = 1 n ∑ i = 1 n x i 2 − X ˉ 2 = 1 n ∑ i = 1 n ( X i − X ˉ ) 2 = B 2 E(X^2)=D(X)+(EX)^2=\sigma^2+\mu^2,\\A_2=\frac{1}{n}\sum_{i=1}^{n}x_i^2\\\hat\sigma^2=A_2-\hat\mu^2=\frac{1}{n}\sum_{i=1}^{n}x_i^2-\bar X^2=\frac{1}{n}\sum_{i=1}^{n}(X_i-\bar X)^2=B_2 E(X2)=D(X)+(EX)2=σ2+μ2,A2​=n1​∑i=1n​xi2​σ^2=A2​−μ^​2=n1​∑i=1n​xi2​−Xˉ2=n1​∑i=1n​(Xi​−Xˉ)2=B2​

无论总体是什么分布，总体均值和总体方差都可以用样本均值和二阶中心矩来估计

例： X ∼ P ( λ ) , ( X 1 , . . . , X n ) 是 样 本 , 求 λ 的 矩 估 计 X\sim P(\lambda),(X_1,...,X_n)是样本,求\lambda的矩估计 X∼P(λ),(X1​,...,Xn​)是样本,求λ的矩估计

E X = λ , λ ^ = X ˉ EX=\lambda,\hat\lambda=\bar X EX=λ,λ^=Xˉ一阶

λ ^ = B 2 \hat\lambda = B_2 λ^=B2​二阶

例： X X X是 [ θ 1 , θ 2 ] [\theta_1,\theta_2] [θ1​,θ2​]的均匀分布, ( X 1 , . . . , X n ) (X_1,...,X_n) (X1​,...,Xn​)为样本,求 θ 1 、 θ 2 \theta_1、\theta_2 θ1​、θ2​的矩估计

E X = X ˉ = 1 2 ( θ 1 + θ 2 ) EX=\bar X=\frac1 2(\theta_1+\theta_2) EX=Xˉ=21​(θ1​+θ2​)一阶

D X = 1 12 ( θ 2 − θ 1 ) 2 D X = E X 2 − ( E X ) 2 E X 2 = 1 12 ( θ 2 − θ 1 ) 2 + 1 4 ( θ 1 + θ 2 ) 2 = A 2 = 1 n ∑ i = 1 n X i 2 DX=\frac{1}{12}(\theta_2-\theta_1)^2\\DX=EX^2-(EX)^2\\EX^2=\frac{1}{12}(\theta_2-\theta_1)^2+\frac{1}{4}(\theta_1+\theta_2)^2=A_2=\frac{1}{n}\sum_{i=1}^{n}X_i^2 DX=121​(θ2​−θ1​)2DX=EX2−(EX)2EX2=121​(θ2​−θ1​)2+41​(θ1​+θ2​)2=A2​=n1​∑i=1n​Xi2​

θ ^ 1 = X ˉ − 3 B 2 θ ^ 2 = X ˉ + 3 B 2 \hat\theta_1 = \bar X-\sqrt{3B_2}\\\hat\theta_2 = \bar X+\sqrt{3B_2} θ^1​=Xˉ−3B2​ ​θ^2​=Xˉ+3B2​ ​

例：

总体:

X	1	2	3
P	θ 2 \theta^2 θ2	2 θ ( 1 − θ ) 2\theta(1-\theta) 2θ(1−θ)	( 1 − θ ) 2 (1-\theta)^2 (1−θ)2

样本{1,2,1}

估计 θ \theta θ

E X = 1 × θ 2 + 2 × 2 θ ( 1 − θ ) + 3 × ( 1 − θ ) 2 EX=1\times \theta^2+2\times 2\theta(1-\theta)+3\times (1-\theta)^2 EX=1×θ2+2×2θ(1−θ)+3×(1−θ)2

X ˉ = 1 + 2 + 1 3 = 4 3 \bar X=\frac{1+2+1}{3}=\frac{4}{3} Xˉ=31+2+1​=34​

1 × θ 2 + 2 × 2 θ ( 1 − θ ) + 3 × ( 1 − θ ) 2 = 4 3 1\times \theta^2+2\times 2\theta(1-\theta)+3\times (1-\theta)^2=\frac{4}{3} 1×θ2+2×2θ(1−θ)+3×(1−θ)2=34​

θ ^ = 5 6 \hat \theta = \frac{5}{6} θ^=65​

7.1.2极大似然估计

100个球，黑99，白1，摸到黑的概率0.99，白0.01

100个球，黑球数量=99个或1个，白球数量=1个或99个（总体未知）

只摸一次，摸了一个黑球，黑球数量更可能是99个

学生掌握知识8:2，会：不会8:2 或者 会：不会2:8，提问3个问题，都不会，会：不会是2：8的概率更大

概率大的事件比概率小的事件更容易发生

将使事件A发生的概率最大的参数值作为估计值

模板：

1.总体的概率/密度函数

2.写似然函数 L ( λ ) L(\lambda) L(λ)

3.两边取 log ⁡ \log log

4.两边求导(偏导)，令导数等于0

---

例：总体 X ∼ P ( λ ) X\sim P(\lambda) X∼P(λ)， X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1​,X2​,...,Xn​是样本，求 λ \lambda λ的极大似然估计

总体的概率函数为： P ( X = k ) = λ k k ! e − λ ( k = 0 , 1 , 2 , . . . ) P(X=k)=\frac{\lambda ^k}{k!}e^{-\lambda}(k=0,1,2,...) P(X=k)=k!λk​e−λ(k=0,1,2,...)

则 λ \lambda λ的似然函数为：

​ L ( λ ) = ∏ i = 1 n λ X i X i ! e − λ = λ X 1 + . . . + X n ∏ i = 1 n x i ! e − n λ L(\lambda)=\prod_{i=1}^{n}\frac{\lambda^{X_i}}{X_i!}e^{-\lambda}=\frac{\lambda^{X_1+...+X_n}}{\prod_{i=1}^{n}x_i!}e^{-n\lambda} L(λ)=∏i=1n​Xi​!λXi​​e−λ=∏i=1n​xi​!λX1​+...+Xn​​e−nλ

两边取 ln ⁡ \ln ln

​ ln ⁡ L ( λ ) = − ln ⁡ ∏ i = 1 n X i ! + ( X 1 + . . . + X n ) ln ⁡ λ − n λ \ln L(\lambda) = -\ln\prod_{i=1}^{n}X_i!+(X_1+...+X_n)\ln\lambda-n\lambda lnL(λ)=−ln∏i=1n​Xi​!+(X1​+...+Xn​)lnλ−nλ

两边对 λ \lambda λ求导

​ d ln ⁡ λ d λ = X 1 + . . . + X n λ − n = 0 \frac{d\ln\lambda}{d\lambda}=\frac{X_1+...+X_n}{\lambda}-n=0 dλdlnλ​=λX1​+...+Xn​​−n=0

​ λ ^ = X 1 + . . . X n n = X ˉ \hat\lambda=\frac{X_1+...X_n}{n}=\bar X λ^=nX1​+...Xn​​=Xˉ←样本的均值

---

例：总体是 λ \lambda λ的指数分布， X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1​,X2​,...,Xn​是样本，求 λ \lambda λ的极大似然估计

总体的密度函数为： f ( x ; λ ) = {   λ e − λ x x > 0 0 x ≤ 0 f(x;\lambda)= \left\{ \begin{array}{rcl} \ \lambda e^{-\lambda x}& x > 0 \\ 0 & x\leq 0 \end{array}\right. f(x;λ)={ λe−λx0​x>0x≤0​

则 λ \lambda λ的似然函数为：

​ L ( λ ) = ∏ i = 1 n λ e − λ x i = λ n e ( x 1 + . . . + x n ) L(\lambda)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}e^{(x_1+...+x_n)} L(λ)=∏i=1n​λe−λxi​=λne(x1​+...+xn​)

两边取 ln ⁡ \ln ln:

​ ln ⁡ L ( λ ) = n ln ⁡ λ − λ ( x 1 + . . . + x n ) \ln L(\lambda)=n\ln\lambda - \lambda(x_1+...+x_n) lnL(λ)=nlnλ−λ(x1​+...+xn​)

两边对 λ \lambda λ求导：

​ d ln ⁡ L ( λ ) d λ = n λ − ( x 1 + . . . x n ) = 0 \frac{d\ln L(\lambda)}{d\lambda}=\frac{n}{\lambda}-(x_1+...x_n)=0 dλdlnL(λ)​=λn​−(x1​+...xn​)=0

​ λ ^ = n x 1 + . . . x n = 1 X ˉ \hat\lambda = \frac{n}{x_1+...x_n}=\frac{1}{\bar X} λ^=x1​+...xn​n​=Xˉ1​

---

例：总体是 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2)， x 1 , x 2 , . . . , x n x_1,x_2,...,x_n x1​,x2​,...,xn​是样本，求 μ , σ 2 \mu,\sigma^2 μ,σ2的极大似然估计

总体的密度函数为： f ( x ; μ , σ 2 ) = {   1 2 π σ e − ( x − μ ) 2 2 σ 2 x > 0 0 x ≤ 0 f(x;\mu,\sigma^2)= \left\{ \begin{array}{rcl} \ \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}& x > 0 \\ 0 & x\leq 0 \end{array}\right. f(x;μ,σ2)={ 2π ​σ1​e−2σ2(x−μ)2​0​x>0x≤0​

则 λ \lambda λ的似然函数为：

​ L ( λ ) = ∏ i = 1 n 1 2 π σ e − ( x − μ ) 2 2 σ 2 = ( 1 2 π σ ) n e − ( x 1 − μ ) 2 + . . . + ( x n − μ ) 2 2 σ 2 L(\lambda)=\prod_{i=1}^{n}\frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}=(\frac{1}{\sqrt{2\pi}\sigma})^n e^{-\frac{(x_1-\mu)^2+...+(x_n-\mu)^2}{2\sigma^2}} L(λ)=∏i=1n​2π ​σ1​e−2σ2(x−μ)2​=(2π ​σ1​)ne−2σ2(x1​−μ)2+...+(xn​−μ)2​

两边取 ln ⁡ \ln ln:

​ ln ⁡ L ( λ ) = n ln ⁡ 1 2 π − n 2 ln ⁡ σ 2 − ( x 1 − μ ) 2 + . . . + ( x n − μ ) 2 2 σ 2 \ln L(\lambda)=n\ln \frac{1}{\sqrt{2\pi}}-\frac{n}{2}\ln \sigma^2-\frac{(x_1-\mu)^2+...+(x_n-\mu)^2}{2\sigma^2} lnL(λ)=nln2π ​1​−2n​lnσ2−2σ2(x1​−μ)2+...+(xn​−μ)2​

两边对 λ \lambda λ求导：

​ d ln ⁡ L ( λ ) d λ = n λ − ( x 1 + . . . x n ) = 0 \frac{d\ln L(\lambda)}{d\lambda}=\frac{n}{\lambda}-(x_1+...x_n)=0 dλdlnL(λ)​=λn​−(x1​+...xn​)=0

​ λ = n x 1 + . . . x n = 1 X ˉ \lambda = \frac{n}{x_1+...x_n}=\frac{1}{\bar X} λ=x1​+...xn​n​=Xˉ1​

对 μ \mu μ求偏导：

​ KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲\ln L(\mu,\sigm…

​ μ ^ = x 1 + . . . + x n n = x ˉ \hat\mu=\frac{x_1+...+x_n}{n}=\bar x μ^​=nx1​+...+xn​​=xˉ

对 σ 2 \sigma^2 σ2求偏导：

​ KaTeX parse error: Undefined control sequence: \part at position 7: \frac{\̲p̲a̲r̲t̲\ln L(\mu,\sigm…

​ σ ^ 2 = ( x 1 − μ ) 2 + . . . + ( x n − μ ) 2 n = B 2 \hat\sigma^2=\frac{(x_1-\mu)^2+...+(x_n-\mu)^2}{n}=B_2 σ^2=n(x1​−μ)2+...+(xn​−μ)2​=B2​

---

例： X ∼ U [ θ 1 , θ 2 ] ， X\sim U[\theta_1,\theta_2]， X∼U[θ1​,θ2​]， x 1 , x 2 , . . . , x n x_1,x_2,...,x_n x1​,x2​,...,xn​是样本，求 θ 1 , θ 2 \theta_1,\theta_2 θ1​,θ2​的极大似然估计

均匀分布的密度函数： f ( x ) = {   1 θ 2 − θ 1 x ∈ [ θ 1 , θ 2 ] 0 e l s e f(x)= \left\{ \begin{array}{rcl} \ \frac{1}{\theta_2-\theta_1} & x \in[\theta_1,\theta_2] \\ 0 & else \end{array}\right. f(x)={ θ2​−θ1​1​0​x∈[θ1​,θ2​]else​

则似然函数为

​ L ( θ 1 , θ 2 ) = ∏ i = 1 n 1 θ 2 − θ 1 = 1 ( θ 2 − θ 1 ) n L(\theta_1,\theta_2)=\prod_{i=1}^{n}\frac{1}{\theta_2-\theta_1}=\frac{1}{(\theta_2-\theta_1)^n} L(θ1​,θ2​)=∏i=1n​θ2​−θ1​1​=(θ2​−θ1​)n1​

要求 L ( θ 1 , θ 2 ) L(\theta_1,\theta_2) L(θ1​,θ2​)的最大值，就要使 θ 2 − θ 1 \theta_2-\theta_1 θ2​−θ1​最小，即 θ 1 , θ 2 \theta_1,\theta_2 θ1​,θ2​的值越近越好。因此 θ ^ 1 = min ⁡ { X 1 , . . . , X n } θ ^ 2 = max ⁡ { X 1 , . . . , X n } \hat \theta_1=\min\{X_1,...,X_n\}\\\hat \theta_2=\max\{X_1,...,X_n\} θ^1​=min{X1​,...,Xn​}θ^2​=max{X1​,...,Xn​}

7.2 点估计的优良性准则

无偏性: E ^ θ = θ \hat E\theta=\theta E^θ=θ

(1)总体 X X X, E X = μ , D X = σ 2 , ( X 1 , . . . , X n ) EX=\mu,DX=\sigma^2,(X_1,...,X_n) EX=μ,DX=σ2,(X1​,...,Xn​)为样本

① X ˉ \bar X Xˉ是 μ \mu μ的无偏估计, E X ˉ = μ E\bar X=\mu EXˉ=μ

②样本方差 S 2 S^2 S2是 σ 2 \sigma^2 σ2的无偏估计, E S 2 = σ 2 ES^2=\sigma^2 ES2=σ2

S 2 = 1 n − 1 [ ( X 1 − X ˉ ) 2 + . . . + ( X n − X ˉ ) 2 ] S^2=\frac{1}{n-1}[(X_1-\bar X)^2+...+(X_n-\bar X)^2] S2=n−11​[(X1​−Xˉ)2+...+(Xn​−Xˉ)2]

当 n → ∞ n\rightarrow\infty n→∞时， S 2 S^2 S2与 S 0 2 S^2_0 S02​是 σ 2 \sigma^2 σ2的渐进无偏估计

③未修正的样本方差 S 0 2 S_0^2 S02​是 σ 2 \sigma^2 σ2的有偏估计

S 0 2 = 1 n [ ( X 1 − X ˉ ) 2 + . . . + ( X n − X ˉ ) 2 ] S^2_0=\frac{1}{n}[(X_1-\bar X)^2+...+(X_n-\bar X)^2] S02​=n1​[(X1​−Xˉ)2+...+(Xn​−Xˉ)2]

上面三个结论与总体分布无关，永远成立

θ ^ \hat\theta θ^是 θ \theta θ的无偏估计， g ( θ ^ ) g(\hat \theta) g(θ^)不一定是 g ( θ ) g(\theta) g(θ)的无偏估计

S 2 S^2 S2是 σ 2 \sigma^2 σ2的无偏估计， S S S不一定是 σ \sigma σ的无偏估计

上面↑例：函数为开根号

∵ D X = E X 2 − ( E X ) 2 \because DX=EX^2-(EX)^2 ∵DX=EX2−(EX)2

∴ D S = E S 2 − ( E S ) 2 = σ 2 − ( E S ) 2 E S = σ 2 − D S ≤ σ \therefore DS=ES^2-(ES)^2=\sigma^2-(ES)^2\\ES=\sqrt{{\sigma}^2-DS}\leq\sigma ∴DS=ES2−(ES)2=σ2−(ES)2ES=σ2−DS ​≤σ

(2) μ = E X , ( X 1 , . . . , X n ) \mu=EX,(X_1,...,X_n) μ=EX,(X1​,...,Xn​)为样本

令 μ ^ = C 1 X 1 + . . . + C n X n \hat \mu = C_1X_1+...+C_nX_n μ^​=C1​X1​+...+Cn​Xn​

C 1 + . . . + C n = 1 C_1+...+C_n=1 C1​+...+Cn​=1

E μ ^ = C 1 μ + . . . + C n μ = μ E\hat \mu = C_1\mu+...+C_n\mu=\mu Eμ^​=C1​μ+...+Cn​μ=μ

则 E μ ^ = μ E\hat \mu=\mu Eμ^​=μ无偏，但 C 1 , . . . , C n C_1,...,C_n C1​,...,Cn​的不固定，导致 μ \mu μ的改变，故无偏性有局限

有效性: D ( θ ^ 1 ) ≤ D ( θ ^ 2 ) D(\hat\theta_1)\leq D(\hat \theta_2) D(θ^1​)≤D(θ^2​),方差越小越有效

例：

总体 X X X, E X = μ , D X = σ 2 , μ = {   X 1 E X 1 = μ D X 1 = σ 2   X ˉ D X ˉ = σ 2 n EX=\mu,DX=\sigma^2,\mu=\left\{ \begin{array}{rcl} \ X_1 &EX_1=\mu &DX_1=\sigma^2\\ \ \bar X & & D\bar X=\frac{\sigma^2}{n} \end{array}\right. EX=μ,DX=σ2,μ={ X1​ Xˉ​EX1​=μ​DX1​=σ2DXˉ=nσ2​​

∵ D X ˉ ≤ D X 1 ∴ X ˉ 更 有 效 \because D\bar X\leq DX_1\\\therefore \bar X更有效 ∵DXˉ≤DX1​∴Xˉ更有效

例：

{   a 1 X 1 + . . . + a n X n a 1 + . . . + a n = 1   X ˉ \left\{ \begin{array}{rcl} \ a_1X_1+...+a_nX_n & a_1+...+a_n = 1\\ \ \bar X \end{array}\right. { a1​X1​+...+an​Xn​ Xˉ​a1​+...+an​=1

D X ˉ = σ 2 n D\bar X=\frac{\sigma^2}{n} DXˉ=nσ2​

D θ ^ = a 1 2 D X 1 + . . . + a n 2 D X n = σ 2 ( a 1 2 + . . . + a n 2 ) ≥ σ 2 n D\hat\theta=a_1^2DX_1+...+a_n^2DX_n=\sigma^2(a_1^2+...+a_n^2)\geq \frac{\sigma^2}{n} Dθ^=a12​DX1​+...+an2​DXn​=σ2(a12​+...+an2​)≥nσ2​

即需要证明 a 1 2 + . . . + a n 2 ≥ 1 n a_1^2+...+a_n^2\geq \frac{1}{n} a12​+...+an2​≥n1​

$ 1 = (a_1+…+a_n)^2 …\leq n(a_1^2+…+a_n2)$

柯西不等式↑↓

小例子: ( a 1 + a 2 + a 3 ) 2 = a 1 2 + a 2 2 + a 3 2 + 2 a 1 a 2 + 2 a 1 a 3 + 2 a 2 a 3 ≤ a 1 2 + a 2 2 + a 3 2 + a 1 2 + a 2 2 + a 1 2 + a 3 2 + a 2 2 + a 3 2 = 3 ( a 1 2 + a 2 2 + a 3 2 ) (a_1+a_2+a_3)^2\\=a_1^2+a_2^2+a_3^2+2a_1a_2+2a_1a_3+2a_2a_3\\\leq a^2_1+ a^2_2 +a^2_3 +a^2_1+a^2_2+a^2_1+a^2_3+a^2_2+a^2_3\\=3(a_1^2+a_2^2+a_3^2) (a1​+a2​+a3​)2=a12​+a22​+a32​+2a1​a2​+2a1​a3​+2a2​a3​≤a12​+a22​+a32​+a12​+a22​+a12​+a32​+a22​+a32​=3(a12​+a22​+a32​)

相合性（一致性）: lim ⁡ n → ∞ P ( ∣ θ ^ − θ ∣ < ϵ ) = 1 \lim_{n\rightarrow\infty}P(|\hat\theta-\theta|<\epsilon)=1 limn→∞​P(∣θ^−θ∣<ϵ)=1

7.3.1 置信区间

区间估计

P ( θ ^ 1 ≤ θ ≤ θ ^ 2 ) = 1 − α P(\hat\theta_1\leq\theta\leq\hat\theta_2)=1-\alpha P(θ^1​≤θ≤θ^2​)=1−α

区间 [ θ ^ 1 , θ ^ 2 ] [\hat\theta_1,\hat\theta_2] [θ^1​,θ^2​], 1 − α 1-\alpha 1−α是置信度

置信度是 [ θ ^ 1 , θ ^ 2 ] [\hat\theta_1,\hat\theta_2] [θ^1​,θ^2​]能套住 θ \theta θ的概率

枢轴变量

定义： I = I ( T , θ ) , θ 是 未 知 的 , T 是 已 知 的 , I 的 分 布 F 必 须 是 已 知 的 且 与 θ 无 关 I=I(T,\theta),\theta是未知的,T是已知的,I的分布F必须是已知的且与\theta无关 I=I(T,θ),θ是未知的,T是已知的,I的分布F必须是已知的且与θ无关

给定 1 − α 1-\alpha 1−α,确定F的上 α 2 \frac{\alpha}{2} 2α​分位数,上 ( 1 − α 2 ) (1-\frac{\alpha}{2}) (1−2α​)分位数 → U 1 − α 2 \rightarrow U_{1-\frac{\alpha}{2}} →U1−2α​​

P ( U 1 − α 2 ≤ I ( T , θ ) ≤ U α 2 ) = 1 − α P(U_{1-\frac{\alpha}{2}}\leq I(T,\theta)\leq U_{\frac{\alpha}{2}})=1-\alpha P(U1−2α​​≤I(T,θ)≤U2α​​)=1−α

7.3.2 一个正态总体的期望和方差的区间估计

① σ 2 \sigma^2 σ2已知，估计 μ \mu μ

枢轴变量 U = n ( x ˉ − μ ) σ ∼ N ( 0 , 1 ) U=\frac{\sqrt{n}(\bar x-\mu)}{\sigma}\sim N(0,1) U=σn ​(xˉ−μ)​∼N(0,1)

n 为 样 本 个 数 , x ˉ 是 样 本 均 值 n为样本个数,\bar x 是样本均值 n为样本个数,xˉ是样本均值

给定 1 − α 1-\alpha 1−α，令 P ( U > U α 2 ) = α 2 , Φ 0 ( U α 2 ) = 1 − α 2 P(U>U_{\frac{\alpha}{2}})=\frac{\alpha}{2},\Phi_0(U_{\frac{\alpha}{2}})=1-\frac{\alpha}{2} P(U>U2α​​)=2α​,Φ0​(U2α​​)=1−2α​

P ( − U α 2 ≤ n ( x ˉ − μ ) σ ≤ U α 2 ) = 1 − α x ˉ − σ U α 2 n ≤ μ ≤ x ˉ + σ U α 2 n P(-U_{\frac{\alpha}{2}} \leq\frac{\sqrt{n}(\bar x - \mu)}{\sigma}\leq U_{\frac{\alpha}{2}})=1-\alpha\\\bar x-\frac{\sigma U_{\frac{\alpha}{2}}}{\sqrt{n}}\leq\mu\leq\bar x+\frac{\sigma U_{\frac{\alpha}{2}}}{\sqrt{n}} P(−U2α​​≤σn ​(xˉ−μ)​≤U2α​​)=1−αxˉ−n ​σU2α​​​≤μ≤xˉ+n ​σU2α​​​

例：5个灯泡,1650,1700,1680,1820,1800, X ∼ N ( μ , 9 ) X\sim N(\mu,9) X∼N(μ,9), α = 0.05 \alpha=0.05 α=0.05

n = 5 , X ˉ = 1730 , σ 2 = 9 , σ = 3 n=5,\bar X =1730 ,\sigma^2=9,\sigma=3 n=5,Xˉ=1730,σ2=9,σ=3

U 0.025 = 1.96 U_{0.025}=1.96 U0.025​=1.96←查表

− 1.96 ≤ n ( x ˉ − μ ) σ ≤ 1.96 -1.96\leq\frac{\sqrt{n}(\bar x - \mu)}{\sigma}\leq 1.96 −1.96≤σn ​(xˉ−μ)​≤1.96

− 1732.63 ≤ μ ≤ 1732.63 -1732.63\leq\mu\leq1732.63 −1732.63≤μ≤1732.63

② σ 2 \sigma^2 σ2未知,估计 μ \mu μ

T = n ( X ˉ − μ ) S ∼ t ( n − 1 ) , S 为 样 本 标 准 差 T=\frac{\sqrt{n}(\bar X-\mu)}{S}\sim t(n-1),S为样本标准差 T=Sn ​(Xˉ−μ)​∼t(n−1),S为样本标准差

− t α 2 ( n − 1 ) ≤ n ( X ˉ − μ ) S ≤ t α 2 ( n − 1 ) -t_{\frac{\alpha}{2}}(n-1)\leq\frac{\sqrt{n}(\bar X-\mu)}{S}\leq t_{\frac{\alpha}{2}}(n-1) −t2α​​(n−1)≤Sn ​(Xˉ−μ)​≤t2α​​(n−1)

X ˉ − S n t α 2 ( n − 1 ) ≤ μ ≤ X ˉ + S n t α 2 ( n − 1 ) \bar X-\frac{S}{\sqrt n}t_{\frac{\alpha}{2}}(n-1)\leq\mu\leq\bar X+\frac{S}{\sqrt n}t_{\frac{\alpha}{2}}(n-1) Xˉ−n ​S​t2α​​(n−1)≤μ≤Xˉ+n ​S​t2α​​(n−1)

方差的区间估计

① μ \mu μ已知，对 σ 2 \sigma^2 σ2的区间估计

1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ χ 2 ( n ) \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\sim \chi^2(n) σ21​∑i=1n​(Xi​−μ)2∼χ2(n)

χ 1 − α 2 2 ( n ) ≤ 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ≤ χ α 2 2 ( n ) \chi^2_{1-\frac{\alpha}{2}}(n)\leq\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\leq\chi^2_{\frac{\alpha}{2}}(n) χ1−2α​2​(n)≤σ21​∑i=1n​(Xi​−μ)2≤χ2α​2​(n)

∑ i = 1 n ( X i − μ ) 2 χ α 2 2 ( n ) ≤ σ 2 ≤ ∑ i = 1 n ( X i − μ ) 2 χ 1 − α 2 2 ( n ) \frac{\sum_{i=1}^{n}(X_i - \mu)^2}{\chi^2_{\frac{\alpha}{2}}(n)}\leq \sigma^2\leq \frac{\sum_{i=1}^{n}(X_i - \mu)^2}{\chi^2_{1-\frac{\alpha}{2}}(n)} χ2α​2​(n)∑i=1n​(Xi​−μ)2​≤σ2≤χ1−2α​2​(n)∑i=1n​(Xi​−μ)2​

② μ \mu μ未知，估计 σ 2 \sigma^2 σ2

χ 2 = ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) ， 给 定 1 − α \chi^2=\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)，给定1-\alpha χ2=σ2(n−1)S2​∼χ2(n−1)，给定1−α

( n − 1 ) S 2 χ α 2 2 ( n − 1 ) ≤ σ 2 ≤ ( n − 1 ) S 2 χ 1 − α 2 2 ( n − 1 ) \frac{(n-1)S^2}{\chi^2_{\frac{\alpha}{2}}(n-1)}\leq \sigma^2\leq \frac{(n-1)S^2}{\chi^2_{1-\frac{\alpha}{2}}(n-1)} χ2α​2​(n−1)(n−1)S2​≤σ2≤χ1−2α​2​(n−1)(n−1)S2​

估计		分布	区间估计
μ \mu μ	σ 2 \sigma^2 σ2已知	n ( x ˉ − μ ) σ ∼ N ( 0 , 1 ) \frac{\sqrt{n}(\bar x-\mu)}{\sigma}\sim N(0,1) σn ​(xˉ−μ)​∼N(0,1)	x ˉ − σ U α 2 n ≤ μ ≤ x ˉ + σ U α 2 n \bar x-\frac{\sigma U_{\frac{\alpha}{2}}}{\sqrt{n}}\leq\mu\leq\bar x+\frac{\sigma U_{\frac{\alpha}{2}}}{\sqrt{n}} xˉ−n ​σU2α​​​≤μ≤xˉ+n ​σU2α​​​
μ \mu μ	σ 2 \sigma^2 σ2未知	n ( X ˉ − μ ) S ∼ t ( n − 1 ) \frac{\sqrt{n}(\bar X-\mu)}{S}\sim t(n-1) Sn ​(Xˉ−μ)​∼t(n−1)	X ˉ − S n t α 2 ( n − 1 ) ≤ μ ≤ X ˉ + S n t α 2 ( n − 1 ) \bar X-\frac{S}{\sqrt n}t_{\frac{\alpha}{2}}(n-1)\leq\mu\leq\bar X+\frac{S}{\sqrt n}t_{\frac{\alpha}{2}}(n-1) Xˉ−n ​S​t2α​​(n−1)≤μ≤Xˉ+n ​S​t2α​​(n−1)
σ 2 \sigma^2 σ2	μ \mu μ已知	1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ χ 2 ( n ) \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\sim \chi^2(n) σ21​∑i=1n​(Xi​−μ)2∼χ2(n)	∑ i = 1 n ( X i − μ ) 2 χ α 2 2 ( n ) ≤ σ 2 ≤ ∑ i = 1 n ( X i − μ ) 2 χ 1 − α 2 2 ( n ) \frac{\sum_{i=1}^{n}(X_i - \mu)^2}{\chi^2_{\frac{\alpha}{2}}(n)}\leq \sigma^2\leq \frac{\sum_{i=1}^{n}(X_i - \mu)^2}{\chi^2_{1-\frac{\alpha}{2}}(n)} χ2α​2​(n)∑i=1n​(Xi​−μ)2​≤σ2≤χ1−2α​2​(n)∑i=1n​(Xi​−μ)2​
σ 2 \sigma^2 σ2	μ \mu μ未知	χ 2 = ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \chi^2=\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) χ2=σ2(n−1)S2​∼χ2(n−1)	( n − 1 ) S 2 χ α 2 2 ( n − 1 ) ≤ σ 2 ≤ ( n − 1 ) S 2 χ 1 − α 2 2 ( n − 1 ) \frac{(n-1)S^2}{\chi^2_{\frac{\alpha}{2}}(n-1)}\leq \sigma^2\leq \frac{(n-1)S^2}{\chi^2_{1-\frac{\alpha}{2}}(n-1)} χ2α​2​(n−1)(n−1)S2​≤σ2≤χ1−2α​2​(n−1)(n−1)S2​

标签：bar,frac,宋浩,mu,数理统计,theta,概率论,sigma,lambda
来源： https://blog.csdn.net/Snakewood/article/details/120627670

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。