最大值减最小值等于区间长度_数理统计第19讲(区间估计概念,枢轴量法)
第四章、区间估计
4.1区间估计基本概念
4.1.1区间估计
参数估计分为点估计和区间估计,第三章中我们已经对众多点估计方法有了比较详细的介绍。而现在我们思考下,用点估计量来估计参数,估计正确的概率是多少呢?如果是连续型总体的话,估计量等于参数真值的概率是0!也就是说,点估计对于判断准确的把握是微乎其微的,所以我们需要提出区间估计。
点估计是用一个统计量来作为参数的估计,区间估计是找两个统计量
区间估计(量)。(注意,闭区间不是必要的,可以是开区间也可以是左开右闭等等)
例
也就是说,随机区间
注意不说
,这是个比较高的概率!
4.1.2评价区间估计好坏
就像点估计部分提到的一样,根据区间估计的定义,我们可以选取任何满足
※置信度准则
随机区间涵盖参数真值的概率称为置信度,即下面这个概率
(注意我们不说参数
我们希望置信度越高越好。
然而这个概率一般来说是与
置信系数,定义为
所以我们希望置信系数能够比较高。
例 样本
解 使用区间
对概率中事件的等价变形,根据之前的定理可以配凑出
我们运气比较好,这个概率不依赖分布的参数,所以此时置信度也就是置信系数。在
我们可以看到
然而是不是置信度越高越好呢?当然不是,比如我们取整个实数轴作为区间估计,那么它涵盖参数真值的概率就是1,但是这样就没有任何意义了!所以我们还希望区间的长度不要太大,这也就是下面的精确度准则。
※精确度准则
关于这个准则有不同的标准,用的最多的就是随机区间
平均长度
例 求上面例子中区间估计的平均长度
解 上下限相减,关于样本均值那项消掉,剩下关于样本方差的。而正态总体的样本方差分布与卡方有关,于是通过配凑得到平均长度为
在样本容量固定的情况下,我们将两个例子比较一下:
- k越大,平均长度越大,精确度越低
- k越大,置信系数越高,置信度越高
可以发现,置信度与精确度实际上是相互制约的,如果我们追求高置信度,那么精确度就必然有损失,反之同理。但考虑到我们当时提出区间估计,就是要解决点估计的置信度低这么一个问题,所以统计学家Neyman提出:在保证置信度的前提下,追求高的精确度。
4.1.3置信区间
根据名字,置信区间应该从属于置信度准则,下面是书上对它的定义,其中
定义 对给定的
此时
这一区间估计实际上是一个统计量,当样本确定后,它就是一个完全确定的区间,也就是区间估计的一个实现。需要注意一点,不能把概率写成
因为小写代表的是区间估计的实现,它是一个具体的区间,而参数真值也是一个具体的值,其中没有任何随机的东西了,求概率就没有任何意义!
我们可以从两个角度来理解置信区间,对于一个置信系数为
它的含义是什么呢?
- 你可以理解为我们抽取样本后,得到区间估计的一个实现,它至少有
的机会包含参数真值.
- 也可以理解为,我们抽取100组样本,得到区间估计的100个实现,其中应该有
个区间包含参数真值.
对于上面这个图,中间的黑线就是那个实际存在但你我都不知道的参数真值,而黄线代表了我们抽取样本后得到的区间估计的实现,其中包含黑线的黄线数量,反映了区间估计的置信系数。
4.1.4同等置信区间
根据Neyman原则, 在保证置信度的前提下,我们要兼顾精确度。所以在给定置信水平为
定义 对给定的
4.1.5置信限
有时我们只关心参数不低于多少或不超过多少,比如研究电视机寿命时只会希望它不低于某个值,研究污染指数时只会希望它不高于某个值,这样我们就要用到置信限的概念。
将之前定义中的区间改为
单侧置信区间(注意单侧不能省略,否则默认是双侧!),其中
单侧置信下限和单侧置信上限。
类似地,我们将大于等于改成等于,就得到了同等单侧置信区间和同等单侧上下限.
下面这个引理给出单侧置信区间与双侧置信区间的关系,只是用来熟悉概念,之后并不会用它做任何事情:
引理 设
证明 完全按照定义,把单侧置信限翻译成概率条件
利用概率运算得
4.1.6置信域
置信域是针对多个代估参数的,这时参数空间是多维的,所以“区间”就变成了多维空间中的“区域”,二维时我们一般选取矩形区域,三维时取椭球、长方体区域等。
4.2枢轴(变)量法
枢轴量法是帮助我们寻找合适的区间估计的方法,主要分为三步:
- 构造枢轴量
- 根据置信水平,得常数
(如果是单侧则只有一个常数)
- 等价改写概率得区间估计
什么是枢轴量?
枢轴量满足两个要求:
- 形式上包含代估参数和样本,且不包含任何其他未知的参数
- 分布完全已知
关于第一点的说明:
- 对于两个参数都未知的正态总体,如果求期望
的区间估计,那么构造的枢轴量就必须含有,且必须不含有!
- 因为枢轴量中包含了代估参数,实际上也是未知参数,所以它不是统计量!
如何构造枢轴量?
从代估参数的点估计量或是充分统计量出发,通过配凑让分布中不包含任何未知参数。
如何选取常数?
以求同等置信区间为例,我们已经构造了枢轴量
而满足上面这个概率等式的常数
两个原则:
- 选取的常数使得平均置信区间长度
最小.
- 如果使得平均置信区间长度最小的常数不易计算得出,就选取使得两头概率一样的常数,即
这样得出的区间也称为等尾置信区间.特别当枢轴量的分布是对称的时候,可以取常数
啥叫等价改写概率?
将概率中不等式
通过等价变形改写为关于代估参数不等式,即
例 样本
解
第一步,通过点估计量或充分统计量构造枢轴量。
参数
第二步,找常数
由置信水平条件有
其中第一个等式利用密度函数
第三步,等价改写概率得区间估计
第二步中概率等价于
所以区间估计为
第二步中符合概率条件的常数有很多,所以我们想要选取一组使得平均区间长度最短,即
利用条件极值方法得到
最大值减最小值等于区间长度_数理统计第19讲(区间估计概念,枢轴量法)相关推荐
- 最大值减最小值等于区间长度_呆哥数学每日一题 ——三角函数求余弦最小值...
如果想要获取往期每日一题电子版,可以加我微信:daigemath166,备注:知乎 每日一题 呆哥解析:今天我们来看一道三角函数求余弦最小值的题目 这里条件只有一个,那么我们第一步就是应该把两个角联系 ...
- 45.0.概率论与数理统计-区间估计,枢轴量法
区间估计 问题引入 区间估计(confidence interval)定义 说明 构造置信区间的方法-枢轴量法 问题引入 枢轴量法,步骤 说明 问题引入 区间估计(confidence interva ...
- 最大值最小值计算机一级,excel怎么找最大值和最小值 excel怎么计算最大值减最小值...
很多excel用户经常在表格中统计数据,很多时候我们需要找出其中的最大值和最小值,怎么找呢?我们可以一个一个的查找,如果数据多的话,就麻烦了,当然我们可以用公式去查找,优点是更快更准确,那么怎么找呢? ...
- c语言规定学号长度,c语言第1-9章基本概念练习题ans(最全).docx
2010-2011 学年第二学期<C 语言程序设计>班名:学号:姓名:组号: 第一单元( 1-5 章)基本概念练习题 一.单选选择(直接在正确的选项上打勾,每题) 1.下面关于 C 语言特 ...
- 左神算法:最大值减去最小值小于或等于num的子数组的数量(Java版)
本题来自左神<程序员面试代码指南>"最大值减去最小值小于或等于num的子数组的数量"题目. 题目 给定数组 arr 和整数 num,共返回有多少个子数组满足如下情况: ...
- c++求n的几次方_数理统计|笔记整理(E)——Ch7-C习题课
上一节笔记传送门:数理统计|笔记整理(D)--Ch1-6习题课 -------------------------------------- 大家好!这一节我们依然会补充一些习题,内容则是正文的后半部 ...
- java加权区间调度_区间调度问题详解
今天给大家介绍一下区间调度问题.区间调度是一类难度比较大,但同时应用比较广的问题,经常会在面试中以各种形式出现.本文将会介绍区间调度的各种变形,希望能使大家在面临区间调度问题时得心应手,并可以在实际工 ...
- Console-算法[]-数组求最大值和最小值(只能遍历一次)
ylbtech-Arithmetic:Console-算法[]-数组求最大值和最小值(只能遍历一次) 1.A,Demo(案例) Console-算法[]-数组求最大值和最小值(只能遍历一次) 1.B, ...
- 向量图 正弦交流电路_第五节 正弦交流电路的相量(图)法求解.ppt
第五节 正弦交流电路的相量(图)法求解 第五节 正弦交流电路的相量(图)法求解 一. 用相量图分析电路的主要依据 (1)在任一线性电路中,各同频率的正弦量可以 (2)R.L.C元件的电压和电流相量关系 ...
最新文章
- Are you missing a call to unregisterReceiver()?
- ubuntu g++编译32位应用
- 关于mysql的内部联结
- 数据泄漏保护:你的企业的投资是否足够?
- MySQL(7)数据库中的高级(进阶)语句:VIEW视图、联集和常见计算
- kafka学习(一)初识kafka
- 怎么在html中加入pjax,pjax加载多说的三种方法
- lua excel to mysql_在Lua程序中使用MySQL的教程
- 无法往开启kerberos的zookeeper上注册服务_笔记本WiFi信号满格,却无法上网怎么搞?...
- 第五章 常用页面元素自动化操作(上)
- Vue之安装Google开发插件
- 在做简单网页时,遇到的一些js问题
- linux 查看系统内存及系统负载
- cubieboard2 android,在cubieboard2双卡版上从零构建Android4.2.2系统
- 基于递归神经网络(RNN)的口语理解(SLU)
- mysql-8.0.21-winx64 安装
- python中print横向打印
- getch()、getche()、kbhit()的使用
- 对未来的打算和本专业的认识
- Git -- submoudule子模块使用