非正态总体区间估计

非正态总体区间估计

前期摘要

之前已经写过关于正态总体下区间估计的计算方式，其中包括单正态总体和双正态总体两种，本篇文章主要围绕非正态总体下如何进行区间估计。

上期补充

单侧置信区间

定义

总体x的分布函数为F(x;θ)，其中θ是未知参数(待估量)，X₁，X₂，K，X_n为总体X的样本，给定概率α(0<α<1)，如果存在统计量θ₁=(X₁,X₂,K,X_n)，能够满足P{θ>θ₁}=1-α，则称(θ₁, +∞)为θ的置信水平为1-α的单侧置信区间。θ₁为置信下界，上界情况同理!。

计算

计算过程和双侧的本质上是一样的，需要改动的地方仅仅在于需要修改分位数，因为对应的概率是调整了的，具体计算可跳转至正态总体下区间估计的计算方式。

核心(大数定理)

当n充分大的时候,可近似认为:
$$\frac{\bar{X}-E(X)}{\sqrt{\frac{D(X)}{n}}}-N(0,1)$$
注：因为此时只有一个式子，所以只能求出单总体、单参数的分布（如果非要求多参数的，那么只能是只有一个参数未知，其他参数已知的时候才能进行求解）

计算

0-1分布

X − B ( 1 , p ) E ( X ) = p D ( X ) = p ( 1 − p ) 故 ： X ˉ − p p ( 1 − p ) n − N ( 0 , 1 ) P { − μ ( 1 − α 2 ) ≤ X ˉ − p p ( 1 − p ) n ≤ μ ( 1 − α 2 ) } ∣ X ˉ − p p ( 1 − p ) n ∣ ≤ μ ( 1 − α 2 ) ( n + μ ( 1 − α 2 ) 2 ) p 2 − ( 2 n X ˉ + μ ( 1 − α 2 ) 2 ) p + n X ˉ < 0 解 得 ： p 1 = 1 2 a ( − b − b 2 − 4 a c ) p 1 = 1 2 a ( − b + b 2 − 4 a c ) X-B(1,p)\\ E(X)=p\\ D(X)=p(1-p)\\ 故：\\ \frac{\bar{X}-p}{\sqrt{\frac{p(1-p)}{n}}}-N(0,1)\\ P\{-\mu_{(1-\frac{\alpha}{2})}\le\frac{\bar{X}-p}{\sqrt{\frac{p(1-p)}{n}}}\le\mu_{(1-\frac{\alpha}{2})}\}\\ |\frac{\bar{X}-p}{\sqrt{\frac{p(1-p)}{n}}}|\le\mu_{(1-\frac{\alpha}{2})}\\ (n+\mu_{(1-\frac{\alpha}{2})}^2)p^2-(2n\bar{X}+\mu_{(1-\frac{\alpha}{2})}^2)p+n\bar{X}\lt0\\ 解得：\\ p_1=\frac{1}{2a}(-b-\sqrt{b^2-4ac})\\ p_1=\frac{1}{2a}(-b+\sqrt{b^2-4ac})\\ X−B(1,p)E(X)=pD(X)=p(1−p)故：np(1−p)​ ​Xˉ−p​−N(0,1)P{−μ(1−2α​)​≤np(1−p)​ ​Xˉ−p​≤μ(1−2α​)​}∣np(1−p)​ ​Xˉ−p​∣≤μ(1−2α​)​(n+μ(1−2α​)2​)p2−(2nXˉ+μ(1−2α​)2​)p+nXˉ<0解得：p1​=2a1​(−b−b2−4ac ​)p1​=2a1​(−b+b2−4ac ​)

于是得到p的近似的置信度为(1-α)，置信区间为:(p₁,p₂)

二项分布

注：x-B(N,p)，有两个参数，N和p，故必须我们只有在知道一个参数的前提下，才能去估计另一个参数的区间。N是实验次数，n是样本容量，这个也是需要注意区分

泊松分布

$$\begin{gathered} X-P(\lambda ) \\ E(X)=\lambda \\ D(X)=\lambda \\ 具体解法同上：|\frac{\bar{X}-\lambda }{\sqrt{\frac{\lambda }{n}}}|\le U_{(1-\frac{\alpha }{2})} \end{gathered}$$

指数分布

$$\begin{gathered} 2n\lambda \bar{X}-{\chi }^2(2n) \\ {\chi }_{\frac{\alpha }{2}}^2(2n)\le 2n\lambda \bar{X}\le {\chi }_{(1-\frac{\alpha }{2})}^2(2n) \\ 解法同上，同时这个计算也是简化了很多 \end{gathered}$$

注意事项

α题目没有给出的时候，默认是0.05,计算时候，先看清分布，然后带具体的公式进去便可求解