NTU 课程笔记：CV6422 置信区间

本文链接：https://blog.csdn.net/qq_40206371/article/details/122765033

本文详细介绍了统计学中的置信区间、预测区间和容忍区间的概念及其计算方法。置信区间用于估计总体参数，如均值和方差，随着置信水平提高，区间范围扩大；预测区间关注预测值的不确定性，而容忍区间则关注包含总体特定比例数据的范围。文中通过实例和公式展示了各种情况下的区间计算，包括正态分布和非正态分布的情况，以及大样本和小样本的处理。此外，还讨论了配对样本和大量样本的处理方法，为数据分析提供了深入的理解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 置信区间 confidence interval

population parameter的预测区间

换句话说θ有1-α的概率落在这个置信区间内

1.1 ：已知方差的正态分布的均值的置信区间

举个例子：已知方差的正态分布的均值，的置信区间

随着置信等级的提升，置信区间的范围也在不断增加

1.2 从误差的角度理解置信区间

如果均值 $\bar{X}$ 是μ的预测，那么一个人有(1-α）的信心μ和 $\bar{X}$ 的误差不会超过

该值被称为误差边界（margin of error）

再换种方式理解：如果均值 $\bar{X}$ 是μ的预测，那么一个人有(1-α）的信心μ和 $\bar{X}$ 的误差不会超过e，当样本的大小≥

1.3 单边置信区间

1.4 未知方差的正态分布的均值的置信区间

1.5 未知分布，未知均值，未知方差（但是样本数量很多）的均值置信区间

1.6 两个分布均值之差的置信区间

population distribution为正态分布，已知标准差σ1和σ2
population distribution非正态分布，已知标准差σ1和σ2，样本数量多（大于30）

population distribution 非正态分布，未知标准差，样本数量多（大于30）

population distribution是正态分布，未知方差，样本不多（小于30）
两个未知方差相等（是否相等可以通过F-test判断）

推导：

$\large u=\frac{\bar{X}-\bar{Y}-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}} \sim N(0,1)$

$\large \left\{\begin{matrix} \frac{(n_1-1)S_1^2}{\sigma_1^2} \sim \chi^2(n_1-1) \\ \frac{(n_2-1)S_2^2}{\sigma_2^2} \sim \chi^2(n_2-1) \end{matrix}\right.$

——> $\large v=\frac{(n_1-1)S_1^2}{\sigma_1^2} + \frac{(n_2-1)S_2^2}{\sigma_2^2} \sim \chi^2 (n_1+n_2-2)$

t 分布的定义

于是有

$\large \frac{u}{\sqrt{\frac{v}{n_1+n_2-2}}} =\frac{\frac{\bar{X}-\bar{Y}-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}}} {\sqrt{\frac{\frac{(n_1-1)S_1^2}{\sigma_1^2} + \frac{(n_2-1)S_2^2}{\sigma_2^2}}{n_1+n_2-2}}}$ 为自由度是n1+n2-2的t分布