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

和

，其中对任何样本观测值都有

，并用区间

作为参数的

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

是取自正态总体

的样本，那么

就是

的一个区间估计.在点估计部分，我们用样本均值作为

的点估计量，似乎这样是比较精确的（因为只用量来估计），但是样本均值刚好等于

的概率是为0的，而用区间

来估计，正确的概率是

也就是说，随机区间

涵盖参数真值的概率是0.9544（

注意不说

属于区间的概率）

，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

的两个统计量作为任何参数的区间估计。所以我们需要对给定的区间估计，给出一些评价的准则。我们在点估计部分提到了非常多的准则：无偏，有效，相合，渐进正态，均方误差等等。但区间估计的评价准则就只有两个：置信度和精确度。

※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

属于区间的概率，因为这个概率中随机项是区间）

我们希望置信度越高越好。

然而这个概率一般来说是与

有关的，如果一个区间估计对于某些

置信度比较高，对于另外一些则比较低，那么我们也不认为这样的区间估计是好的。我们希望的是最小的置信度也比较高，这里的最小置信度也就是

置信系数，定义为

所以我们希望置信系数能够比较高。