常用于区间概率估算,从样本数据分析得出具体参数的大概率区间,简称置信区间,置信水平常取1-α,区间分为置信上限与下限。
对于总体X,我们需要先分析所求参数利用哪种分布可以求区间,常见两类参数即与,这里只针对进行求估计
当问题中除以外其他参数已知(、样本平均值、样本抽样次数),则使用标准正态分布X~ N(0,1),则X满足:样本平均值-/(/)~N(0,1),标准正态分布上的α分位点如图
已知Z为正态曲线,我们要找的就是符合中间大概率1-α区域的的置信区间,则P{|样本平均值-/(/)|<Z分位点}=1-α,化去绝对值,移项后,只剩可以得到的一个置信水平为1-α的置信区间(-(/)*Z分位点,+(/)*Z分位点),所有值都已知,就可以求出对于区间值,例如需要对该事件有95%的概率能够保证,则1-α=0.95,根据样本值带入后就可以获取到在某个置信区间内,我有95%的信心能够保证。
不同于标准正态分布,对于总体X,当我们不仅不清楚的值,也不清楚的值,这时我们就需要用到学生氏分布,学生氏分布和标准正态分布十分相似,它们的曲线图像都是单峰对称曲线,这意味着分位点也是跟上图一致,
而他们的不同在于t分布不依赖任何未知参数,他可以仅通过样本数据得到的置信区间,对于总体 X满足样本平均值-/(S/)~t(n-1),其中S为样本均方差,解决思路与前面的标准正态分布相差无几,在分位点图上,分位点所求是基于该点位右上方的所有概率累加,总概率为1,所求置信水平为1-α,则剩下α用于均分左右两侧,对于t分布,第一象限分位点为,第二象限分位点为-,求解过程一样,列P不等式=1-α,化绝对值,移项,代入值得到最终的置信区间。