基于标准正态分布与学生氏分布T的区间估计

最新推荐文章于 2024-08-23 23:33:11 发布

浅色伊蕾娜

最新推荐文章于 2024-08-23 23:33:11 发布

阅读量347

点赞数

分类专栏：概率论文章标签：目标检测概率论

本文链接：https://blog.csdn.net/weixin_54594245/article/details/131122520

版权

概率论专栏收录该内容

1 篇文章 0 订阅

订阅专栏

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 $\mu$ 与 $\sigma ^{2}$ ，这里只针对 $\mu$ 进行求估计

当问题中除 $\mu$ 以外其他参数已知( $\sigma ^{2}$ 、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- $\mu$ /（ $\sigma$ / $\sqrt{n}$ )~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 $\mu$ 的置信区间，则P{|样本平均值- $\mu$ /（ $\sigma$ / $\sqrt{n}$ )|<Z分位点}=1-α，化去绝对值，移项后，只剩 $\mu$ 可以得到 $\mu$ 的一个置信水平为1-α的置信区间（ $\bar{X}$ -（ $\sigma$ / $\sqrt{n}$ ）*Z分位点， $\bar{X}$ +（ $\sigma$ / $\sqrt{n}$ ）*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 $\mu$ 的值，也不清楚 $\sigma ^{2}$ 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 $\mu$ 的置信区间，对于总体 X满足样本平均值- $\mu$ $\mu$ /（S/ $\sqrt{n}$ )~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 $t{_{\alpha /2}}^{(n-1)}$ ,第二象限分位点为- $t{_{\alpha /2}}^{(n-1)}$ ，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。