最后更新: 2026-01-07 07:48 查看: 418 次纠错评论(0) 课件开VIP

附表：参数估计服从分布表与例题 ★★★★★

比如：
（1）如果是一个正态分布，且题目告诉你**方差已知**，估计均值，则均值服从正态分布。
（2）如果是一个正态分布，且题目告诉你**方差未知**，估计均值，则均值服从：小样本（30个以下）使用t分布，大样本（超过30）使用正态分布。
(3)要会查分布表的值。
 
## 一个正态分布
### 单个正态总体均值的区间估计（方差已知）
   
`例`某车间生产的零件长度服从正态分布 $X \sim N(\mu, 0.04)$。现从生产线上随机抽取16个零件，测得平均长度为20.5 cm。求零件长度的均值 $\mu$ 的95%置信区间。

**分析**：
*   总体分布：正态 $N(\mu, \sigma^2)$，且**方差 $\sigma^2 = 0.04$ 已知**。
*   样本量：$n = 16$
*   样本均值：$\bar{x} = 20.5$
*   置信水平：$1 - \alpha = 0.95$，所以 $\alpha = 0.05$，$\alpha/2 = 0.025$

**步骤**：
1.  **选择统计量**：由于方差已知，我们使用 **Z统计量**。
 
$$
    Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}} \sim N(0, 1)
$$

2.  **确定临界值**：查标准正态分布表（或使用统计软件），找到 $z_{0.025}$。
 
$$
    z_{0.025} = 1.96
$$
 
 这意味着 $P(-1.96 < Z < 1.96) = 0.95$。

3.  **构建置信区间**：根据不等式 $-z_{\alpha/2} < Z < z_{\alpha/2}$，代入Z的表达式并进行代数变换，得到 $\mu$ 的置信区间公式：

$$
    P\left( \bar{X} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}} < \mu < \bar{X} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right) = 1 - \alpha
$$

因此，95%置信区间为：

$$
    \left[ \bar{x} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}},\ \bar{x} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right]
$$

4.  **代入数据计算**：
    *   $\sigma = \sqrt{0.04} = 0.2$
    *   $\sqrt{n} = \sqrt{16} = 4$
    *   边际误差 $E = z_{\alpha/2} \frac{\sigma}{\sqrt{n}} = 1.96 \times \frac{0.2}{4} = 1.96 \times 0.05 = 0.098$
    *   置信区间下限：$20.5 - 0.098 = 20.402$
    *   置信区间上限：$20.5 + 0.098 = 20.598$

**答案**：我们有95%的置信度认为该车间生产的零件长度的均值 $\mu$ 在 **[20.402 cm, 20.598 cm]** 之间。

### 单个正态总体均值的区间估计（方差未知，小样本）
`例`假设某品牌电池寿命服从正态分布。现随机抽取9节电池进行寿命测试，得到平均寿命为500小时，样本标准差为40小时。求该品牌电池平均寿命 $\mu$ 的99%置信区间。

**分析**：
*   总体分布：正态 $N(\mu, \sigma^2)$，但**方差 $\sigma^2$ 未知**。
*   样本量：$n = 9$（小样本，$n < 30$）
*   样本均值：$\bar{x} = 500$
*   样本标准差：$s = 40$
*   置信水平：$1 - \alpha = 0.99$，所以 $\alpha = 0.01$，$\alpha/2 = 0.005$

**步骤**：
1.  **选择统计量**：由于方差未知且为小样本，我们使用 **t统计量**（自由度为 $n-1$）。

$$
    T = \frac{\bar{X} - \mu}{S / \sqrt{n}} \sim t(n-1)
$$

2.  **确定临界值**：查t分布表，自由度 $df = n - 1 = 8$，双侧概率 $\alpha = 0.01$。

$$
    t_{0.005}(8) = 3.355
$$

这意味着 $P(-3.355 < T < 3.355) = 0.99$。

3.  **构建置信区间**：公式变为：

$$
    \left[ \bar{x} - t_{\alpha/2}(n-1) \frac{s}{\sqrt{n}},\ \bar{x} + t_{\alpha/2}(n-1) \frac{s}{\sqrt{n}} \right]
$$

4.  **代入数据计算**：
    *   $\sqrt{n} = \sqrt{9} = 3$
    *   边际误差 $E = t_{\alpha/2}(n-1) \frac{s}{\sqrt{n}} = 3.355 \times \frac{40}{3} \approx 44.733$
    *   置信区间下限：$500 - 44.733 = 455.267$
    *   置信区间上限：$500 + 44.733 = 544.733$

**答案**：我们有99%的置信度认为该品牌电池的平均寿命 $\mu$ 在 **[455.27小时, 544.73小时]** 之间。

### 单个正态总体方差的区间估计 
`例` 承接例题2的数据。已知电池寿命服从正态分布，样本量 $n=9$，样本均值 $\bar{x}=500$，样本标准差 $s=40$。求总体方差 $\sigma^2$ 的95%置信区间。

**分析**：
*   目标参数：方差 $\sigma^2$
*   总体分布：正态（这是使用卡方分布的前提）
*   样本量：$n = 9$
*   样本方差：$s^2 = 40^2 = 1600$
*   置信水平：$1 - \alpha = 0.95$，所以 $\alpha = 0.05$，$\alpha/2 = 0.025$，$1-\alpha/2 = 0.975$

**步骤**：
1.  **选择统计量**：用于方差区间估计的统计量是卡方 ($\chi^2$) 分布。
 
$$
    \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)
$$

2.  **确定临界值**：查卡方分布表，自由度 $df = n - 1 = 8$。
    *   左侧临界值：$\chi^2_{1-\alpha/2}(n-1) = \chi^2_{0.975}(8) = 2.180$
    *   右侧临界值：$\chi^2_{\alpha/2}(n-1) = \chi^2_{0.025}(8) = 17.535$
    这意味着 $P(2.180 < \frac{(n-1)S^2}{\sigma^2} < 17.535) = 0.95$。

3.  **构建置信区间**：将不等式中的 $\sigma^2$ 分离出来。

$$
    P\left( \frac{(n-1)s^2}{\chi^2_{\alpha/2}(n-1)} < \sigma^2 < \frac{(n-1)s^2}{\chi^2_{1-\alpha/2}(n-1)} \right) = 1 - \alpha
$$
    
因此，$\sigma^2$ 的95%置信区间为：

$$
    \left[ \frac{(n-1)s^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)s^2}{\chi^2_{1-\alpha/2}(n-1)} \right]
$$

4.  **代入数据计算**：
    *   分子：$(n-1)s^2 = 8 \times 1600 = 12800$
    *   置信区间下限：$\frac{12800}{17.535} \approx 730.0$
    *   置信区间上限：$\frac{12800}{2.180} \approx 5871.6$

**答案**：我们有95%的置信度认为该品牌电池寿命的总体方差 $\sigma^2$ 在 **[730.0, 5871.6]** 之间。（如果需要标准差的置信区间，只需对方差区间的上下限分别开方即可，约为 [27.02, 76.63] 小时）

### 大样本下总体比例的区间估计
`例`在一次市场调查中，随机访问了400名消费者，其中有220人表示喜欢某新款饮料。试以95%的置信水平估计所有消费者中喜欢该饮料的真实比例 $p$ 的置信区间。

**分析**：
*   目标参数：比例 $p$
*   样本量：$n = 400$（大样本，$np$ 和 $n(1-p)$ 都大于5即可满足正态近似条件）
*   样本比例：$\hat{p} = \frac{220}{400} = 0.55$
*   置信水平：95%，对应 $z_{\alpha/2} = 1.96$

**步骤**：
1.  **选择统计量**：在大样本条件下，样本比例 $\hat{P}$ 近似服从均值为 $p$、方差为 $\frac{p(1-p)}{n}$ 的正态分布。

$$
    Z = \frac{\hat{P} - p}{\sqrt{\frac{p(1-p)}{n}}} \quad \text{(理论上)}
$$

但由于 $p$ 未知，我们用 $\hat{p}$ 代替分母中的 $p$ 来计算标准误。

2.  **构建置信区间**：公式为：

$$
    \left[ \hat{p} - z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}},\ \hat{p} + z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \right]
$$

3.  **代入数据计算**：
    *   标准误 $SE = \sqrt{\frac{0.55 \times (1-0.55)}{400}} = \sqrt{\frac{0.2475}{400}} = \sqrt{0.00061875} \approx 0.024875$
    *   边际误差 $E = 1.96 \times 0.024875 \approx 0.04875$
    *   置信区间下限：$0.55 - 0.04875 = 0.50125$
    *   置信区间上限：$0.55 + 0.04875 = 0.59875$

**答案**：我们有95%的置信度认为所有消费者中喜欢该饮料的真实比例 $p$ 在 **[50.13%, 59.88%]** 之间。

## 两个正态分布

### 两独立正态总体，方差已知时均值差的区间估计

这是最理想化的情况，可以直接使用标准正态分布（Z分布）。

`例` A、B两条生产线生产同一种零件。已知A线生产的零件长度 $X \sim N(\mu_1, 0.04)$，B线生产的零件长度 $Y \sim N(\mu_2, 0.09)$（单位：cm）。现从A线随机抽取25个零件，测得平均长度为10.2 cm；从B线随机抽取36个零件，测得平均长度为10.0 cm。假设两条生产线的生产相互独立，试求A线零件平均长度比B线零件平均长度多出的部分 ($\mu_1 - \mu_2$) 的 **95% 置信区间**。

解
**第一步：判断问题与分布**

1.  **目标参数**：两个独立总体均值之差 $\mu_1 - \mu_2$。
2.  **已知条件**：
    *   两个总体均服从正态分布。
    *   两个总体的方差 **$\sigma_1^2 = 0.04$ 和 $\sigma_2^2 = 0.09$ 均已知**。
    *   样本相互独立。
    *   样本量 $n_1=25$, $n_2=36$ (均为大样本，但此处方差已知，与小样本无关)。
3.  **方法选择**：当两个独立正态总体的方差都已知时，无论样本量大小，均值差 $\mu_1 - \mu_2$ 的置信区间基于 **标准正态分布 (Z分布)** 构造。
    其枢轴量为：
    $$ Z = \frac{(\bar{X} - \bar{Y}) - (\mu_1 - \mu_2)}{\sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}} \sim N(0, 1) $$

**第二步：列出已知样本数据**

*   $\bar{x} = 10.2$, $\sigma_1^2 = 0.04$, $n_1 = 25$
*   $\bar{y} = 10.0$, $\sigma_2^2 = 0.09$, $n_2 = 36$
*   置信水平 $1-\alpha = 0.95$，所以 $\alpha/2 = 0.025$，$z_{0.025} = 1.96$

**第三步：代入公式计算置信区间**

均值差 $\mu_1 - \mu_2$ 的 $1-\alpha$ 置信区间公式为：
$$ \left( (\bar{x} - \bar{y}) - z_{\alpha/2} \cdot \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}},\ (\bar{x} - \bar{y}) + z_{\alpha/2} \cdot \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}} \right) $$

1.  **计算点估计值**：$\bar{x} - \bar{y} = 10.2 - 10.0 = 0.2$
2.  **计算标准误 (Standard Error)**：
    $$ SE = \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}} = \sqrt{\frac{0.04}{25} + \frac{0.09}{36}} = \sqrt{0.0016 + 0.0025} = \sqrt{0.0041} \approx 0.06403 $$
3.  **计算边际误差 (Margin of Error)**：
    $$ E = z_{\alpha/2} \cdot SE = 1.96 \times 0.06403 \approx 0.1255 $$
4.  **计算置信区间上下限**：
    *   下限: $0.2 - 0.1255 = 0.0745$
    *   上限: $0.2 + 0.1255 = 0.3255$

**最终答案**：
我们有 95% 的置信度认为，A线零件的平均长度比B线零件的平均长度多出 **(0.075 cm, 0.326 cm)**。
**结论解读**：由于整个置信区间位于正数范围内，我们可以说在95%的置信水平下，A线的平均长度显著长于B线。

### 两独立正态总体，方差未知但相等时均值差的区间估计

这是更贴近实际应用的情况，需要使用合并方差和t分布。

`例`为了比较两种教学方法的效果，随机抽取了两组学生。第一组($n_1=10$)采用方法A，数学成绩为：78, 85, 92, 67, 88, 76, 95, 82, 80, 85。第二组($n_2=12$)采用方法B，数学成绩为：72, 81, 80, 75, 70, 85, 79, 82, 77, 68, 83, 78。假设两组学生的数学成绩分别服从正态分布，且方差相等 ($\sigma_1^2 = \sigma_2^2$)，但方差值未知。试求两种教学方法下学生平均成绩之差 ($\mu_1 - \mu_2$) 的 **95% 置信区间**。

解：

**第一步：判断问题与分布**

1.  **目标参数**：两个独立总体均值之差 $\mu_1 - \mu_2$。
2.  **已知条件**：
    *   两个总体均服从正态分布。
    *   两个总体的方差 **未知但相等** ($\sigma_1^2 = \sigma_2^2 = \sigma^2$)。
    *   样本相互独立。
    *   样本量 $n_1=10$, $n_2=12$ (均为小样本)。
3.  **方法选择**：当两独立正态总体方差未知但相等时，需要用**合并样本方差 $S_p^2$** 来估计共同方差 $\sigma^2$，并使用 **t 分布** 构造置信区间。
    其枢轴量为：
    $$ T = \frac{(\bar{X} - \bar{Y}) - (\mu_1 - \mu_2)}{S_p \cdot \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}} \sim t(n_1 + n_2 - 2) $$
    其中，合并方差 $S_p^2$ 的计算公式为：
    $$ S_p^2 = \frac{(n_1 - 1)S_1^2 + (n_2 - 1)S_2^2}{n_1 + n_2 - 2} $$

**第二步：计算样本统计量**

1.  **计算样本均值**：
    *   方法A: $\bar{x} = \frac{78+85+...+85}{10} = \frac{828}{10} = 82.8$
    *   方法B: $\bar{y} = \frac{72+81+...+78}{12} = \frac{930}{12} = 77.5$

2.  **计算样本方差**：
    *   方法A: $s_1^2 = \frac{\sum (x_i - \bar{x})^2}{n_1 - 1} = \frac{(78-82.8)^2 + ... + (85-82.8)^2}{9} = \frac{558.4}{9} \approx 62.044$
    *   方法B: $s_2^2 = \frac{\sum (y_i - \bar{y})^2}{n_2 - 1} = \frac{(72-77.5)^2 + ... + (78-77.5)^2}{11} = \frac{318.5}{11} \approx 28.955$

3.  **计算合并方差 $S_p^2$**：
    $$ S_p^2 = \frac{(10-1) \times 62.044 + (12-1) \times 28.955}{10 + 12 - 2} = \frac{9 \times 62.044 + 11 \times 28.955}{20} $$
    $$ S_p^2 = \frac{558.396 + 318.505}{20} = \frac{876.901}{20} \approx 43.845 $$
    $$ S_p = \sqrt{43.845} \approx 6.622 $$

**第三步：查找临界值**

置信水平 $1-\alpha = 0.95$，$\alpha/2 = 0.025$。
自由度 $df = n_1 + n_2 - 2 = 10 + 12 - 2 = 20$。
查 **t 分布表** 得：$t_{0.025}(20) \approx 2.086$。

**第四步：代入公式计算置信区间**

均值差 $\mu_1 - \mu_2$ 的 $1-\alpha$ 置信区间公式为：
$$ \left( (\bar{x} - \bar{y}) - t_{\alpha/2}(n_1+n_2-2) \cdot S_p \cdot \sqrt{\frac{1}{n_1} + \frac{1}{n_2}},\ (\bar{x} - \bar{y}) + t_{\alpha/2}(n_1+n_2-2) \cdot S_p \cdot \sqrt{\frac{1}{n_1} + \frac{1}{n_2}} \right) $$

1.  **计算点估计值**：$\bar{x} - \bar{y} = 82.8 - 77.5 = 5.3$
2.  **计算标准误**：
    $$ SE = S_p \cdot \sqrt{\frac{1}{n_1} + \frac{1}{n_2}} = 6.622 \times \sqrt{\frac{1}{10} + \frac{1}{12}} = 6.622 \times \sqrt{0.18333} \approx 6.622 \times 0.4282 \approx 2.835 $$
3.  **计算边际误差**：
    $$ E = t_{\alpha/2}(df) \cdot SE = 2.086 \times 2.835 \approx 5.914 $$
4.  **计算置信区间上下限**：
    *   下限: $5.3 - 5.914 = -0.614$
    *   上限: $5.3 + 5.914 = 11.214$

**最终答案**：
我们有 95% 的置信度认为，采用方法A和方法B的学生平均成绩之差 ($\mu_1 - \mu_2$) 在 **(-0.61, 11.21)** 分之间。
**结论解读**：由于置信区间包含了0在内，我们不能在95%的置信水平下断定两种教学方法有显著差异。方法A的平均成绩可能高于也可能低于方法B。

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：两个正态总体的参数的区间估计★★★★★

下一篇：没有了

本文对您是否有用？有用 (0) 无用 (0)