试验设计与数据处理(第1与2章).ppt

＝ ＝D(ξ) 又因为 所以E(S*2)＝ ＝ ＝ 所以S2是D(ξ)的无偏估计量，而S*2不是D(ξ)的无偏估计量。 无偏性是估计量好坏的标准之一，但是一个总体参数的无偏估计量并不是唯一的。如果要比较同一参数的两个无偏估计量的好坏，自然应该在样本容量完全相同的条件下，看哪一个摆动更小，这就是有效性的概念。 定义2：设 和 是同一参数θ的无偏估计量，若D( )＜D( )，则 比 有效。 2、有效性 例1-6 比较E(ξ)的两个估计量 及 ＝ξ1的有效性。 解：D( )＝ ， D( )＝σ2 ∵ D( )＜D( ) ∴ 比 有效。 对点估计，即使是无偏和有效的，也只能是一定程度地精确。那么究竟估计量 与被估计量θ相关多大？ 在距离θ的一个什么范围之内？这样的范围通常用区间的形式给出，同时给出此区间包含参数θ真值的可靠程度，这种形式的估计称为区间估计。 区间估计是要根据样本来确定一个区间( , )，使参数落在这个区间内的概率等于一个给定的数(1－α)，即P( ＜θ＜ )＝1－α 二、参数的区间估计 其中，( , )称为θ的(1－α)的置信区间，(1－α)叫置信度， 叫置信下限， 叫置信上限，区间估计就是求置信区间( , )。 （一）正态总体数学期望的区间估计 1、已知σ2，估计μ 设总体ξ～N(μ,σ2)，且σ2已知，(ξ1,ξ2,…,ξn)是来自正态总体的一个样本，则由式(1-3)和式(1-4)已知 ～N(μ, ) (1-3) u＝ ～N (0, 1) (1-4) 根据正态分布的性质，对给定的α，查正态分布的分位数表(附表2)，可得 使得 即 其中 ∵ | －μ|≤ ∴ P ( ≤μ≤ )＝1－α 所以μ的置信区间为( ， ) 例1-7 在某饮料灌装机灌装的汽水中随机抽取6瓶，检验瓶内饮料的体积(ml)，结果为251，250.8，249，249.5，251.5，250 求：(1) 该批产品灌装的平均体积(ml) (2) 若已知方差σ2为2.5，求平均灌装体积的置信区间 解： ＝ ＝250.3 给定α＝0.05，故 ＝0.025，查附表2得U0.025＝1.96 又因为σ2＝2.5，所以σ＝ ，n＝6，所以 ＝250.3－1.96× ＝249.0 ＝250.3＋1.96× ＝251.6 即置信区间为(249.0，251.6)，置信水平为95％。 由前面的讨论已知，分布函数完整地描述了随机变量的概率分布规律，只要知道了分布函数，就可以求出该随机变量在任意区间上的概率。但在许多实际问题中，很多随机变量要想求出它的分布函数并不是一件容易的事，而且在许多问题中往往并不一定需要知道随机变量的分布函数，只需要知道它的某些特征就够了。 描述随机变量的某些特征的量叫做随机变量的数字特征。常用的数字特征是数学期望和方差。 四、随机变量的数字特征 1、数学期望的概念 首先举一个例子，假设对某种食品的水分进行了n次测量，其中有m1次测得的结果为x1，m2次测得的结果为x2，…，mk次测得的结果为xk，则测定结果的平均值为 其中，m1＋m2＋…＋mk＝n，mi为xi出现的频数，mi/n为xi出现的频率。因此，所求的平均值就是随机变量所取值与对应的频率的乘积之和。 （一）数学期望(均值) 由于频率具有偶然性，所以我们用频率稳定值——概率代替频率，就消除了偶然性，从本质上反映了随机变量的平均值。习惯上，我们把这个平均结果叫做数学期望(或均值)。 2、离散型随机变量的数学期望 设离散型随机变量的分布列为 … pn … p2 p1 … ) xn … x2 x1 （ 我们把x1p1＋x2p2＋…＋xnpn＋… 叫做随机变量的数学期望(或均值)，记作E(ξ) 即E(ξ)= 3、连续型随机变量的数学期望 设ξ为一个连续型随机变量，它的概率密度函数为f(x)，(－∞＜x＜＋∞) 如果广义积分 收敛，则称E(ξ)＝ 为连续型随机变量的数学期望。 例1-1 设ξ～N(μ,σ2)，求E(ξ) 解：ξ的概率密度函数为 f(x)＝ (－∞＜x＜＋∞) 则E(ξ)＝