第2讲 基础知识复习1幻灯片.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 点估计 一些重要的估计量： * 点估计 实例：为了解中国城市失业率，随机抽取了10座城市，得到如下样本。则我们可以用这10座城市的平均失业率来估计中国城市的平均失业率 城市(i) 1 2 3 4 5 6 7 8 9 10 失业率(xi) 5.1 6.4 9.2 4.1 7.5 8.3 2.6 3.5 5.8 7.5 * 点估计 渐进正态性（asymptotic normality） 当样本容量无限增大时估计量趋向于正态分布 中心极限定理（central limit theorem, CLT） 定理一（独立同分布的中心极限定理）：当样本容量无限增大时，任何总体的随机样本的均值趋近于正态分布。 * 点估计 中心极限定理 定理二：李雅普诺夫（Liapunov）定理 * 区间估计 对于一个未知参数，除了估计其近似值（点估计）外，还希望知道这个值的精确程度，从而引出区间估计（interval estimation）问题 置信区间（confidence interval） * 区间估计 正态总体均值的区间估计：总体方差已知 * 区间估计 实例：总体方差已知时正态总体均值的区间估计 * 区间估计 正态总体均值的区间估计：总体方差未知 * 区间估计 标准误（standard error） * 区间估计 正态总体均值的区间估计：95%置信区间的简单法则 * 区间估计 非正态总体均值的区间估计 * 假设检验 假设检验（hypothesis testing） 在总体的PDF未知或某些参数未知的情况下，对总体的分布或参数提出某些假设，然后根据样本对提出的假设作出是拒绝还是接受的判断 实例： Bush和Kerry竞选总统，Bush获得42%的选票而Kerry获得58%的选票。Bush怀疑大选中有作弊行为，雇佣一个咨询机构随机抽取100个选民调查其选举意愿，发现有53人支持他，47人支持Kerry。由此Bush提出两个假设： H0(虚拟假设/原假设，null hypothesis)：v=0.42 （没有作弊） H1(对立假设/备择假设，alternative hypothesis)：v0.42（有作弊） * 假设检验 第Ⅰ类错误（type Ⅰ error） 拒绝了一个真实的虚拟假设 第Ⅱ 类错误（type Ⅱ error） 没有拒绝一个错误的虚拟假设 理论上我们希望犯两类错误的概率都尽可能小，但事实上不可能同时最小化两类错误。为此，我们首先考虑减少犯第Ⅰ类错误的概率，并规定了一个可容忍的犯第Ⅰ类错误的概率 （譬如0.05, 0.01），称为显著性水平（level of significance）。 在选定了显著性水平之后，再考虑把犯第Ⅱ 类错误的概率减到最小。并把不犯第Ⅱ 类错误的概率 称为检验的功效（power of the test）。但一般来说我们不考虑检验的功效。 真实情况 H0真 H0假 检验结果 拒绝 Ⅰ类错误 无错 不拒绝 无错 Ⅱ类错误 * 假设检验 假设检验的两种方法 置信区间法 显著性检验法 假设检验的目的不是估计参数，而是对有关参数的假设做出检验，拒绝或不拒绝提出的假设 * 置信区间法 * 置信区间法 实例： * 显著性检验法 基本思想 * 显著性检验法 拒绝域（region of rejection） 拒绝原假设的检验统计量的值域（取值范围）称为拒绝域；拒绝域的边界点称为临界值（critical value） 1.96 -1.96 0 2.5% 2.5% 2.57 -2.57 0.5% 0.5% * 显著性检验法 实例： * 显著性检验法 双尾检验（two-tailed test） 单尾检验（ one-tailed test） * 显著性检验法 正态总体的均值检验和方差检验 原假设H0 检验统计量 H0为真时统计量服从的分布 对立假设H1 拒绝域 N(0,1) t(n-1) * 显著性检验法 非正态总体的渐进检验 * 显著性检验法 p值/精确显著性水平(p value or exact level of significance) * 显著性检验法 统计显著性与实际显著性(statistical practical significance) * * * * * * * * 随机变量的数字特征 协方差的性质： * 随机变量的数字特征 相关系数（correl