第三章 统计估计.ppt

2、常见的统计分布或概率分布 均匀分布U(a , b) 正态分布 正态分布概率密度函数的图形 3、样本与抽样 样本：若干个体所组成的集合。 抽样的基本原则： 信息尽可能多，数据代表性强； 投入尽可能少，时间尽可能短； 便于统计处理或信息提取。 抽样方法简介 简单随机抽样 无放回简单随机抽样 有放回简单随机抽样 分层抽样 二阶抽样 集团抽样 系统抽样 多阶（层）的复合抽样 第二节 统计量 1、什么是统计量？ 统计量是样本的函数，通过它对样本信息进行提炼，用来估计总体的某个特征。 常见的统计量 样本比例：用来估计总体中某个比例。 样本均值：用来估计总体均值。 样本方差和样本标准差：用来估计总体方差和总体标准差。 统计量是随机变量 2、统计量的分布——抽样分布 常见统计量的抽样分布 样本比例 一个正态总体的样本均值 3、常见统计量的数字特征 4、统计量的大样本特性 大数定律 第二节 区间估计的基本概念 1、问题的由来 用统计量来估计总体的未知参数（称“点估计”），带有不确定性。其估计误差如何来进行描述和估计呢？这种描述也是点估计好坏的一个标志。 2、置信区间和置信度 用称之为置信下限和置信上限的两个统计量T1和T2所组成的区间[T1, T2]来估计总体的未知参数q，称[T1, T2]为q 的置信区间。 记P(T1≤q ≤ T2)=1－a ，称1－a为q 的置信区间[T1, T2]的置信度；称a 为置信水平。 第三节 正态总体均值的估计 1、正态总体N(m ,s 2)，s 2已知的情形 正态分布应用的广泛性 正态分布的一个重要性质： 正态总体的随机样本X1, … , Xn的任意线性组合 用标准变换来构造正态总体均值的区间估计 2、正态总体N(m ,s 2)，s 2未知的情形 基本方法：利用s 2已知情形的结果，用样本方差S2来替换未知的总体方差s 2。 t分布：设X1, … , Xn为正态总体的随机样本，则 μ的置信区间 样本量的确定 3、非正态总体均值的大样本估计 对于非正态总体，当样本量n很大时，近似成立 5、比例的估计 比例问题是一个0-1问题，总体分布为 于是，得到总体比例 p 的区间估计： 置信度1－α下的置信区间 6、普阿松（Poisson）分布及其应用 普阿松分布的由来——稀有事件 普阿松分布的适用场合 从时间上看，某现象在一个充分短的时间间隔内至多发生一次，且发生的概率趋向于零(当时间间隔趋向于零)，则该现象在某个时间间隔内发生的次数X 就服从普阿松分布。 从空间上看，某现象在一个充分小的区域内至多发生一次，且发生的概率趋向于零(当区域的体积趋向于零)， 则该现象在某个时间间隔内发生的次数 X 就服从普阿松分布。 注：由于某个时间或空间间隔可以分解为大量的小间隔，在这个小间隔内，该现象的发生是一个0-1事件，因此 X 服从普阿松分布，且参数λ等于平均发生次数，即X 的期望值。 例子： 交通事故，水灾，旱灾，火灾，地震，其它灾难； 交通流量，排队人数，电话呼叫数，高能粒子放射数； 产品的缺陷数（如织布疵点），宇宙的天体分布数；等。 普阿松分布的参数估计 第四节 两个正态总体均值之差的估计 第五节 大样本下两总体均值之差的估计 第六节 总体方差的估计 第七节 两个正态总体方差之比的估计 例：总体为较偏倚分布的情况下，样本均值的分布。 上图：总体分布 中图：样本量为25时，500批抽样的样本均值的抽样分布（直方图）。 下图：样本量为100时，500批抽样的样本均值的抽样分布（直方图）。 用随机模拟来确定样本量(方法与该例子相同) 先确定总体分布的形状或分布函数； 再对不同大小样本量的样本均值做直方图，直至接近正态分布为止。 4、有限总体无放回随机抽样的均值估计 设有限总体的个体数目为N，从中无放回地随机抽取了n个个体，得到样本X1, … , Xn。此时，有限总体的均值m 仍用样本均值来估计，这个估计仍然是无偏估计，但其估计方差要进行修整，即 这里，C称为有放回随机抽样的修整系数。 因此，在大样本下可以得到均值m 的近似区间估计： 当抽样比n/N=5%时，C=0.97；n/N=2%时，C=0.99。 其均值和方差分布为 其样本均值或样本比例为 其中 k 服从二项分布，其均值和方差分别为 在大样本的情况下，近似成立 样本量的大小 计算公式 一般计算要求 普通精度：np≥5，n(1－p)≥5 较好精度：np (1－p)≥9 比例p 的置信区间的校正公式（n不大时比较有用） 例：n=1600，k=900，则p的区间估计(置信度95％)为 所谓稀有事件，是一个特殊的0－1问题，其发生的概率几乎为零或很小，例如飞机失事和交通事故，但在大量的观测中会出现若干次，即可以表示为 根据二项分布可知，在n 次随机观