置信區(qū)間 confidence interval

預備知識

這里提到的內容可能在其他筆記中有出現(xiàn)炮叶,但是考慮到重復能夠加深記憶渡处,就這樣吧祟辟。

隨機變量之差的方差

已知條件:
E(x)=\mu_x, E(y)=\mu_y
Var(x)=E((x-\mu_x)^2)=\sigma^2_x, Var(y)=E((y-\mu_y)^2)=\sigma^2_y川尖。

另有隨機變量z=x+y,那么有:
E(z)=E(x+y)=E(x)+E(y) \Rightarrow \mu_z=\mu_x+\mu_y
這是很好理解的,相當于兩個色子的點數(shù)相加后的期望馍悟,當然是每個色子期望之和剩晴。類似的,還有E(x-y)=E(x)-E(y)毅整。

比較不那么顯然是方差的情況绽左,這里作一個簡單說明:
Var(z)=E((z-\mu_z)^2)=E((x+y-(\mu_x+\mu_y))^2)
=E((x-\mu_x)^2+(y-\mu_y)^2-2(x-\mu_x)(y-\mu_y))
=E((x-\mu_x)^2)+E((y-\mu_y)^2)-E(2(x-\mu_x)(y-\mu_y))
=Var(x)+Var(y)
這里的E(2(x-\mu_x)(y-\mu_y))相當于是把隨機變量的值累加再減去均值的累加拼窥,結果當然是0鲁纠。因此第三項前面無論是正號還是負號,都不影響結果情龄,因此我們可以說:
Var(x \pm y)=Var(x)+Var(y)
結論:隨機變量之差(和)的方差為這些隨機變量方差之和捍壤。

順便看一下相反數(shù)的情況:
Var(-x)=E((-x-(-\mu_x))^2)=E((-1)^2(x-\mu_x)^2)=Var(x)
結論:隨機變量與其相反數(shù)方差相等。

樣本均值之差的分布

已知條件:
有兩個隨機變量x,y的某種分布尚胞,不一定是正態(tài)分布笼裳。但是根據(jù)中心極限定理,我們可以確定它們的樣本均值的抽樣分布符合正態(tài)分布拜轨。
不過這里先假設x \sim(\mu_x, \sigma_x^2), y \sim(\mu_y, \sigma_y^2)允青。

關于抽樣分布的參數(shù):
均值:根據(jù)中心極限定理,其均值和總體相同法牲,即\mu_{\bar{x}}=\mu_x, \mu_{\bar{y}}=\mu_y琼掠。
方差:\sigma_\bar{x}^2 = \dfrac{\sigma_x^2}{n}, \sigma_\bar{y}^2 = \dfrac{\sigma_y^2}{m}瓷蛙,m,n為樣本的大小。

證明:
樣本中的元素假設都是獨立的x_1, x_2 ... x_n横堡」谔遥可以理解把一次抽n個變成每次抽一個,抽n次(有放回地抽忍酌础)碳蛋。因此Var(x_1)=...=Var(x_n)=\sigma都等于總體標準差肃弟。記該樣本的均值為\bar{x}穷缤。
Var( \bar{ x })=Var(\dfrac{x_1+...+x_n}{n})=\dfrac{1}{n^2}\sum Var(x_i)=\dfrac{1}{n}\sigma^2

現(xiàn)在來看樣本均值之差的分布津肛,為了方便汗贫,記這個差值為隨機變量z
\mu_z =E(\bar{x}-\bar{y})=E(\bar{x})-E(\bar{y})=\mu_x-\mu_y
\sigma_z^2=Var(\bar{x}-\bar{y})=Var(\bar{x})+Var(\bar{y})=\dfrac{\sigma_x^2}{n}+\dfrac{\sigma_y^2}{m}

均值之差的置信區(qū)間

在不同的場合下,置信區(qū)間有不同的用法摊唇,這里用于均值之差涯鲁。
有這樣一個實驗:實驗組食用低脂肪食物抹腿,對照組食用等量非低脂肪食物。均為100人幢踏,一段時間后房蝉,實驗組體重減少的均值為9.31微渠,標準差4.67。對照組體重減少的均值為7.40檀蹋,標準差4.04云芦。(假定這里的標準差是無偏的)
由于我們要看的是該種減肥方式對所有人總體的效果舅逸,因此測試這部分人只能算作樣本,現(xiàn)在坠七,我們是在通過樣本估計總體旗笔。大部分實驗都是這個基本思路。
為了判斷低脂肪食物是否真的有減肥作用拳魁,我們來觀察差值z=x-y的分布情況撮弧。其中,x是實驗組的隨機變量卦尊,y是對照組的隨機變量岂却。
從抽樣的情況看,均值相差:9.31 - 7.40 = 1.91署浩,看起來低脂肪食物是有效的扫尺。我們進一步通過置信區(qū)間來明確這個有效的程度正驻。
\mu_{\bar{z}} = \mu_{\bar{x}} - \mu_{\bar{y}}
\sigma_{\bar{z}}^2=\sigma_{\bar{x}}^2+\sigma_{\bar{y}}^2
= \dfrac{\sigma_x^2}{n}+\dfrac{\sigma_y^2}{m} (這里n=m=100

但是我們不知道總體的方差襟交。但是我們可以通過一次抽樣的無偏估計來估算總體的方差捣域。因此繼續(xù):

=\dfrac{S_x^2}{n}+\dfrac{S_y^2}{m}=\dfrac{4.67^2+4.04^2}{100}=0.381305 \Rightarrow \sigma_{\bar{z}}=\sqrt{0.381305}=0.617
于是\bar{z}\sim N(\mu=1.91, \sigma=0.617)

假如我們選擇95%置信區(qū)間贞言,它的含義就是說逐样,大約在100次抽樣中,有95次這個差值會命中我們的這個區(qū)間挪捕。那么怎么算這個區(qū)間呢级零?
我們已經計算出\bar{z}的分布了,也就是假如我們抽樣非常多次鉴嗤,最后的z的概率密度曲線就是我們所計算的那個正態(tài)分布的曲線。那么要有95%的命中率序调,我們當然就應該讓這個區(qū)間對應的曲線下的面積為95%醉锅。
查表可得:在區(qū)間[\mu-1.96\sigma, \mu+1.96\sigma]之間的面積是95%,那么我們可以算出:

1.96 \times 0.617 = 1.21
于是我們的置信區(qū)間就是 1.91 \pm 1.21发绢,即[0.7, 3.12]硬耍。可以看出边酒,在95%的置信水平下经柴,下限也是一個正值,即實驗組的減肥效果優(yōu)于對照組墩朦。我們的結論是:該方案有效坯认。

參考資料

可汗學院 https://www.khanacademy.org

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市牛哺,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌劳吠,老刑警劉巖荆隘,帶你破解...
    沈念sama閱讀 217,277評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異赴背,居然都是意外死亡嗅虏,警方通過查閱死者的電腦和手機楞遏,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,689評論 3 393
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來叽讳,“玉大人褒脯,你說我怎么就攤上這事便瑟。” “怎么了番川?”我有些...
    開封第一講書人閱讀 163,624評論 0 353
  • 文/不壞的土叔 我叫張陵到涂,是天一觀的道長。 經常有香客問我颁督,道長践啄,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,356評論 1 293
  • 正文 為了忘掉前任沉御,我火速辦了婚禮屿讽,結果婚禮上,老公的妹妹穿的比我還像新娘吠裆。我一直安慰自己伐谈,他們只是感情好烂完,可當我...
    茶點故事閱讀 67,402評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著诵棵,像睡著了一般抠蚣。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上履澳,一...
    開封第一講書人閱讀 51,292評論 1 301
  • 那天嘶窄,我揣著相機與錄音,去河邊找鬼奇昙。 笑死护侮,一個胖子當著我的面吹牛,可吹牛的內容都是我干的储耐。 我是一名探鬼主播羊初,決...
    沈念sama閱讀 40,135評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼什湘!你這毒婦竟也來了长赞?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 38,992評論 0 275
  • 序言:老撾萬榮一對情侶失蹤闽撤,失蹤者是張志新(化名)和其女友劉穎得哆,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體哟旗,經...
    沈念sama閱讀 45,429評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡贩据,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,636評論 3 334
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了闸餐。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片饱亮。...
    茶點故事閱讀 39,785評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖舍沙,靈堂內的尸體忽然破棺而出近上,到底是詐尸還是另有隱情,我是刑警寧澤拂铡,帶...
    沈念sama閱讀 35,492評論 5 345
  • 正文 年R本政府宣布壹无,位于F島的核電站,受9級特大地震影響感帅,放射性物質發(fā)生泄漏斗锭。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 41,092評論 3 328
  • 文/蒙蒙 一留瞳、第九天 我趴在偏房一處隱蔽的房頂上張望拒迅。 院中可真熱鬧,春花似錦、人聲如沸璧微。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,723評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽前硫。三九已至胞得,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間屹电,已是汗流浹背阶剑。 一陣腳步聲響...
    開封第一講書人閱讀 32,858評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留危号,地道東北人牧愁。 一個月前我還...
    沈念sama閱讀 47,891評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像外莲,于是被迫代替她去往敵國和親猪半。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,713評論 2 354

推薦閱讀更多精彩內容

  • 早晨的太陽是最美的偷线,它沒有正午太陽的熾熱磨确,也沒有黃昏太陽的慘淡,它象一個美麗又堅強的佼佼者声邦,在同萬物競爭乏奥。 它悄無...
    佘璽閱讀 688評論 0 1
  • 東營市海河小學2018級3班“自立孝親邓了,讀書修身”活動之張文耀同學做力所能及的事,洗碗媳瞪。去舊圖書館借還書驶悟,讀《米小...
    茜茜耀耀閱讀 137評論 0 1
  • 今天下了好大的雪,雪很厚材失,踩上去咯吱咯吱的。 今天中午和晚上因為找不到對方而生了一會氣硫豆,不過還好龙巨,吃完飯就不生氣了...
    劉大狗子閱讀 110評論 1 1