章节学习页

专业知识 · 05-Courses/数理统计/02-Notes/统计推断/04_区间估计/章节学习页.md

# 第 4 章 区间估计

本章在学什么

一句话：本章学习如何用一个区间表达参数估计的不确定性，而不是只给一个点估计值。

在统计学习链条中的位置：

点估计 -> 抽样分布/标准误 -> 置信区间 -> 假设检验和报告表达

课程和工作用途：当你报告平均成绩、转化率、模型效果、实验差异或风险指标时，不能只写一个估计值，还要说明这个估计有多不确定。

教材目录

• 4.1 区间估计的基本概念
• 4.2 枢轴变量法 - 正态总体参数的置信区间
• 4.3 枢轴变量法 - 非正态总体参数的置信区间
• 4.4 Fisher 的信仰推断法
• 4.5 容忍区间与容忍限
• 习题 4

必须掌握的概念

• [x] 区间估计
• [x] 置信区间
• [x] 置信水平
• [x] 置信限
• [x] 单侧置信限
• [x] 枢轴变量
• [x] 标准误 standard error
• [x] 正态总体均值置信区间
• [x] 正态总体方差置信区间
• [x] 大样本置信区间

了解即可的内容

• [ ] Fisher 信仰推断：知道它试图从样本直接给参数作区间判断，本阶段不作为主线。
• [ ] 容忍区间和容忍限：知道它关注“总体中未来观测值的覆盖比例”，不同于参数置信区间。

概念填充区

区间估计 interval estimation

• 一句话定义：区间估计是用样本构造一个随机区间来估计未知参数所在范围。
• 直觉解释：点估计像“猜一个数”，区间估计像“给一个合理范围”。
• 专业表达：对参数 \(\theta\)，由样本构造区间 \([L(X),U(X)]\)，使其按预定置信水平覆盖 \(\theta\)。
• 常见符号：\([L,U]\)、\((1-\alpha)\)、95% CI。
• 典型场景：报告“平均成绩估计为 72.3，95% 置信区间为 [69.8, 74.8]”。
• 容易混淆的点：区间估计估的是参数，不是样本数据的范围。
• 和后续章节的关系：第 5 章假设检验与置信区间可以互相对应。
• 给 AI 的高质量提示词：请根据样本均值、样本标准差和样本量，为总体均值构造 95% 置信区间，并解释含义。

置信区间 confidence interval

• 一句话定义：置信区间是按某种方法从样本构造出的参数区间，长期重复抽样时有固定比例覆盖真实参数。
• 直觉解释：95% 置信区间不是说“这个具体区间有 95% 概率包含参数”，而是说“这个造区间的方法长期有 95% 的覆盖率”。
• 专业表达：若 \(P_\theta(L(X)\le \theta\le U(X))=1-\alpha\)，则 \([L(X),U(X)]\) 是 \(\theta\) 的 \(1-\alpha\) 置信区间。
• 常见符号：CI、\(1-\alpha\)、\(\alpha=0.05\)。
• 典型场景：估计总体均值、比例、两个均值差、方差或模型指标。
• 容易混淆的点：频率学派中参数是固定的，随机的是区间。
• 和后续章节的关系：双侧检验中，若原假设参数值不在 95% 置信区间内，通常对应 5% 显著性水平下拒绝原假设。
• 给 AI 的高质量提示词：请解释这个 95% 置信区间的频率学派含义，并指出不能怎么误读。

置信水平 confidence level

• 一句话定义：置信水平是构造区间的方法在重复抽样中覆盖真实参数的长期比例。
• 直觉解释：置信水平越高，想更保险，区间通常越宽。
• 专业表达：\(1-\alpha\) 是置信水平，常见取值为 90%、95%、99%。
• 常见符号：\(1-\alpha\)、\(\alpha\)、\(z_{\alpha/2}\)、\(t_{n-1,\alpha/2}\)。
• 典型场景：课程作业通常默认 95% 置信水平；更保守报告可能使用 99%。
• 容易混淆的点：置信水平不是样本中落入区间的数据比例。

标准误 standard error

• 一句话定义：标准误是估计量抽样分布的标准差。
• 直觉解释：标准误衡量估计量在重复抽样中会抖动多大。
• 专业表达：若估计量为 \(\hat\theta\)，则 \(SE(\hat\theta)=SD(\hat\theta)\)。
• 常见例子：样本均值的标准误为 \(\sigma/\sqrt n\)，若 \(\sigma\) 未知则用 \(S/\sqrt n\)。
• 容易混淆的点：标准差描述原始数据波动，标准误描述估计量波动。

枢轴变量 pivotal quantity

• 一句话定义：枢轴变量是一个含有参数和样本、但其分布不依赖未知参数的量。
• 直觉解释：如果一个标准化后的量有已知分布，就可以反过来解出参数区间。
• 专业表达：若 \(Q(X,\theta)\) 的分布不依赖未知参数，则 \(Q\) 是枢轴变量。
• 常见符号：\(Z=(\bar X-\mu)/(\sigma/\sqrt n)\)、\(T=(\bar X-\mu)/(S/\sqrt n)\)、\((n-1)S^2/\sigma^2\)。
• 典型场景：用标准正态、t、chi-square 分布构造置信区间。
• 容易混淆的点：枢轴变量可以含未知参数；关键是它的分布不能依赖未知参数。
• 和后续章节的关系：枢轴变量法是本章区间估计的核心技术。
• 给 AI 的高质量提示词：请找出这个区间估计问题的枢轴变量，并用它反解参数的置信区间。

单侧置信限 one-sided confidence bound

• 一句话定义：单侧置信限只给参数的上界或下界。
• 直觉解释：有些问题只关心“至少多大”或“最多多大”，不需要双侧区间。
• 专业表达：若 \(P(L(X)\le \theta)=1-\alpha\)，则 \(L(X)\) 是 \(\theta\) 的下置信限；若 \(P(\theta\le U(X))=1-\alpha\)，则 \(U(X)\) 是上置信限。
• 典型场景：设备失效率不超过多少、药物有效率至少多少、风险损失上界。
• 容易混淆的点：单侧置信限对应单侧检验，临界值不同于双侧区间。

容忍区间 tolerance interval

• 一句话定义：容忍区间试图覆盖总体中至少某个比例的个体观测值。
• 直觉解释：置信区间关心参数在哪里；容忍区间关心未来大部分数据会落在哪里。
• 典型场景：质量控制中希望给出“至少 95% 产品指标落入某范围”的区间。
• 容易混淆的点：置信区间不是预测区间，也不是容忍区间。

公式与推导

通用结构

大多数常见置信区间都可以写成：

\[ \text{估计值}\pm \text{临界值}\times \text{标准误} \]

直觉：估计值是中心，标准误表示估计有多抖，临界值由置信水平决定。

方差已知的正态均值置信区间

若：

\[ X_1,\dots,X_n\sim N(\mu,\sigma^2) \]

且 \(\sigma\) 已知，则：

\[ Z=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1) \]

于是 \(\mu\) 的 \(1-\alpha\) 置信区间为：

\[ \bar X\pm z_{\alpha/2}\frac{\sigma}{\sqrt n} \]

95% 时常用 \(z_{0.025}=1.96\)。

方差未知的正态均值 t 置信区间

若 \(\sigma\) 未知，用样本标准差 \(S\) 代替：

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

\(\mu\) 的 \(1-\alpha\) 置信区间为：

\[ \bar X\pm t_{n-1,\alpha/2}\frac{S}{\sqrt n} \]

直觉：因为 \(S\) 本身也有不确定性，所以使用 t 分布，尾部比标准正态更厚。

正态总体方差 chi-square 置信区间

正态总体下：

\[ \frac{(n-1)S^2}{\sigma^2}\sim \chi^2(n-1) \]

\(\sigma^2\) 的 \(1-\alpha\) 置信区间为：

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

注意：由于 chi-square 分布不对称，方差区间通常也不对称。

大样本比例置信区间

若样本比例为 \(\hat p\)，大样本下：

\[ \hat p \approx N\left(p,\frac{p(1-p)}{n}\right) \]

常用近似区间为：

\[ \hat p\pm z_{\alpha/2}\sqrt{\frac{\hat p(1-\hat p)}{n}} \]

直觉：样本量大时，样本比例近似正态。

两总体均值差置信区间

若两个独立样本方差未知且样本量较大，可用近似区间：

\[ (\bar X-\bar Y)\pm z_{\alpha/2}\sqrt{\frac{S_X^2}{n_X}+\frac{S_Y^2}{n_Y}} \]

直觉：两个均值差的标准误由两个样本的不确定性共同贡献。

代码任务 1：模拟 95% 置信区间覆盖率

import numpy as np  # 导入 numpy，用于随机数和数值计算

from scipy import stats  # 导入 scipy.stats，用于获得 t 分布临界值



np.random.seed(42)  # 固定随机种子，保证结果可复现



true_mu = 70  # 设置真实总体均值，现实中通常未知

true_sigma = 10  # 设置真实总体标准差

n = 30  # 每次抽样的样本量

repeat = 5000  # 重复抽样次数

confidence = 0.95  # 设置置信水平为 95%

alpha = 1 - confidence  # 显著性水平 alpha 为 0.05



covered = 0  # 计数：有多少个区间覆盖了真实均值



for i in range(repeat):  # 重复抽样很多次，用来观察长期覆盖率

    sample = np.random.normal(true_mu, true_sigma, size=n)  # 从正态总体中抽取样本

    sample_mean = np.mean(sample)  # 计算样本均值

    sample_std = np.std(sample, ddof=1)  # 计算样本标准差，用 ddof=1 得到无偏样本方差

    se = sample_std / np.sqrt(n)  # 计算样本均值的标准误

    critical = stats.t.ppf(1 - alpha / 2, df=n - 1)  # 计算 t 分布双侧临界值

    lower = sample_mean - critical * se  # 计算置信区间下限

    upper = sample_mean + critical * se  # 计算置信区间上限



    if lower <= true_mu <= upper:  # 判断这次构造的区间是否覆盖真实均值

        covered += 1  # 如果覆盖，就把计数加 1



coverage_rate = covered / repeat  # 计算重复抽样中的实际覆盖比例



print("目标置信水平:", confidence)  # 输出理论置信水平

print("模拟覆盖率:", coverage_rate)  # 输出模拟得到的覆盖率

结果解释：如果方法正确，模拟覆盖率应接近 0.95。这说明 95% 置信区间的含义是“长期覆盖率约为 95%”。

代码任务 2：用 scipy 计算 t 置信区间

import numpy as np  # 导入 numpy

from scipy import stats  # 导入 scipy.stats



sample = np.array([68, 72, 75, 71, 69, 73, 70, 74, 76, 72])  # 构造一个最小样本数据



n = len(sample)  # 计算样本量

sample_mean = np.mean(sample)  # 计算样本均值

sample_std = np.std(sample, ddof=1)  # 计算样本标准差

se = sample_std / np.sqrt(n)  # 计算样本均值标准误



confidence = 0.95  # 设置置信水平

alpha = 1 - confidence  # 计算 alpha

critical = stats.t.ppf(1 - alpha / 2, df=n - 1)  # 根据自由度 n-1 计算 t 临界值



lower = sample_mean - critical * se  # 计算下限

upper = sample_mean + critical * se  # 计算上限



print("样本均值:", sample_mean)  # 输出样本均值

print("标准误:", se)  # 输出标准误

print("95% 置信区间:", (lower, upper))  # 输出置信区间

结果解释：这个区间用于估计总体均值。报告时应写“按该方法重复抽样，约 95% 的区间会覆盖真实总体均值”。

代码任务 3：比较样本量对区间宽度的影响

import numpy as np  # 导入 numpy

from scipy import stats  # 导入 scipy.stats



np.random.seed(42)  # 固定随机种子



true_mu = 70  # 设置真实均值

true_sigma = 10  # 设置真实标准差

confidence = 0.95  # 设置置信水平

alpha = 1 - confidence  # 计算 alpha



for n in [10, 30, 100]:  # 比较三个不同样本量

    sample = np.random.normal(true_mu, true_sigma, size=n)  # 抽取样本

    sample_mean = np.mean(sample)  # 计算样本均值

    sample_std = np.std(sample, ddof=1)  # 计算样本标准差

    se = sample_std / np.sqrt(n)  # 计算标准误

    critical = stats.t.ppf(1 - alpha / 2, df=n - 1)  # 计算 t 临界值

    lower = sample_mean - critical * se  # 区间下限

    upper = sample_mean + critical * se  # 区间上限

    width = upper - lower  # 区间宽度



    print("样本量:", n)  # 输出样本量

    print("区间:", (lower, upper))  # 输出置信区间

    print("区间宽度:", width)  # 输出区间宽度

结果解释：通常样本量越大，标准误越小，置信区间越窄。也就是说，更多样本能降低估计不确定性。

代码任务 4：总体比例的 95% 置信区间

import numpy as np  # 导入 numpy

from scipy import stats  # 导入 scipy.stats



success = 42  # 成功次数，例如 100 个用户中 42 个转化

n = 100  # 样本量

p_hat = success / n  # 计算样本比例



confidence = 0.95  # 设置置信水平

alpha = 1 - confidence  # 计算 alpha

z = stats.norm.ppf(1 - alpha / 2)  # 计算标准正态双侧临界值



se = np.sqrt(p_hat * (1 - p_hat) / n)  # 用样本比例估计标准误

lower = p_hat - z * se  # 计算下限

upper = p_hat + z * se  # 计算上限



print("样本比例:", p_hat)  # 输出样本比例

print("95% 置信区间:", (lower, upper))  # 输出比例的近似置信区间

结果解释：这个区间表示总体转化率的合理范围。若样本量较小或比例接近 0/1，应考虑更稳健的区间方法；本阶段先掌握大样本近似。

课后作业与答案

题 1：什么是 95% 置信区间？

答案：它是由样本构造出的随机区间；如果重复抽样并按同一方法构造区间，长期大约 95% 的区间会覆盖真实参数。

解释：不能简单说“真实参数有 95% 概率落在这个已经算出的区间里”。

题 2：样本均值为 10，已知 \(\sigma=4\)，\(n=64\)，求 \(\mu\) 的 95% 置信区间。

答案：标准误为 \(4/\sqrt{64}=0.5\)，95% 临界值约为 1.96。

\[ 10\pm 1.96\times 0.5=[9.02,10.98] \]

题 3：若总体方差未知，为什么用 t 区间而不是 z 区间？

答案：因为用样本标准差 \(S\) 替代未知总体标准差 \(\sigma\)，引入额外不确定性，标准化统计量服从 t 分布。

题 4：置信水平从 95% 提高到 99%，区间会变宽还是变窄？

答案：变宽。

解释：更高置信水平要求更高长期覆盖率，因此临界值更大，区间更宽。

题 5：判断题：置信区间越窄一定越好。

答案：错误。

解释：区间窄可能意味着估计更精确，也可能是错误低估了不确定性。必须同时看方法是否正确、模型假设是否合理、覆盖率是否可信。

题 6：什么是枢轴变量？

答案：枢轴变量是含样本和未知参数，但其分布不依赖未知参数的量。

解释：例如 \((\bar X-\mu)/(S/\sqrt n)\) 含 \(\mu\)，但在正态总体下服从 \(t(n-1)\)，可用于反解 \(\mu\) 的区间。

题 7：代码题：给定样本 [5.1, 4.9, 5.3, 5.0, 5.2]，求均值的 95% t 置信区间。

import numpy as np  # 导入 numpy

from scipy import stats  # 导入 scipy.stats



sample = np.array([5.1, 4.9, 5.3, 5.0, 5.2])  # 输入样本

n = len(sample)  # 样本量

mean = np.mean(sample)  # 样本均值

std = np.std(sample, ddof=1)  # 样本标准差

se = std / np.sqrt(n)  # 标准误

critical = stats.t.ppf(0.975, df=n - 1)  # 95% 双侧 t 临界值

ci = (mean - critical * se, mean + critical * se)  # 构造置信区间



print(ci)  # 输出置信区间

答案解释：代码输出的是总体均值的 95% t 置信区间。样本量很小，t 临界值会比 1.96 更大。

题 8：报告表达题：如何写置信区间结论？

答案：

基于样本数据，我们得到总体均值的点估计为 \(\bar x\)。在正态总体且方差未知的假设下，使用 t 分布构造 95% 置信区间。该区间反映了均值估计的不确定性；按相同方法重复抽样，约 95% 的区间会覆盖真实总体均值。

报告可写表达

• “点估计只能给出一个中心值，不能反映抽样误差，因此进一步构造置信区间。”
• “本题总体方差未知，故使用 t 分布而非标准正态分布构造均值置信区间。”
• “95% 置信区间的含义是该造区间方法的长期覆盖率为 95%，而不是参数以 95% 概率落入某个已观测区间。”
• “样本量增加会降低标准误，从而通常缩窄置信区间。”

可以追问老师/同学的问题

• 作业中是否默认用 95% 置信水平？
• 小样本下正态性假设需要如何检查？
• 比例的置信区间是否要求掌握 Wilson 区间，还是只需大样本近似？
• 容忍区间是否会作为考试重点，还是只需了解概念？

给 AI 的高质量提示词

请帮我为这个参数构造置信区间：先判断参数类型和样本条件；选择 z、t、chi-square 或大样本近似；写出枢轴变量或近似分布；给出公式、Python 代码、逐行注释，并解释置信区间的正确含义和常见误读。