知经 KNOWECON
登录 注册

知经百科 / Z

正态总体均值的置信区间

正态总体均值的置信区间 (Confidence Interval for the Mean of a Normal Population)

正态总体均值的置信区间是统计推断中的一个核心工具，它为未知的总体均值 μ\mu 提供了一个基于样本数据的区间估计。与给出一个单一数值的点估计（如样本均值 xˉ\bar{x}）不同，置信区间提供了一个数值范围，我们有特定的置信水平相信这个范围包含了真实的总体均值。

构建此置信区间的基本前提是，我们从一个服从正态分布 N(μ,σ2)N(\mu, \sigma^2) 的总体中抽取一个随机样本。这里的 μ\mu 是我们希望估计的未知总体均值，而 σ2\sigma^2 是总体方差。构建置信区间的方法取决于总体方差 σ2\sigma^2 是否已知。

场景一：总体方差 σ2\sigma^2 已知

这是一个在理论教学中常见但在实际应用中较少见的情况，因为它假设我们预先知道了总体的变异程度。

理论基础

根据中心极限定理的推论，如果从一个正态总体 N(μ,σ2)N(\mu, \sigma^2) 中抽取容量为 nn 的随机样本 X1,X2,…,XnX_1, X_2, \ldots, X_n，那么样本均值 Xˉ\bar{X} 的抽样分布也服从正态分布：

Xˉ∼N(μ,σ2n)\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)

其中，分布的均值是总体均值 μ\mu，方差是总体方差的 1/n1/n。这个分布的标准差，即 σ/n\sigma/\sqrt{n}，被称为 均值的标准误 (Standard Error of the Mean)。

为了构建置信区间，我们将样本均值 Xˉ\bar{X} 进行标准化，得到一个服从标准正态分布 N(0,1)N(0, 1) 的量，通常记为 ZZ：

Z=Xˉ−μσ/n∼N(0,1)Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}} \sim N(0, 1)

置信区间的推导

我们的目标是找到一个以样本均值 Xˉ\bar{X} 为中心的区间，该区间有 1−α1-\alpha 的概率包含未知的总体均值 μ\mu。这里的 1−α1-\alpha 是置信水平（例如，95\%），而 α\alpha 是显著性水平。

  1. 我们从标准正态分布中找到两个临界值 (critical values) ±zα/2\pm z_{\alpha/2}，使得这两个值之间的面积为 1−α1-\alpha。 \[ P(-z_{\alpha/2} < Z < z_{\alpha/2}) = 1 - \alpha \] 其中 zα/2z_{\alpha/2} 是标准正态分布上侧 α/2\alpha/2 分位数，即其右侧尾部面积为 α/2\alpha/2 的点。
  2. 将 ZZ 的表达式代入上述不等式： \[ P\left(-z_{\alpha/2} < \frac{\bar{X} - \mu}{\sigma / \sqrt{n}} < z_{\alpha/2}\right) = 1 - \alpha \]
  3. 对不等式进行代数变换，以使 μ\mu 处于中间位置： \[ P\left(\bar{X} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}} < \mu < \bar{X} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}}\right) = 1 - \alpha \]

公式

基于上述推导，当总体方差 σ2\sigma^2 已知时，总体均值 μ\mu 的 100(1−α)%100(1-\alpha)\% 置信区间的计算公式为：

(xˉ−zα/2σn,xˉ+zα/2σn)\left( \bar{x} - z_{\alpha/2} \frac{\sigma}{\sqrt{n}}, \quad \bar{x} + z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right)

或者可以写成：

xˉ±zα/2σn\bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}}

这里的 xˉ\bar{x} 是从具体样本中计算出的样本均值。公式中的 zα/2σnz_{\alpha/2} \frac{\sigma}{\sqrt{n}} 部分被称为 边际误差 (Margin of Error)，它决定了置信区间的宽度。

  • 对于95\%的置信水平，α=0.05\alpha = 0.05，α/2=0.025\alpha/2 = 0.025，对应的 z0.025≈1.96z_{0.025} \approx 1.96。
  • 对于99\%的置信水平，α=0.01\alpha = 0.01，α/2=0.005\alpha/2 = 0.005，对应的 z0.005≈2.576z_{0.005} \approx 2.576。

注意：根据中心极限定理 (Central Limit Theorem)，如果总体分布未知，但样本量 nn 足够大（通常认为 n≥30n \ge 30），Xˉ\bar{X} 的抽样分布也近似服从正态分布，因此上述公式仍然适用（此时 σ\sigma 若未知，可用样本标准差 ss 近似替代，但更严谨的做法是使用下面的t-分布）。

场景二：总体方差 σ2\sigma^2 未知

这是在实际研究和分析中绝大多数情况下的场景。由于总体方差 σ2\sigma^2 未知，我们必须使用样本数据来估计它。这个估计量就是 样本方差 s2s^2。

理论基础

当我们用样本标准差 ss 替代未知的总体标准差 σ\sigma 时，之前构造的标准化统计量不再服从标准正态分布。相反，它服从一个具有 n−1n-1 个自由度 (degrees of freedom) 的 t-分布 (t-distribution)。这个统计量记为 TT：

T=Xˉ−μS/n∼t(n−1)T = \frac{\bar{X} - \mu}{S / \sqrt{n}} \sim t(n-1)

其中 SS 是样本标准差的随机变量形式。t-分布由William Sealy Gosset（笔名 \texttt{\texttt{Student''）发现，因此也常被称为 }}学生t-分布''。它与标准正态分布相似，都是钟形、对称于0，但t-分布的尾部更"厚"，意味着它有更大的变异性。这种更大的变异性来自于使用样本标准差 ss 替代总体标准差 σ\sigma 所引入的额外不确定性。随着自由度（即样本量 nn）的增加，t-分布逐渐逼近标准正态分布。

置信区间的推导

推导过程与方差已知时非常相似，但使用的是t-分布的临界值 tα/2,n−1t_{\alpha/2, n-1}：

  1. 从自由度为 n−1n-1 的t-分布中找到临界值 ±tα/2,n−1\pm t_{\alpha/2, n-1}，使得其间的面积为 1−α1-\alpha。 \[ P(-t_{\alpha/2, n-1} < T < t_{\alpha/2, n-1}) = 1 - \alpha \]
  2. 将 TT 的表达式代入： \[ P\left(-t_{\alpha/2, n-1} < \frac{\bar{X} - \mu}{S / \sqrt{n}} < t_{\alpha/2, n-1}\right) = 1 - \alpha \]
  3. 整理不等式，分离出 μ\mu： \[ P\left(\bar{X} - t_{\alpha/2, n-1} \frac{S}{\sqrt{n}} < \mu < \bar{X} + t_{\alpha/2, n-1} \frac{S}{\sqrt{n}}\right) = 1-\alpha \]

公式

当总体方差 σ2\sigma^2 未知时，总体均值 μ\mu 的 100(1−α)%100(1-\alpha)\% 置信区间的计算公式为：

(xˉ−tα/2,n−1sn,xˉ+tα/2,n−1sn)\left( \bar{x} - t_{\alpha/2, n-1} \frac{s}{\sqrt{n}}, \quad \bar{x} + t_{\alpha/2, n-1} \frac{s}{\sqrt{n}} \right)

或者可以写成：

xˉ±tα/2,n−1sn\bar{x} \pm t_{\alpha/2, n-1} \frac{s}{\sqrt{n}}

这里的 xˉ\bar{x} 和 ss 分别是从样本中计算出的样本均值和样本标准差。临界值 tα/2,n−1t_{\alpha/2, n-1} 需要根据给定的置信水平 α\alpha 和样本量 nn 从t-分布表中查得或使用软件计算。

置信区间的正确理解

对置信区间的解释至关重要，也是初学者常见的误区。

  • 正确的解释：一个95\%的置信区间意味着，如果我们重复进行抽样和计算置信区间的过程无数次，那么由这个方法所构造出的所有区间中，大约有95\%的区间会包含真实的、未知的总体均值 μ\mu。这里的 ``95\%'' 指的是方法的可靠性或成功率，而不是某个特定区间的属性。
  • 错误的解释：一旦你根据一组具体的样本数据计算出一个置信区间（例如，[10.2,11.8][10.2, 11.8]），不能说"总体均值 μ\mu 有95\%的概率落在这个区间内"。因为真实的 μ\mu 是一个固定的常数（尽管未知），而你计算出的区间也是一个固定的区间。μ\mu 要么在这个区间内，要么不在，不存在概率问题。概率性体现在构造这一区间的"过程"上。

影响置信区间宽度的因素

置信区间的宽度等于 2×(边际误差)2 \times (\text{边际误差})。它受到以下三个主要因素的影响：

  1. 置信水平 (1−α)(1-\alpha)：置信水平越高，区间越宽。例如，99\%的置信区间会比95\%的置信区间宽。这是因为要以更高的信心捕捉到总体均值，你需要一个更大的"网"（范围）。数学上，更高的置信水平意味着更小的 α\alpha，从而导致更大的临界值（zα/2z_{\alpha/2} 或 tα/2,n−1t_{\alpha/2, n-1}）。
  2. 样本量 (n)(n)：样本量越大，区间越窄。随着样本量的增加，均值的标准误 s/ns/\sqrt{n} 会减小，这意味着我们的估计更加精确。更多的信息导致更少的不确定性。
  3. 数据变异性 (s(s 或 σ)\sigma)：样本（或总体）的标准差越大，区间越宽。当数据本身非常分散时，对总体均值的估计就带有更大的不确定性，因此需要一个更宽的区间来维持给定的置信水平。

返回百科索引