点估计给出参数的一个具体数值，但无法说明这个估计值与参数真值的接近程度。区间估计则是给出一个区间，并给出该区间包含参数真值的可靠程度。
定义 4.1（置信区间）：设总体 $X$ 的分布函数为 $F(x; \\theta)$，$\\theta$ 是未知参数，$X_1, X_2, \\ldots, X_n$ 是来自总体 $X$ 的样本。若对于给定的 $\\alpha$（$0 < \\alpha < 1$），存在两个统计量 $\\hat{\\theta}_L = \\hat{\\theta}_L(X_1, X_2, \\ldots, X_n)$ 和 $\\hat{\\theta}_U = \\hat{\\theta}_U(X_1, X_2, \\ldots, X_n)$，使得：
$$P(\\hat{\\theta}_L \\leq \\theta \\leq \\hat{\\theta}_U) = 1 - \\alpha$$
则称随机区间 $[\\hat{\\theta}_L, \\hat{\\theta}_U]$ 为参数 $\\theta$ 的置信度为 $1-\\alpha$ 的置信区间（Confidence Interval），$\\hat{\\theta}_L$ 和 $\\hat{\\theta}_U$ 分别称为置信下限和置信上限，$1-\\alpha$ 称为置信水平或置信度。
对置信区间的重要理解：
求参数 $\\theta$ 的置信区间的一般步骤：
1. 构造一个包含参数 $\\theta$ 的统计量 $T = T(X_1, X_2, \\ldots, X_n; \\theta)$，且 $T$ 的分布已知（不依赖于 $\\theta$）
2. 对于给定的置信水平 $1-\\alpha$，确定常数 $a$ 和 $b$，使得：
$$P(a \\leq T \\leq b) = 1 - \\alpha$$
通常取 $P(T < a) = P(T > b) = \\alpha/2$（等尾置信区间）
3. 将不等式 $a \\leq T \\leq b$ 变形为 $\\hat{\\theta}_L \\leq \\theta \\leq \\hat{\\theta}_U$
4. 区间 $[\\hat{\\theta}_L, \\hat{\\theta}_U]$ 即为 $\\theta$ 的置信度为 $1-\\alpha$ 的置信区间
定义 4.2（枢轴量）：设 $X_1, X_2, \\ldots, X_n$ 是来自总体 $X$ 的样本，$g(X_1, X_2, \\ldots, X_n; \\theta)$ 是样本和参数 $\\theta$ 的函数。若 $g$ 的分布不依赖于参数 $\\theta$，则称 $g$ 为枢轴量（Pivot）。
枢轴量法的核心思想是构造一个枢轴量，然后利用枢轴量的分布来建立置信区间。
1. 寻找一个良好的点估计 $\\hat{\\theta}$
2. 构造枢轴量 $G = G(\\hat{\\theta}, \\theta)$，其分布已知且与 $\\theta$ 无关
3. 对于置信水平 $1-\\alpha$，确定分位数 $c$ 和 $d$，使得 $P(c \\leq G \\leq d) = 1-\\alpha$
4. 将不等式变形为 $P(\\hat{\\theta}_L \\leq \\theta \\leq \\hat{\\theta}_U) = 1-\\alpha$
设 $X_1, X_2, \\ldots, X_n$ 是来自 $N(\\mu, \\sigma^2)$ 的样本，其中 $\\sigma^2$ 已知。
由第二章知：$\\bar{X} \\sim N(\\mu, \\sigma^2/n)$，因此：
$$Z = \\frac{\\bar{X} - \\mu}{\\sigma/\\sqrt{n}} \\sim N(0, 1)$$
$Z$ 是枢轴量。对于置信水平 $1-\\alpha$：
$$P\\left(-u_{\\alpha/2} \\leq \\frac{\\bar{X} - \\mu}{\\sigma/\\sqrt{n}} \\leq u_{\\alpha/2}\\right) = 1 - \\alpha$$
变形得：
$$P\\left(\\bar{X} - \\frac{\\sigma}{\\sqrt{n}}u_{\\alpha/2} \\leq \\mu \\leq \\bar{X} + \\frac{\\sigma}{\\sqrt{n}}u_{\\alpha/2}\\right) = 1 - \\alpha$$
因此，$\\mu$ 的置信度为 $1-\\alpha$ 的置信区间为：
$$\\left[\\bar{X} - \\frac{\\sigma}{\\sqrt{n}}u_{\\alpha/2}, \\bar{X} + \\frac{\\sigma}{\\sqrt{n}}u_{\\alpha/2}\\right]$$
或写成 $\\bar{X} \\pm \\dfrac{\\sigma}{\\sqrt{n}}u_{\\alpha/2}$。
当 $\\sigma^2$ 未知时，用样本标准差 $S$ 代替 $\\sigma$。由第二章知：
$$T = \\frac{\\bar{X} - \\mu}{S/\\sqrt{n}} \\sim t(n-1)$$
$T$ 是枢轴量。对于置信水平 $1-\\alpha$：
$$P\\left(-t_{\\alpha/2}(n-1) \\leq \\frac{\\bar{X} - \\mu}{S/\\sqrt{n}} \\leq t_{\\alpha/2}(n-1)\\right) = 1 - \\alpha$$
因此，$\\mu$ 的置信度为 $1-\\alpha$ 的置信区间为：
$$\\left[\\bar{X} - \\frac{S}{\\sqrt{n}}t_{\\alpha/2}(n-1), \\bar{X} + \\frac{S}{\\sqrt{n}}t_{\\alpha/2}(n-1)\\right]$$
例 4.1：某工厂生产的零件长度服从正态分布。随机抽取16个零件，测得平均长度为 $\\bar{x} = 10.2$ cm，样本标准差 $s = 0.8$ cm。求零件平均长度的95%置信区间。
解：$n = 16$，$\\bar{x} = 10.2$，$s = 0.8$，$1-\\alpha = 0.95$，$\\alpha/2 = 0.025$
查t分布表：$t_{0.025}(15) = 2.131$
置信区间为： $$10.2 \\pm \\frac{0.8}{\\sqrt{16}} \\times 2.131 = 10.2 \\pm 0.426$$
即 $[9.774, 10.626]$（cm）。
设 $X_1, X_2, \\ldots, X_{n_1}$ 来自 $N(\\mu_1, \\sigma_1^2)$，$Y_1, Y_2, \\ldots, Y_{n_2}$ 来自 $N(\\mu_2, \\sigma_2^2)$，两样本独立。
(1) 方差 $\\sigma_1^2$ 和 $\\sigma_2^2$ 已知：
枢轴量为： $$Z = \\frac{(\\bar{X} - \\bar{Y}) - (\\mu_1 - \\mu_2)}{\\sqrt{\\dfrac{\\sigma_1^2}{n_1} + \\dfrac{\\sigma_2^2}{n_2}}} \\sim N(0, 1)$$
置信区间为： $$(\\bar{X} - \\bar{Y}) \\pm u_{\\alpha/2}\\sqrt{\\frac{\\sigma_1^2}{n_1} + \\frac{\\sigma_2^2}{n_2}}$$
(2) 方差相等但未知（$\\sigma_1^2 = \\sigma_2^2 = \\sigma^2$）：
枢轴量为： $$T = \\frac{(\\bar{X} - \\bar{Y}) - (\\mu_1 - \\mu_2)}{S_w\\sqrt{\\dfrac{1}{n_1} + \\dfrac{1}{n_2}}} \\sim t(n_1 + n_2 - 2)$$
其中 $S_w^2 = \\dfrac{(n_1-1)S_1^2 + (n_2-1)S_2^2}{n_1 + n_2 - 2}$
置信区间为： $$(\\bar{X} - \\bar{Y}) \\pm t_{\\alpha/2}(n_1 + n_2 - 2) \\cdot S_w\\sqrt{\\frac{1}{n_1} + \\frac{1}{n_2}}$$
设 $X_1, X_2, \\ldots, X_n$ 来自 $N(\\mu, \\sigma^2)$，其中 $\\mu$ 未知。
由第二章知： $$\\chi^2 = \\frac{(n-1)S^2}{\\sigma^2} \\sim \\chi^2(n-1)$$
$\\chi^2$ 是枢轴量。对于置信水平 $1-\\alpha$：
$$P\\left(\\chi^2_{1-\\alpha/2}(n-1) \\leq \\frac{(n-1)S^2}{\\sigma^2} \\leq \\chi^2_{\\alpha/2}(n-1)\\right) = 1 - \\alpha$$
变形得：
$$P\\left(\\frac{(n-1)S^2}{\\chi^2_{\\alpha/2}(n-1)} \\leq \\sigma^2 \\leq \\frac{(n-1)S^2}{\\chi^2_{1-\\alpha/2}(n-1)}\\right) = 1 - \\alpha$$
因此，$\\sigma^2$ 的置信度为 $1-\\alpha$ 的置信区间为：
$$\\left[\\frac{(n-1)S^2}{\\chi^2_{\\alpha/2}(n-1)}, \\frac{(n-1)S^2}{\\chi^2_{1-\\alpha/2}(n-1)}\\right]$$
注意：由于卡方分布不对称，置信区间也不关于 $S^2$ 对称。
设两独立样本分别来自 $N(\\mu_1, \\sigma_1^2)$ 和 $N(\\mu_2, \\sigma_2^2)$。
由第二章知： $$F = \\frac{S_1^2/\\sigma_1^2}{S_2^2/\\sigma_2^2} = \\frac{S_1^2}{S_2^2} \\cdot \\frac{\\sigma_2^2}{\\sigma_1^2} \\sim F(n_1-1, n_2-1)$$
$F$ 是枢轴量。对于置信水平 $1-\\alpha$：
$$P\\left(F_{1-\\alpha/2}(n_1-1, n_2-1) \\leq \\frac{S_1^2}{S_2^2} \\cdot \\frac{\\sigma_2^2}{\\sigma_1^2} \\leq F_{\\alpha/2}(n_1-1, n_2-1)\\right) = 1 - \\alpha$$
因此，$\\sigma_1^2/\\sigma_2^2$ 的置信度为 $1-\\alpha$ 的置信区间为：
$$\\left[\\frac{S_1^2}{S_2^2} \\cdot \\frac{1}{F_{\\alpha/2}(n_1-1, n_2-1)}, \\frac{S_1^2}{S_2^2} \\cdot \\frac{1}{F_{1-\\alpha/2}(n_1-1, n_2-1)}\\right]$$
利用性质 $F_{1-\\alpha/2}(n_1-1, n_2-1) = \\dfrac{1}{F_{\\alpha/2}(n_2-1, n_1-1)}$，也可写成：
$$\\left[\\frac{S_1^2}{S_2^2} \\cdot \\frac{1}{F_{\\alpha/2}(n_1-1, n_2-1)}, \\frac{S_1^2}{S_2^2} \\cdot F_{\\alpha/2}(n_2-1, n_1-1)\\right]$$
对于非正态总体，当样本容量 $n$ 充分大时（通常 $n \\geq 30$），由中心极限定理：
$$\\frac{\\bar{X} - \\mu}{\\sigma/\\sqrt{n}} \\approx N(0, 1)$$
若 $\\sigma$ 已知，$\\mu$ 的近似置信区间为： $$\\bar{X} \\pm \\frac{\\sigma}{\\sqrt{n}}u_{\\alpha/2}$$
若 $\\sigma$ 未知，用 $S$ 代替，近似置信区间为： $$\\bar{X} \\pm \\frac{S}{\\sqrt{n}}u_{\\alpha/2}$$
设 $X \\sim B(n, p)$，求 $p$ 的置信区间。
(1) 大样本方法：当 $n$ 充分大时，由棣莫弗-拉普拉斯中心极限定理： $$\\frac{X - np}{\\sqrt{np(1-p)}} \\approx N(0, 1)$$
因此，$p$ 的近似置信区间为： $$\\hat{p} \\pm u_{\\alpha/2}\\sqrt{\\frac{\\hat{p}(1-\\hat{p})}{n}}$$
其中 $\\hat{p} = X/n$。
(2) Wilson区间：更精确的置信区间可以通过解以下不等式得到： $$\\left|\\frac{\\hat{p} - p}{\\sqrt{p(1-p)/n}}\\right| \\leq u_{\\alpha/2}$$
在某些实际问题中，我们只关心参数的置信下限或上限。
定义 4.3（单侧置信区间）：设 $\\hat{\\theta}_L$ 和 $\\hat{\\theta}_U$ 是统计量，若： $$P(\\hat{\\theta}_L \\leq \\theta) = 1 - \\alpha$$ 则称 $[\\hat{\\theta}_L, +\\infty)$ 为 $\\theta$ 的置信度为 $1-\\alpha$ 的单侧置信区间，$\\hat{\\theta}_L$ 为单侧置信下限。
若： $$P(\\theta \\leq \\hat{\\theta}_U) = 1 - \\alpha$$ 则称 $(-\\infty, \\hat{\\theta}_U]$ 为 $\\theta$ 的置信度为 $1-\\alpha$ 的单侧置信区间，$\\hat{\\theta}_U$ 为单侧置信上限。
以单个正态总体、方差未知为例：
单侧置信下限： $$\\hat{\\mu}_L = \\bar{X} - \\frac{S}{\\sqrt{n}}t_{\\alpha}(n-1)$$
单侧置信上限： $$\\hat{\\mu}_U = \\bar{X} + \\frac{S}{\\sqrt{n}}t_{\\alpha}(n-1)$$
对于相同的置信水平，置信区间越短越好，表示估计越精确。
对于正态总体均值 $\\mu$ 的置信区间：
置信区间的主要评价标准是实际覆盖率是否接近名义置信水平 $1-\\alpha$。
1. 从正态总体 $N(\\mu, 0.5^2)$ 中抽取样本容量为16的样本，样本均值 $\\bar{x} = 5.2$。求 $\\mu$ 的95%置信区间。
2. 设某种电子元件的寿命服从正态分布。随机抽取10个元件，测得平均寿命为1500小时，样本标准差为120小时。求平均寿命的95%置信区间。
3. 设两批电子器材的电阻服从正态分布，分别抽样6个，测得 $\\bar{x} = 0.141$，$s_1 = 0.0026$；$\\bar{y} = 0.139$，$s_2 = 0.0024$。假设方差相等，求两批器材平均电阻差 $\\mu_1 - \\mu_2$ 的95%置信区间。
4. 从正态总体中抽取样本容量为25的样本，$s^2 = 10$。求总体方差 $\\sigma^2$ 的95%置信区间。
5. 设 $X_1, X_2, \\ldots, X_n$ 是来自均匀分布 $U(0, \\theta)$ 的样本，求 $\\theta$ 的置信度为 $1-\\alpha$ 的置信区间。（提示：考虑 $T = \\max(X_1, \\ldots, X_n)/\\theta$）
6. 设 $X_1, X_2, \\ldots, X_n$ 是来自指数分布 $Exp(\\lambda)$ 的样本，求 $\\lambda$ 的置信区间。
7. 在某次选举前的民意调查中，随机调查了1000名选民，其中有520人支持候选人A。求支持率 $p$ 的95%置信区间。
8. 某工厂生产一种零件，其长度服从正态分布。现从一批零件中随机抽取25件，测得平均长度为20.5 mm，样本标准差为0.8 mm。
(a) 求零件平均长度的95%置信区间； (b) 求零件长度标准差的95%置信区间； (c) 若要求平均长度的估计误差不超过0.3 mm，置信度为95%，问至少需要抽取多少件零件？
9. 为比较两种小麦品种的产量，选择18块条件相似的试验田，随机分成两组，每组9块，分别种植两种小麦。测得A品种平均亩产 $\\bar{x} = 520$ kg，$s_1 = 40$ kg；B品种平均亩产 $\\bar{y} = 480$ kg，$s_2 = 35$ kg。假设两品种产量都服从正态分布：
(a) 假设方差相等，求两品种平均亩产差的95%置信区间； (b) 不求方差相等的假设，用Welch近似方法求置信区间。
10. 设 $X_1, X_2, \\ldots, X_n$ 是来自正态总体 $N(\\mu, \\sigma^2)$ 的样本，其中 $\\mu$ 已知。证明 $\\sigma^2$ 的置信度为 $1-\\alpha$ 的置信区间为：
$$\\left[\\frac{\\sum(X_i-\\mu)^2}{\\chi^2_{\\alpha/2}(n)}, \\frac{\\sum(X_i-\\mu)^2}{\\chi^2_{1-\\alpha/2}(n)}\\right]$$
并比较该区间与 $\\mu$ 未知时的区间的长度。
本章介绍了区间估计的基本方法：
区间估计相比点估计提供了更多关于估计不确定性的信息，是统计推断的重要工具。