样本标准偏差分布的蒙卡模拟_2010011689..docx

样本标准偏差分布的蒙卡模拟李新斌工物02 2010011689模拟目的：通过对样本标准偏差的模拟，分析样本标准偏差的均值和方差，并与理论上样本标准方差的分布进行比较，验证样本标准方差理论的可行性。模拟说明：模拟方法：利用蒙卡方法，对样本标准偏差进行重复抽样。模拟过程：模拟取样的总体样本选取为正态总体样本，设正态总体样本当中期望值μ=0，均方差σ=10；从正态总体当中随机抽取num1个容量为num2的样本，本次模拟当中，num1先后取为100，1000，10000，100000，1000000100000000…样本容量num2在模拟过程当中取为100；利用蒙卡的方法重复抽样，统计每一个样本标准偏差，并计算得出样本标准偏差的均值和方差；将蒙卡模拟的概率密度曲线与理论上样本标准偏差的概率密度曲线进行对比；利用matlab编写函数如下：function [xstd_mean,xstd_var ] = samplestd( num1,num2,mu,sigma )xstd=zeros(1,num1);%初始化样本标准偏差矩阵；fori=1:num1norm=normrnd(mu,sigma,1,num2);%正态总体当中抽取随机数组样本；xstd(i)=vpa(std(norm),8);%获取随机数组的标准偏差；endxstd_mean1=vpa((1-1/(4*(num2-1)))*sigma,8);%样本标准偏差的期望值；xstd_std1=vpa(sqrt(1/(2*(num2-1))*sigma^2),8);%样本标准偏差的均方差；xstd_mean=vpa(mean(xstd),8);%样本标准偏差的均值；xstd_var=vpa(var(xstd),8);%样本标准偏差的方差；xstd_min=min(xstd);%样本标准方差的最小值；xstd_max=max(xstd);%样本标准方差的最大值；frequenceplot(xstd);%调用frequenceplot函数画出MC模拟的概率密度曲线；holdon;x=xstd_min:0.001:xstd_max;y=(1/((sqrt(2*pi))*xstd_std1))*exp(-((x-xstd_mean1).^2)/(2*xstd_std1.^2));%获得样本标准方差的概率密度函数；plot(x,y,r);%画出样本标准方差的概率密度函数曲线；xlabel(xstd);%x坐标轴；ylabel(xstd probability density);%y坐标轴；legend(MC value,theoretical value);%图例title(Probability density function curve);%标题holdoff;endfunctionfrequenceplot(y)ymin=min(y);%获取数组y的最小值；ymax=max(y);%获取数组y的最大值；x=linspace(ymin,ymax,100); %将数组y最小值和最大值区间分为100份；yy=hist(y,x); %获得以x为中心的直方图中的y的频数；yy=yy/length(y)/((ymax-ymin)/100);%归一化直方图；plot(x,yy);%将直方图的中心连接起来如下为matlab模拟输出的结果：Table 1蒙卡模拟输出的标准偏差的均值和方差num2=100xstd_mean1=9.9747475xstd_var1=0um1xstd_meanxstd_var1009439128861000950366963100009492792311000009.9732890.50378348100000095049303110000000运行时间过长，已放弃100000000内存溢出以下为理论和模拟的概率密度曲线的输出：Figure 1 num1=100Figure 2 num1=1000Figure 3 num1=10000Figure 4 num1=100000Figure 5 num1=1000000模拟结果分析：根据中心极限定理可知，当抽取的样本数足够大时，样本标准偏差的分布近似为一个正态分布，其中：（公式1—截取）（公式2—截取）则样本容量num2=100时，即N=100，则计算可知Sx=9.9747475,σ2(Sx)=0即为样本标准偏差的期望值和方差；从模拟运行的输出结果可以看出，随着样本数的增加，模拟抽样的样本标准偏差的概率密度函数曲线与理论上的样本标准偏差的概率密度函数曲线逐渐吻合，也证明了当抽取的