数学试验：.docVIP

第15讲 参数估计与假设检验 目的要求: 了解参数估计与假设检验的基本原理与适应情形 掌握进行参数估计与假设检验的MATLAB命令 教学重点及难点: 重点：参数估计与假设检验的MATLAB命令 难点：参数估计与假设检验的MATLAB命令 教学方法手段: 讲练法，实验法 学法指导: 通过对某些概率分布的密度函数的参数估计（以正态为例）以及进行简单的正态假设检验，来揭示生活中的随机数据的一些统计规律。 创新点: 突出数据的统计规律性及处理技巧。 1. 参数估计 当我们可以基本确定数据集符合某种分布时，下一步我们就该确定这个分布的参数了．由于正态分布情况发生的比较多，故一般我们首先考虑的分布将是正态分布．考虑最多的也是正态分布情况． 对于未知参数的估计，可分两种情况：点估计与区间估计． （1）点估计：构造样本与某个统计量有关的一个函数，作为该统计量的一个估计，称为点估计．Matlab统计工具箱中，一般采用最大似然估计法给出参数的点估计．可以证明： ① 正态分布中，最大似然估计是，的最大似然估计是； ② 泊松分布的最大似然估计是； ③ 指数分布的最大似然估计是，等等． 例1：已知上述例1的数据服从正态分布，试求出和的值． 解： x=load(data1.txt); x=x(:); [mu, sigma] = normfit(x) mu = 75.3417 sigma = 8.8768 因此，=mu=75.3412，=sigma2=8.87682=78.7982． （2）区间估计：构造样本与某个统计量有关的两个函数，作为该统计量的下限估计与上限估计，下限与上限一般能够构成一个区间．这个区间作为该统计量的估计，称为区间估计．Matlab统计工具箱中，一般也采用最大似然估计法给出参数的区间估计． 例2：已知上述例1的数据集服从正态分布，试求出和的置信度为95％的区间估计． 解： x=load(data1.txt); x=x(:); [mu, sigma muci, sigmaci] = normfit(x) mu = 75.3417 sigma = 8.8768 muci = 73.7371 76.9462 sigmaci = 7.8781 10.1678 因此，73.737176.9462，7.878110.1678． 例3：从自动机床加工的同类零件中抽取16件，测得长度值为(data6.txt)： 12.15 12.12 12.01 12.08 12.09 12.16 12.06 12.13 12.07 12.11 12.08 12.01 12.03 12.01 12.03 12.06 已知零件长度服从正态分布，求零件长度的均值和标准差的置信度为99%的置信区间． 解： x=load(data6.txt); x=x(:); [mu, sigma, muci, sigmaci] = normfit(x, 0.01) mu = 12.0750 sigma = 0.0494 muci = 12.0386 12.1114 sigmaci = 0.0334 0.0892 其中muci(1)、muci(2)分别是平均值在99％置信度下的上下限；而sigmaci(1)、sigmaci(2)分别是标准差在99％置信度下的上下限． 2．正态假设检验 对总体的分布律或分布参数作某种假设，根据抽取的样本观察值，运用数理统计的分析方法，检验这种假设是否正确，从而决定接受假设或拒绝假设，这就是假设检验问题．这里仅以正态假设检验为例，来说明假设检验的基本过程． 正态假设检验的一般过程是： （1）对比正态分布的概率密度函数图，判断某统计量的分布可能服从正态分布； （2）利用统计绘图函数normplot( )或weibplot( )进行正态分布检验． （3）假设检验：利用Matlab统计工具箱给出的常用的假设检验方法的函数ttest(x,m,alpha)，进行显著性水平为alpha的t假设检验，以检验正态分布样本x（标准差未知）的均值是否为m．运行结果中，当h=1时，表示拒绝零假设；当h=0时，表示不能拒绝零假设． 例4：试说明例5所示的刀具的使用寿命服从正态分布，并且说明在方差未知的情况下其均值m取为597是否合理？ 解：（1）对比正态分布的概率密度函数图（图17、图18）以及对正态分布的描述（一个变量如果是由大量微小的、独立的随机因素的叠加效果，那么这个变量一定是正态变量．比如测量误差、产品质量等都可用正态分布描述），可得初步结论：该批刀具的使用寿命可能服从正态分布． （2）利用统计绘图函数normplot(x) 进行分布的正态性检验．