概率论与数理统计实训06.pptVIP

1. 问题背景 参数估计是数理统计中的一个基本概念和重要的基本方法, 是指用样本对总体分布中 的未知参数做出的估计, 这种估计我们常见的有点估计和区间估计两种. 所谓点估计, 就是 用样本统计量确定总体参数的一个取值. 评价估计优劣的标准有无偏性、最小方差性、有效 性等. 点估计的方法有矩法、极大似然法. 区间估计有置信度、可靠度和精确度的问题. 对于一个总体, 可以用一些参数来描述其表征, 如数学期望、方差等. 如果总体的某个 参数未知, 统计学提供了一些方法, 它们可以用来估计未知参数介于哪个区间内. 参数估计 是数理统计中重要的内容, 也是计算量很大的问题. 以前在这方面的教学中都是使用计算器 和查表, 非常麻烦. 下面我们用 MATLAB 来解决这个问题. 2. 实验目的与要求 (1) 掌握参数估计的MATLAB 的有关命令; (2) 熟悉区间估计的置信度、可靠度和精确度的三者关系; (3) 熟练掌握总体数学期望和方差的点估计和区间估计的相关命令. 样本数字特征法 用样本均值 作为总体均值EX的估计值； 用样本方差 作为总体方差DX的估计值。 在Matlab中，样本x = [x1, x2,…, xn]，则 样本均值：mx = 1/n*sum (x) 样本方差：S2 = 1/(n-1)*sum ((x-mx).^2) 基本数学原理: 矩估计法 这里主要介绍总体为正态分布的参数 的矩估计。 设X~N ( )，X1, X2,…, Xn为其样本，则参数的矩估计量为： 在Matlab中，样本x = [x1, x2,…, xn]，则 样本均值：mx = 1/n*sum (x) 样本方差：sigma = 1/n*sum ((x-mx).^2) 离散型随机变量的极大似然估计法: (1) 似然函数 若X 为离散型, 似然函数为 (2) 求似然函数的最大值点, 则就是未知参数的极大似然估计值. 连续型随机变量的极大似然估计法: (1) 似然函数 若 X 为连续型, 似然函数为 (2) 求似然函数的最大值点, 则就是未知参数的极大似然估计值. Matlab统计工具箱中给出了最大似然法估计常用概率分布的参数的点估计和区间估计值函数. 常用分布的参数估计函数 参数似然估计函数表 函数名 调 用 形 式 函 数 说 明 binofit binofit (X, N) [PHAT, PCI] = binofit (X, N, ALPHA) 二项分布的最大似然估计 返回 水平的参数估计和置信区间 poissfit poissfit (X) [LAMBDAHAT, LAMBDACI]= poissfit (X,) 泊松分布的最大似然估计 返回 水平的 参数和置信区间 normfit normfit (X, ALPHA) [MUHAT, SIGMAHAT, MUCI, SIGMACI] = normfit (X, ALPHA) 正态分布的最大似然估计 返回 水平的期望、方差和置信区间 Unifit unifit (X, ALPHA) [AHAT, BHAT, ACI, BCI] = unifit (X, ALPHA) 均匀分布的最大似然估计 返回 水平的参数估计和置信区间 expfit expfit (X) [MUHAT, MUCI] = expfit (X, ALPHA) 指数分布的最大似然估计 返回 水平的参数估计和置信区间 1. 均匀分布的参数估计函数 基本数学原理: 均匀分布的概率密度函数 在 MATLAB 中用函数 unifit 来计算均匀分布中参数的极大似然估计值和置信区间, 其基本调用格式如下: ·[ahat,bhat]=unifit(x) % 根据给出的均匀分布样本数据x, 计算并返回均匀分布的两个参数a 和b 极大似然估计值ahat 和bhat; · [ahat,bhat,aci,bci]=unifit(x) % 除返回参数a 和b 的极大似然估计值ahat 和bhat 外, 还要计算返回置信度为0.95 的两个参数的置信区间aci 和 bci; ·[ahat,bhat,aci,bci]=unifit(x,alpha) % 返回的置信区间的置信度为100(1-alpha)%. 例 1 产生 100 行2 列服从区间(10, 12)上的均匀分布的随机数, 计算区间端点“a”和“b”的极大似然估计值, 求出置信度为0.95 的这两个参数的置信区间. 解 在命令窗口中输入: r = unifrnd(10, 12, 100, 2); [ahat, bhat, aci, bci] = unifi