第十三讲 参数估计与假设检验97.pptVIP

中值定理与导数的应用 */16 Matlab实验（十三） 一、参数估计 参数估计，就是从样本出发去构造一个统计量作为总体中某未知参数的一个估计量。 一般，求待估参数通常用极大似然估计 给定样本的观测值算出参数? 的估计值，它是未知参数的近似值。 在理论与实际应用中，不仅需要知道参数? 的近似值，还需要知道这种估计的精度。对于给定的?（0? 1），求样本以1-? 的概率包含真实参数的一个范围或区间，这种区间称为置信区间。1-? 称为置信度也称为置信水平。 1 常见分布的参数估计 Beta 分布参数估计 betafit 二项分布参数估计 binofit 均匀分布参数估计 unifit 泊松分布参数估计 Poissfit 指数分布参数估计 expfit 正态分布参数估计 Normfit 功能 命令 从表格可以看出：所有命令都是分布函数名加上fit的后缀. 各函数返回已给数据向量参数的最大似然估计值和 的置信区间， 的默认值为0.05，即置信度为95%。 具体如：已知数据x分别服从n次实验的二项分布和正态分布，计算其极大似然估计 解：数据x服从n次实验的二项分布输入：syms x n [PHAT, PCI]= binofit (x , n, ALPHA) %已知参数n求p 的估计量 数据x服从正态分布输入： syms x [mu,sigma,muci,sigmaci] = normfit(X,alpha) 输出置信度为1-ALPHA 的参数估计，~CI为相应参数的置信区间。 例1. 计算下面服从正态分布数据的极大似然估计和置信区间 a=[459 362 624 542 509 584 433 748 815 505 612 452 434 982 640 742 565 706 593 680 926 653 164 487 734 608 428 1153 593 844 527 552 513 781 474 388 824 538 862 659 775 859 755 649 697 515 628 954 771 609 402 960 885 610 292 837 473 677 358 638 699 634 555 570 84 416 606 1062 484 120 447 654 564 339 280 246 687 539 790 581 621 724 531 512 577 496 468 499 544 645 764 558 378 765 666 763 217 715 310 851]; 2.利用mle函数进行参数估计的命令： [phat,pci]=mle(‘dist’,data,alpha) 其中，phat 参数的极大似然估计； Pci 置信区间；alpha置信水平；缺省为0.05 dist 表示分布类型； data 为已知数据 解：输入a1=a;b=a1(:); %将矩阵变成数列 [p1,p2,p1ci,p2ci]= normfit (b) 输出:[p1,p2,p1ci,p2ci]= normfit (b) p1 =600 p2 =196.6292 p1ci = 560.9845 639.0155 p2ci =172.6418 228.4192 或者： a1=a;b=a1(:); [p,pci]=mle(norm,b) 均值、标准差的极大似然估计分别为:600和195.6436 均值95%的置信区间为:(561.6536，638.3464)； 标准差95%的置信区间为:(170.6834，220.6038)； 或phat =600.0000 195.6436 pic = 561.6536 170.6834 638.3464 220.6038 二、假设检验 a.单个小样本检验： h=lillietest(x,alpha) %检验在置信水平alpha时，x是否服从标准正态分布，alpha缺省时为0.05 h=1 拒绝正态分布假设，h=0 接受正态分布假设 由于假设检验都是在正态总体的基础上进行的，所以在进行假设检验之前，必须先进行正态检验 1.关于正态分布的检验。 1）在MATLAB中针对大、小样本正态分布的拟合优