《方差的参数估计和置信区间估计.doc》由会员分享，可在线阅读，更多相关《方差的参数估计和置信区间估计.doc（11页珍藏版）》请在金锄头文库上搜索。
1、正态总体均值、方差的参数估计与置信区间估计P316 例6.5.1 置信区间估计clear;Y=14.85 13.01 13.50 14.93 16.97 13.80 17.95 13.37 16.29 12.38;X=normrnd(15,2,10,1) % 随机产生数muhat,sigmahat,muci,sigmaci=normfit(X,0.1) % 正态拟合muhat,sigmahat,muci,sigmaci=normfit(Y,0.1) % 正态拟合 X = 15.2573 16.3129 12.6644 14.0788 14.4751 12.5737 12.3611 16.862
2、4 15.0225 13.7097muhat = 14.3318sigmahat = 1.5595muci = 13.4278 15.2358sigmaci = 1.1374 2.5657muhat = 14.7050sigmahat = 1.8432muci = 13.6365 15.7735sigmaci = 1.3443 3.0324 P320例6.5.5 置信区间估计clear;Y=4.68 4.85 4.32 4.85 4.61 5.02 5.20 4.60 4.58 4.72 4.38 4.70;muhat,sigmahat,muci,sigmaci=normfit(Y,0.05)
3、 muhat = 4.7092sigmahat = 0.2480muci = 4.5516 4.8667sigmaci = 0.1757 0.4211 P321 例6.5.6 置信区间估计clear;Y=45.3 45.4 45.1 45.3 45.5 45.7 45.4 45.3 45.6;muhat,sigmahat,muci,sigmaci=normfit(Y,0.05) muhat = 45.4000sigmahat = 0.1803muci = 45.2614 45.5386sigmaci = 0.1218 0.3454 单正态总体均值的假设检验 方差sigma已知时P338 例7.
4、2.1 %h,p,ci,zval=ztest(X,mu,sigma,alpha,tail,dim)clear all;X= 8.05 8.15 8.2 8.1 8.25;h,p,ci,zval=ztest(X,8,0.2,0.05) h = 0p = 0.0935ci = 7.9747 8.3253zval = 1.6771 注：p为观察值的概率ci为置信区间；zval统计量值若h=0: 表示在显著性水平alpha下，不能否定原假设；若h=1: 表示在显著性水平alpha下，否定原假设；若tail=0:表示双边假设检验；若tail=1:表示单边假设检验（mumu0）；若tail=0:表示单边假
5、设检验（mumu0）；若tail=0:表示单边假设检验（mumu0）；若tail=0:表示单边假设检验（mu(tail为+1)或单边mu0）；若tail=0:表示单边假设检验（mumu0）；clear all;X=20.1 20.0 19.3 20.6 20.2 19.9 20.0 19.9 19.1 19.9;Y=18.6 19.1 20.0 20.0 20.0 19.7 19.9 19.6 20.2;h,p,varci,stats=vartest2(X,Y,0.05,0) h = 0p = 0.5798varci = 0.1567 2.8001stats = fstat: 0.6826 d
6、f1: 9 df2: 8 Chi_Square(卡方)拟合优度检验检验样本是否服从指定的分布。调用格式：1 h=chi2gof(X)检验样本X是否样本是否服从正态分布（原假设为样本服从正态分布）。输出参数h为0(在显著性水平0.05下接受原假设，认为X服从正态分布)或1(在显著性水平0.05下拒绝原假设，认为X不服从正态分布)2h,p=chi2gof(X) 返回检验P值: 当P值小于或等于显著性水平alpha时，拒绝原假设，否则接受原假设。3h,p,stats=chi2gof(X) 返回一个结构体变量stats,它包含字段：chi2stat: 卡方统计量；df: 自由度；edges: 合并后各
7、区间的边界向量；O： 落入每个小区间内观测的个数，即实际频数；E：每个小区间对应的理论频数4h,p,stats=chi2gof(X,name1,vall,name2,val2,.)通过可选的成对出现的参数名与参数值来控制初始分组、原假设中的分布、显著性水平等。等等其它调用格式，参见有关Matlab统计资料P357 例7.4.2clear all;bins=0:11;%总体分成的区间总类obsCounts=57 203 383 525 532 408 273 139 45 27 10 6;%对应区间上样本观测值个数n=sum(obsCounts);%总的观测样本数据lambdaHat=sum(bins.*obsCounts) / n; %参数的MLE估计值 expCounts = n * poisspdf(bins,la
