精华内容
下载资源
问答
  • %muhat均值,sigmahat方差,muci均值区间估计,sigmaci方差区间估计 可得结果: 均值的置信度为0.90的区间估计: Muci=[22.2617089885815,32.3011481542756] 方差的置信度为0.90的区间估计Sigmaci=[4....

    1.(1)第一组数据如下:

    20.51

    25.56

    20.78

    37.27

    36.26

    25.97

    24.62

    利用Matlab编译程序如下:

    clc;clear;%清理屏幕和数据
    
    load('a.mat'); %导入数据
    
    [muhat,sigmahat,muci,sigmaci] = normfit(a,0.10);
    
    %muhat均值,sigmahat方差,muci均值区间估计,sigmaci方差区间估计

    可得结果:

    均值的置信度为0.90的区间估计:

    Muci=[22.2617089885815,32.3011481542756]

    方差的置信度为0.90的区间估计Sigmaci=[4.71792212369439,13.0912549870638]

     

    (2) 第二组数据如下:

    32.56

    26.66

    25.64

    33

    34.87

    31.03

    两正态总体方差未知但相等,置信度为0.90,α=0.10

    两个总体均值差的置信区间为:

    利用Matlab编译程序如下:

    clc;
    
    clear;
    
    load('a.mat');
    
    load('b.mat');
    
    Sa=var(a); %求样本a的方差%
    
    Sb=var(b); %求样本b的方差%
    
    na=size(a);nb=size(b);
    
    naa=na(:,2);%算a样本的个数
    
    nbb=nb(:,2);%算b样本的个数
    
    Sw=sqrt(((naa-1)*Sa+(nbb-1)*Sb)/(naa+nbb-2));
    
    x=mean(a);
    
    y=mean(b);
    
    alpha=0.1; %0.90置信度
    
    t=tinv(1-alpha/2,naa+nbb-2);%置信度为0.90的T值
    
    d1=(x-y)-t*Sw.*sqrt(1./naa+1./nbb); %置信区间下界
    
    d2=(x-y)+t*Sw.*sqrt(1./naa+1./nbb);  %置信区间上界
    
    C=[d1,d2];

    在结果窗口可得,均值差的置信度为0.90的置信区间C为:

    [-8.96835164630392,2.27787545582773]

    (3)总体均值为未知,置信度为0.90,α=0.10。两个总体方差比的置信区间为:

    利用Matlab编译程序如下:

    clear;
    
    load('a.mat');
    
    load('b.mat');
    
    Sa=var(a); %求样本a的方差%
    
    Sb=var(b); %求样本b的方差%
    
    S=Sa/Sb; %方差比
    
    na=size(a);nb=size(b);
    
    naa=na(:,2);%算a样本的个数
    
    nbb=nb(:,2);%算b样本的个数
    
    alpha=0.1; %0.90置信度
    
    p1=1-alpha/2;
    
    p2=alpha/2;
    
    F2 = finv(p1,naa-1,nbb-1);%f分布上分位数
    
    F1 = finv(p2,naa-1,nbb-1);%f分布下分位数
    
    d1=S*(1./F2); %置信区间下界
    
    d2=S*(1./F1); %置信区间上界
    
    D=[d1,d2];

    在结果窗口可得,方差比的置信度为0.90的置信区间D为:[0.692414322692148,15.0383847138650]

    展开全文
  • 正态总体参数区间估计的MATLAB实现.pdf
  • 本文介绍了MATLAB软件的normfit()函数在求解正态总体参数区间估计中的长处和短处,结合实例编写了MATLAB程序求解标准差σ已知时均值μ的置信区间和均值μ已知时标准差σ的置信区间,弥补了normfit()函数在该方面的...
  • 前言: 样本 分别来自,他们相互独立, 其样本均值和样本方差已知,置信水平为 目录: 1:的区间估计 解: 置信区间为

    前言:

       样本\begin{bmatrix} X_1, & X_2, & ... & X_{n_1} \end{bmatrix} \begin{bmatrix} Y_1, & Y_2, & ... & Y_{n_2} \end{bmatrix}

      分别来自 N(u_1,\sigma_1^2),N(u_2,\sigma_2^2),他们相互独立,

    其样本均值和样本方差已知,置信水平为1-\alpha

    目录:

       

       1: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2已知 

       2: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2相等未知

       3: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2不等,样本n1,n2>30

       4: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2不等,样本n1,n2<30

       5:   \sigma_1^2/\sigma_2^2 区间估计,u_1,u_2 未知,

     

      


    一  u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2已知 

      

         Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}} \sim N(0,1)

         置信区间为

        (\bar{X}-\bar{Y})\pm Z_{\alpha/2}\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}


     二: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2未知,\sigma_1^2=\sigma_2^2=\sigma^2

      解:

        \frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{S_w\sqrt{1/n_1+1/n_2}} \sim t(n_1+n_2-2)

       置信区间为:

      (\bar{X}-\bar{Y})\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}

      S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}

    例1:比较两个型号的子弹枪口速度,随机选取型号1子弹10发,得到枪口速度的平均值

       \bar{X_1}=500m/s,S_1=1.10m/s

      型号2 子弹20发,得到 

       \bar{X_1}=496m/s,S_2=1.2 0m/s         

        总体近似可以看作正态分布,生产过程中要求方差近似相等,求u_1-u_2  的一个置信水平为0.95的置信区间

    解:

           服从t 分布                 

    def GetUDiff(x1=500,x2=496,alpha=0.05,s1=1.1,s2=1.2,n1=10,n2=20):
        
        sw = np.sqrt(((n1-1)*np.power(s1,2)+(n2-1)*np.power(s2,2))/(n1+n2-2))
        print("\n sw ",sw)
        ppf1 = t.ppf(alpha/2,n1+n2-2)
        print("\n ppf1 ",ppf1)
        step = ppf1*sw*np.sqrt(1/n1+1/n2)
        print("\n step ",-step)
        Q1 = x1-x2+step
        Q2 = x1-x2-step
        
        print("\n 置信区间[ %4.2f"%Q1,"\t  %4.2f]"%Q2)
        
        
    GetUDiff()
    
    置信区间[ 3.07       4.93]

        得到的置信区间下限大于0,所以u_1>u_2

     

    例2:为提高某一化学生产过程的得率,采用一种新型的催化剂进行了

    n_1=8,\bar{x_1}=91.73,s_1^2=3.89; n_2=8,\bar{x_2}=93.75,s_2^2=4.02

    求总体均值差u_1-u_2置信水平为0.95的置信区间

    解:

    x1=91.73
    n1=8
    s1= np.sqrt(3.89)
    s2= np.sqrt(4.02)
    x2 = 93.75
    n2= 8
    alpha =0.05
    GetUDiff(x1,x2,alpha,s1,s2,n1,n2)
     sw  3.955
    
     ppf1  -2.1447866879169277
    
     step  2.132688139386107
    
     置信区间[ -4.15      0.11]

    由于区间包含0,所以均值没有显著差异


     三: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2不等,样本n1,n2>30

                 Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{S_1^2/n_1+S_2^2/n_2}} \sim N(0,1)

     

               置信区间:

              (\bar{X}-\bar{Y})\pm Z_{\alpha/2}\sqrt{S_1^2/n_1+S_2^2/n_2}


      四: u_1-u_2的区间估计,\sigma_1^2,\sigma_2^2不等,样本n1,n2<30

            Y=\frac{(\bar{X}-\bar{Y})-(u_1-u_2)}{\sqrt{S_1^2/n_1+S_2^2/n_2}} \sim t(k)

            k = min(n1-1,n2-1)

          

        置信区间:

              (\bar{X}-\bar{Y})\pm t_{\alpha/2}\sqrt{S_1^2/n_1+S_2^2/n_2}

     


    五     \sigma_1^2/\sigma_2^2 区间估计,u_1,u_2 未知

           \frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2} \sim F(n_1-1,n_2-1)

         F_{1-\alpha/2}(n_1-1,n_2-1)<\frac{S_1^2/S_2^2}{\sigma_1^2/\sigma_2^2}<F_{\alpha/2}(n_1-1,n_2-1)

         置信区间为

        

        \begin{bmatrix} \frac{S_1^2}{S_2^2}\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)} & , \frac{S_1^2}{S_2^2}\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)} \end{bmatrix}

        两个点都是上\alpha分位数

        

       

    # -*- coding: utf-8 -*-
    """
    Created on Thu May  6 15:22:23 2021
    
    @author: chengxf2
    """
    import numpy as np
    import matplotlib.pyplot as plt
    from scipy.stats import f
    
    import scipy.stats as stats
    
    
    '''
        获得F分布的置信区间
    Args:
        alpha 分位数
        n1: 自由度1
        n2: 自由度2
    '''
    def GetFRegion(alpha=0.1, n1=20,n2=20):
        x1 = [15, 14.8,15.2, 15.4,14.9,15.1,15.2,14.8]
        x2 = [15.2,15.0,14.8, 15.1,14.6,14.8,15.1,14.5,15.0]
        x1mean = np.mean(x1)
        n1 = len(x1)
        x2mean= np.mean(x2)
        n2 = len(x2)
        print("\n x1Mean ",x1mean,"\t x2Mean ",x2mean)
        
        
        upper = f.ppf(alpha/2,n1-1,n2-1)
        lower = f.ppf(1-alpha/2,n1-1,n2-1)
        print("\n  上alpha分位数1 ",lower,"\t 上alpha分位数2 ",upper)
        
        s1 = np.std(x1,ddof = 1) #样本差
        s2 = np.std(x2,ddof = 1)
       
        left = (s1**2/s2**2)/lower
        right =(s1**2/s2**2)/upper
        
        print("\n 置信区间为[ %5.3f  ---%5.3f ]"%(left,right))
        
        
    
    '''
        画F 分布图
        
        pdf 概率密度函数
        cdf 分布函数
        ppf: 求分位數
        sf: 1-CDF
        args
          df: X1的自由度n1
          dn: x2的自由度n2
      
    '''
    def DrawF(alpha=0.05, df=20,dn=20):
        
          
        plt.figure(figsize=(10,10))
        x = np.linspace(f.ppf(0.01, df, dn), f.ppf(0.99, df, dn), 100)
        y = f.pdf(x, df, dn)
        
        plt.plot(x, f.pdf(x, df, dn), alpha=0.6, label='f')
        
        lower_bound = f.ppf(alpha, df, dn)
        upper_bound = f.ppf(1-alpha, df, dn)
        lower_Index  =0
        upper_Index = 0
        for i in range(len(x)):
            if x[i]>lower_bound:
                lower_Index = i-1
                break
        for j in range(len(x)):
            if x[j]>upper_bound:
                upper_Index = j
                break
        
        #print("\n upper_Index ",upper_Index)
        xLeft =x[0:lower_Index:1]
        xRight=x[upper_Index:-1:1]
        #print("\n lower_bound ",lower_bound,"\t upper_bound",upper_bound)
        #print("\n xLeft: ",xLeft,"\n xright ",xRight)
       
        yLeft =  f.pdf(xLeft,df,dn) #求概率密度函数
        yRight = f.pdf(xRight,df,dn) #求概率密度函數
        plt.fill_between(xLeft,yLeft,alpha=0.5,facecolor="g")
        plt.fill_between(xRight,yRight,alpha=0.5,facecolor="red")
        plt.legend(['F distribution'])
        plt.show()
        
      
    '''
    dfn: 自由度
    '''
    #@f.ppf(0.95,dfn=1,dfd=4) #dfn: degree of freedom numerator
    #DrawF()
    GetFRegion()

    置信区间为[ 0.227  ---2.962 ]

    展开全文
  • 总体方差 公式: (n−1)s2χa/22≤σ2≤(n−1)s2χ1−a/22\frac{(n-1)s^2}{\chi^2_{a/2}}\leq \sigma^2 \leq \frac{(n-1)s^2}{\chi^2_{1-a/2}}χa/22​(n−1)s2​≤σ2≤χ1−a/22​(n−1)s2​ 例: 一家食品生产...

    总体方差

    公式:

    ( n − 1 ) s 2 χ a / 2 2 ≤ σ 2 ≤ ( n − 1 ) s 2 χ 1 − a / 2 2 \frac{(n-1)s^2}{\chi^2_{a/2}}\leq \sigma^2 \leq \frac{(n-1)s^2}{\chi^2_{1-a/2}} χa/22(n1)s2σ2χ1a/22(n1)s2

    例:

    一家食品生产企业以生产袋装食品为主,每天的唱片大约为8000袋。按规定每袋的重量应为100克。为对产品重量进行监测,企业质检部门经常要进行抽检,以分析每袋重量是否符合要求,现从某天生产的一批食品中随机抽取25袋,测得每袋重量如下:

    import pandas as pd
    import numpy as np
    import scipy as sp
    from scipy import stats
    
    
    lst = [112.5,102.6,100,116.6,136.8,101,107.5,123.5,95.4,102.8,103,95,102,97.8,101.5,102,108.8,101.6,108.6,98.4,100.5,115.6,102.2,105,93.3]
    data = pd.Series(lst)
    

    以95%的置信水平建立食品总体重量标准差的置信区间

    # 已知 样本量 n = 25, 置信水平 1-a=95%
    n = 25
    
    a = 0.05
    
    sigma = data.std()
    sigma_2 = data.var()
    

    计算 χ 1 − a / 2 2 \chi^2_{1-a/2} χ1a/22 χ a / 2 2 \chi^2_{a/2} χa/22

    
    X2_1_a2 = stats.chi2.ppf(a/2,n-1)
    
    X2_a2 = stats.chi2.isf(a/2,n-1)
    
    X2_a2,X2_1_a2
    

    (39.3640770266039, 12.401150217444435)

    计算公式:

    left = (n-1)*sigma_2/X2_a2
    right = (n-1)*sigma_2/X2_1_a2
    
    
    left,right
    

    (56.82897120865119, 180.38810600433115)

    # 方差比为
    left = np.sqrt(left)
    right = np.sqrt(right)
    
    print('该批食品总重量标准差为:{:.3f}'.format(sigma))
    print('该批食品总重量标准差95%的置信区间为({:.3f},{:.3f})'.format(left,right))
    

    该批食品总重量标准差为:9.654
    该批食品总重量标准差95%的置信区间为(7.538,13.431)

    展开全文
  • 一、总体均值的区间估计 1、正态总体,方差已知,或者非正态总体,大样本 a、总体服从正态分布,均值的抽样分布为 ~N(μ, ),将这个转化为标准的正态分布  ...
    29002931_TbqB.jpg
     
    一、总体均值的区间估计
    29002932_OiPN.jpg
     
    1、正态总体,方差已知,或者非正态总体,大样本

    a、总体服从正态分布,均值的抽样分布为 29002932_ECgk.png ~N(μ, 29002932_NcB5.png ),将这个转化为标准的正态分布
    29002932_HzDZ.png
     b、置信区间用概念图来表示
    29002932_oKtU.png
     c、得 到总体均值在μ在1-a置信水平下的置信区间,它由估计值给估计误差组成
    29002932_Q9Tf.png
    置信下限
    29002932_fv3H.png
     置信上限
    29002932_0hfA.png
     a是事先确定好的一个概率值,也称为风险值,它是总体均值不包括在置信区间的概率
    a 是显著水平
    1-a是置信水平/置信系数/置信度

    29002932_98ob.png是标准正态分布右侧面面积为a/2时的z值,

    29002933_Lcm5.png是估计总体均值的估计误差


    2、总体服从正态分布但29002933_0wKA.png未知,或总体并不服从正态分布,但是大样本

    总体的方差29002933_L3wQ.png,可以用样本方差 29002933_Zd1j.png代替,这时总体均值μ在1-a置信水平下的置信区间可以为

    29002933_UUk7.png

     

    3、正态总体,方差未知,小样本
    需要用样本方差 29002933_Zd1j.png 代替 29002933_L3wQ.png ,样本均值经过标准化后的随机变量则服从自由度(n-1)的t分布即
    29002933_UkKW.png
     因此需要通过t分布来建立总体均值的μ在1-a置信水平下的置信区间
    29002933_lGL0.png
     

    29002933_2qXO.png是自由度为n-1时,t分布中右侧面积为a/2时t的值


    二、总体比例的区间估计
    1、当样本足够大时,抽样比例p的抽样分布逼近正态分布,p的数学期望E(p)=π,p的方差为
    29002934_VIOZ.png
     转化为标准的正态分布
    29002934_F2wu.png
     总体比例π,在1-a置信水平下的置信区间为
    29002934_dOgP.png
     实际情况中π是不知道的,恰好是要去估计π的值,所以用样本比例p代替π,得到如下
    29002934_4Bok.png
     三、总体方差的区间估计
    样本方差的抽样分布服从自由度为n-1的卡方分布,所以用卡方分布构建总体方差的置信区间
    29002934_hp4l.jpg
     


    转载于:https://my.oschina.net/u/1785519/blog/1060633

    展开全文
  • 区间估计求解步骤: 1.构造统计量u(X1,X2⋯ ,Xn;θ)u(X_1,X_2\cdots ,X_n;\theta)u(X1​,X2​⋯,Xn​;θ) 2.P{c<u(X1,X2⋯ ,Xn;θ)<d}=1−αP\left \{ c< u(X_1,X_2\cdots ,X_n;\theta)<d \right \}=1-...
  • 参数估计(点估计和区间估计

    万次阅读 多人点赞 2019-09-06 12:07:06
    1.点估计就是用样本统计量来估计总体参数。 概念理解:当我们想知道某一总体的某个指标的情况时,测量整体该指标的数值 的工作量太大,或者不符合实际,这时我们可以采用抽样的方法选取一部分样本测量出他们数值,...
  • 正态总体,σ\sigmaσ已知 公式: xˉ±za/2σn\bar{x}\pm z_{a/2}\frac{\sigma}{\sqrt{n}}xˉ±za/2​n​σ​ 例: 一家食品生产企业以生产袋装食品为主,每天的唱片大约为8000袋。按规定每袋的重量应为100克。为对...
  • 统计学简介之八——一个总体参数区间估计
  • 设样本(X1,...,Xn1)(X_1, ..., X_{n1})(X1​,...,Xn1​)和(Y1,...,Yn2)(Y_1,...,Y_{n2})(Y1​,...,Yn2​)分别来自总体N(μ1,σ12)N(\mu_1, \sigma1^2)N(μ1​,σ12)和N(μ2,σ22)N(\mu_2, \sigma_2^2)N(μ2​,σ22​...
  • 在数理统计课程中,使用R语言,进行区间估计。在数理统计课程中,使用R语言,进行区间估计
  • 统计学简介之九——两个总体参数区间估计
  • 文章目录一个正态总体参数的置信区间求µµµ的置信度为1−α1-α1−α的置信区间. 一个正态总体参数的置信区间 求µµµ的置信度为1−α1-α1−α的置信区间. 目的是要找 P(μ∈(Xˉ−δ,Xˉ+δ))=1−αP(\mu \in(\...
  • 非正态总体区间估计

    2020-10-13 11:24:54
    之前已经写过关于正态总体区间估计的计算方式,其中包括单正态总体和双正态总体两种,本篇文章主要围绕非正态总体下如何进行区间估计。 上期补充 单侧置信区间 定义 总体x的分布函数为F(x;θ),其中θ是未知参数...
  • 统计推断包括参数估计和假设检验。参数估计就是用样本指标(统计量)来估计总体指标(参数)。 一、参数估计基础-Z分布 在统计应用中,可以把任何一个均数为,标准差为的正态分布转变为,的标准正态分布,即将...
  • 二、正态总体均值与方差的区间估计 1、单正态总体 (1)、均值μ 置信水平为1-α (2)、方差σ2 2、双正态总体 (1)、两个总体均值差μ1-μ2 ①、σ12、σ22已知 ②、σ12=σ22=σ2,但σ2未知 (3)、两个总体方差比...
  • 某城市想要估计下岗职工中女性所占的比例,随机抽取了100个下岗职工,其中65人为女职工,试以95%的置信水平估计该城市下岗职工中女性比例的置信区间。 import pandas as pd import numpy as np import scipy as sp ...
  • 单个正态总体均值的区间估计 单个正态总体的均值的区间估计可以分为两类:方差已知和方差未知。 方差已知 枢轴量为x‾−μσ/n∼N(0,1)\frac{\overline x - \mu}{\sigma / \sqrt{n}} \sim N(0, 1)σ/n​x−μ​∼N...
  • 【R参数估计】区间估计

    千次阅读 2020-01-20 21:36:42
    【R参数估计】区间估计区间估计(interval estimation) 区间估计(interval estimation) 区间估计是用两个统计量所构成的区间来估计一个未知的参数,并同时指明此区间可以覆盖住这个参数的可靠程度(置信度) 缺点...
  • 匹配大样本 公式: dˉ±za/2σdn\bar{d}\pm z_{a/2}\frac{\sigma_d}{\sqrt{n}}dˉ±za/2​n​σd​​ 匹配小样本 公式 ...当总体的σd\sigma_dσd​未知时,可用样本差值的标准差sds_dsd​来代替 例
  • 29,37.6,32.1,28.8,36,37.2,38.5,34.4,28,30]) # 方法2 lst_2 = pd.Series([27.6,22.2,31,33.8,20,30.2,26.5,31.7]) 假定两个总体的方差不相等,试以95%的置信水平建立两种方法组装产品所需平均时间之差的置信区间。...
  • 对单个正态总体方差区间估计可以分为两类:总体均值(μ\muμ)已知,和未知。 总体均值未知 枢轴量为 (n−1)S2σ2∼χ2(n−1)\frac{(n-1)S^2}{\sigma^2}\sim \chi^2(n-1)σ2(n−1)S2​∼χ2(n−1) 则其置信度为1−α...
  • 比例之差 (p1−p2)±za/2p1(1−p1)n1+p2(1−p2)n2(p_1-p_2)\pm z_{a/2}\sqrt{\frac{p_1(1-p_1)}{n_1}+\frac{p_2(1-p_2)}{n_2}}(p1​−p2​)±za/2​n1​p1...试以95%的置信水平估计城市与农村收视率之差的置信区间。 #
  • s 2 2 = 280 \bar{x}_2=480,s^2_2=280 xˉ2​=480,s22​=280 试以90%的置信水平估计男女学生生活费支出方差比的置信区间 # 男学生 n1 = 25 x1_bar = 520 sigma1_2 = 260 #女学生 n2 = 25 x2_bar = 480 sigma2_2 = ...
  • R语言学习笔记:参数区间估计

    万次阅读 2018-01-24 18:09:24
    1.单正态总体区间估计 方差已知,估计均值:Z检验: z.test():BSDA包,调用格式: z.test(x, y = NULL, alternative = "two.sided", mu = 0, sigma.x = NULL, sigma.y = NULL, conf.level = 0.95) x,y是...
  • R语言与正态总体均值的区间估计

    千次阅读 2020-04-16 17:05:16
    学习笔记 参考书籍:《统计学》-贾俊平;...一个正态总体均值的区间估计 产品重量数据: 74.3 78.8 68.8 78.0 70.4 80.5 80.5 69.7 71.2 73.5 79.5 75.6 75.0 78.8 72.0 72.0 72.0 74.3 71.2 72.0 75.0 73....
  • 参数估计 区间估计

    2020-02-01 18:16:41
    置信区间的认识 置信区间的求解例子 正态总体参数区间估计 正态分布是比较经典的一个分布,我们使用正态总体参数区间估计来检验所学知识。 设总体 X∼N(μ,σ2)X \sim N(\mu ,{\sigma ^2})X∼N(μ,σ2), (X1,...
  • 估计量:在参数估计中,用来估计总体参数的统计量称为估计量。例如:样本均值,样本方差等都可以是一个估计量。 估计值:是估计量的具体数值。 4. 参数估计的方法 点估计 区间估计 (1)点估计 用样本统计
  • MATLAB参数估计 置信区间

    千次阅读 2020-12-16 20:04:31
    估计 moment(X,2) 通用命令mle() 格式:[输出参数项]=mle('分布函数名';X,alpha [,N]) ...说明:分布函数名有: bino(二项)、geo(几何)、hyge(超...正态总体参数估计 z=[2.14,2.10,2.13,2.15,2.13,2.12,2.13.

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,615
精华内容 3,046
关键字:

总体参数的区间估计包括