标签:10 randn title mu 参数估计 estimate sigma 正态分布
title: 正态分布与参数估计
categories:
- 杂项
tags: - 学习
正态分布与参数估计
预处理
clear rng(6331); mu = 1; sigma = 1;真实概率密度曲线:
fplot(@(x) exp(-(x-mu).^2./(2*sigma))./(sqrt(2*pi)*sigma) ) title("真实概率密度曲线")四个样本直方图
n_1 = 10; n_2 = 50; n_3 = 500; n_4 = 1000; y_1 = sigma.*randn(n_1,1) + mu; y_2 = sigma.*randn(n_2,1) + mu; y_3 = sigma.*randn(n_3,1) + mu; y_4 = sigma.*randn(n_4,1) + mu; histogram(y_1,10) title("n=10") histogram(y_2,10) title("n=50") histogram(y_3,20) title("n=500") histogram(y_4,20) title("n=1000")四个样本参数估计值
矩估计==最大似然估计 [mu_, sigma_] =estimate(y_1 , n_1) mu_ = 0.6865 sigma_ = 0.2972 [mu_, sigma_] =estimate(y_2 , n_2) mu_ = 0.7853 sigma_ = 1.0036 [mu_, sigma_] =estimate(y_3 , n_3) mu_ = 0.9213 sigma_ = 1.0244 [mu_, sigma_] =estimate(y_4 , n_4) mu_ = 0.9908 sigma_ = 1.0422参数估计误差随样本容量增大的变化曲线
矩估计==最大似然估计 样本容量取 10~1000 n = 10:1:1000; dsigma = zeros(length(n),1); dmu = zeros(length(n),1); for i = 1:length(n) y = sigma.*randn(n(i),1) + mu; [mu_, sigma_] =estimate(y , n(i)); dsigma(i) = abs(sigma - sigma_); dmu(i) = abs(mu - mu_); end plot(n,dsigma) hold on plot(n,dmu) legend('△σ','△μ') hold off矩估计、最大似然估计函数
function [mu_, sigma_] = estimate(y , n) mu_ = sum(y)/n; sigma_ = sum((y-mu_).^2)/n; end标签:10,randn,title,mu,参数估计,estimate,sigma,正态分布 来源: https://blog.csdn.net/weixin_47102975/article/details/111998646
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。