normfit

产生1000正常从正态分布随机数的意思是3和标准偏差5。

rng (“默认”)%的再现性x = normrnd(3 5[1] 1000年);

发现参数估计和99%的置信区间。

[muHat, sigmaHat muCI sigmaCI] = normfit (0.01 x))

muHat = 2.8368

sigmaHat = 4.9948

muCI =2×12.4292 - 3.2445

sigmaCI =2×14.7218 - 5.2989

muHat是样本均值,sigmaHat的平方根是方差的无偏估计量。muCI和sigmaCI包含99%置信区间的平均值和标准偏差参数,分别。下界,第一行和第二行是上界。

找到一个数据集的ml审查通过normfit。使用statset选项指定的迭代算法normfit使用计算毫升审查数据,然后再次找到毫升。

加载示例数据。

负载灯泡

第一列的数据包含两种类型的灯泡的寿命(小时)。第二列包含二进制变量指示是否荧光灯或白炽灯泡。1表明,荧光灯泡,0表示白炽灯泡。第三列包含审查信息,其中0表示灯泡观察到失败,1表示项目(灯泡)审查。

发现指数荧光灯。

idx =找到(灯泡(:,2)= = 0);

假定一生遵循正态分布,发现正态分布参数的毫升。第二个输入参数normfit指定的信心水平。通过[]使用其默认值0.05。第三个输入参数指定审查信息。

审查=灯泡(idx 3) = = 1;[muHat1, sigmaHat1] = normfit(灯泡(idx, 1),[],审查)

muHat1 = 9.4966 e + 03

sigmaHat1 = 3.0640 e + 03

显示默认的算法参数normfit使用正态分布来估计参数。

statset (“normfit”)

ans =结构体字段:显示:‘离开’MaxFunEvals: 200麦克斯特:100 TolBnd: 1.0000 e-06 TolFun: 1.0000 e-08 TolTypeFun: [] TolX: 1.0000 e-08 TolTypeX: [] GradObj:雅可比矩阵[]:[]DerivStep: [] FunValCheck:[]健壮:[]RobustWgtFun: [] WgtFun:[]的调子:[]UseParallel: [] UseSubstreams:[]流:{}OutputFcn: []

使用一个不同的名称保存选项。改变显示的结果(显示)和终止对目标函数(TolFun)。

选择= statset (“normfit”);选项。显示=“最后一次”;选项。TolFun= 1e-10;

此外,您可以指定使用名称-值对算法参数的函数的参数statset。

选择= statset (“显示”,“最后一次”,“TolFun”1平台以及);

找到的ml算法参数。

[muHat2, sigmaHat2] = normfit(灯泡(idx, 1),[],审查,[],选项)

成功的融合:梯度小于OPTIONS.TolFun规范

muHat2 = 9.4966 e + 03

sigmaHat2 = 3.0640 e + 03

normfit显示一个报告最后的迭代。

这个函数normfit发现样本均值和方差的无偏估计量的平方根没有审查。样本均值等于平均参数的标定,但根方差的无偏估计量不等于标准差的标定参数。

发现通过使用正态分布参数normfit,将其转换为毫升,然后比较负对数估计使用的可能normlike。

产生100正常标准正态分布的随机数。

rng (“默认”)%的再现性n = 100;x = normrnd (0, 1, [n, 1]);

找到样本均值和方差的无偏估计量的平方根。

[muHat, sigmaHat] = normfit (x)

muHat = 0.1231

sigmaHat = 1.1624

转换的无偏估计量方差的平方根成标准偏差参数的标定。

sigmaHat_MLE =√(n - 1) / n) * sigmaHat

sigmaHat_MLE = 1.1566

之间的区别sigmaHat和sigmaHat_MLE是可以忽略的大n。

另外,您可以通过使用函数找到毫升大中型企业。

酷毙了大中型企业的(x) =

太好了=1×20.1231 - 1.1566

太好了(1)和太好了(2)毫升的平均值和标准偏差参数,分别。

确认日志的可能性毫升(muHat和sigmaHat_MLE)的可能性大于日志无偏估计量(muHat和sigmaHat)通过使用normlike函数。

logL = -normlike ([muHat, sigmaHat], x)

logL = -156.4424

logL_MLE = -normlike ([muHat, sigmaHat_MLE], x)

logL_MLE = -156.4399