概率论第三次实验课实验报告
一、实验1:
(一)试验课题:矩估计和极大似然估计。
(二)试验目的
设样本X1, Xn取自总体U(a,b),a,b为未知参数,试求a,b的矩估计和极大似然估计。
由计算可以得出a,b的矩估计量分别为:
a1=X b1=X
极大似然估计分别为:
* 2=X*b a1,2=Xn
下面进行模拟:
(1) 取a=0,b=1,N=50,产生N个服从U(a,b)分布的
随机数当做样本,分别代入式中计算a,b的估计值,并与理论值0,1比较;
(2) 将(1)重复10次,用10次估计值的平均值作为a,
b的估计,并与(1)的结果比较,体会其中包含的概率思想。
(三)试验过程
输入以下Mathematica语句:
(1)矩估计:
data=RandomVariate[UniformDistribution[{0,1}],50];
EstimatedDistribution[data,UniformDistribution
[{α,β}],ParameterEstimator "MethodOfMoments"];
FindDistributionParameters[data,UniformDistribution[{μ,σ}]]
极大似然估计:
data = RandomVariate[UniformDistribution[{0, 1}], 50]; p = Sort[data]; a = p[[1]]; b = p[[50]];
a
b
(2) 重复上述过程10次,求10次估计值的平均值,所以,在上述语句的基础上,有如
下语句:
矩估计法:
a = {}; b = {};
Do[data = RandomVariate[UniformDistribution[{0, 1}], 50]; p = Total[data]/50; p2 = Table[p, {50}];
a = Append[a, p - Sqrt[(3/50)*Total[(data - p2)^2]]]; b = Append[b, p + Sqrt[(3/50)*Total[(data - p2)^2]]], {10}];
Total[a]/10
Total[b]/10
极大似然法:
a = {}; b = {};
Do[data = RandomVariate[UniformDistribution[{0, 1}], 50];
p = Sort[data];
a = Append[a, p[[1]]];
b = Append[b, p[[50]]], {10}];
Total[a]/10
Total[b]/10
(四)试验结果分析
(1)矩估计
极大似然估计
1=0.0819686,b 1=0.971496 矩估计法生成的结果是a
1=0.00750118,b 1=0.968599 极大似然估计法生成的结果是a
从而可得出,两种结果都还是比较接近理论值的,在此情况下,极大似然估计的估计效果比矩估计效果更理想
(2)通过多次运行mathematics
得当样本容量变大时,模拟的结果
更加稳定,波动更小。
二、实验2:
(一)试验课题:绘图估计量
(二)试验目的:设总体X服从正态分布N(μ,1),取μ=0,从总体抽取10组容量为20的样本,分别以X和X1作为总体均值μ的估计量,计算10组估计值并描在图上。(将点描在坐标轴上),从中你可以得到什么结论?
(三)试验过程
根据题目写下列mathematica语言为
(1)计算X并绘图
p = {}; Do[t = RandomVariate[NormalDistribution[0, 1], 20];
p = Append[p, Total[t]/20], {10}];
ListPlot[p, PlotStyle -> {PointSize[Large]}]
(2) 计算X1并绘图
p = {}; Do[t = RandomVariate[NormalDistribution[0, 1], 20];
p = Append[p, t[[1]]], {10}];
ListPlot[p, PlotStyle -> {PointSize[Large]}]
(四)试验结果分析
(1)
纵坐标是每组样本X的值,横坐标是组的番号。总的来说,图中展示的数据离散程度比较大。也许是样本容量不是足够大造成的,当样本容量变大时,也许离散程度就会变小。
(2)
纵坐标是每组X1的值,横坐标是组的番号。总体看来,大多数的组都是分布在0附近,就少数离散开0 较大。
三、实验3:
(一)试验课题:置信区间
Nμ,σ(二)试验目的:已知x1, ,xn来自正态总体(2),其中σ=1,取
α=0.01,求置信度为0.99的μ置信区间。(MeanCI[]函数)
(三)试验过程
根据题目写下列mathematica语言为
data=RandomVariate[NormalDistribution[], 50]; MeanCI[data, ConfidenceLevel -> 0.99]
(四)试验结果
概率论第三次实验课实验报告
一、实验1:
(一)试验课题:矩估计和极大似然估计。
(二)试验目的
设样本X1, Xn取自总体U(a,b),a,b为未知参数,试求a,b的矩估计和极大似然估计。
由计算可以得出a,b的矩估计量分别为:
a1=X b1=X
极大似然估计分别为:
* 2=X*b a1,2=Xn
下面进行模拟:
(1) 取a=0,b=1,N=50,产生N个服从U(a,b)分布的
随机数当做样本,分别代入式中计算a,b的估计值,并与理论值0,1比较;
(2) 将(1)重复10次,用10次估计值的平均值作为a,
b的估计,并与(1)的结果比较,体会其中包含的概率思想。
(三)试验过程
输入以下Mathematica语句:
(1)矩估计:
data=RandomVariate[UniformDistribution[{0,1}],50];
EstimatedDistribution[data,UniformDistribution
[{α,β}],ParameterEstimator "MethodOfMoments"];
FindDistributionParameters[data,UniformDistribution[{μ,σ}]]
极大似然估计:
data = RandomVariate[UniformDistribution[{0, 1}], 50]; p = Sort[data]; a = p[[1]]; b = p[[50]];
a
b
(2) 重复上述过程10次,求10次估计值的平均值,所以,在上述语句的基础上,有如
下语句:
矩估计法:
a = {}; b = {};
Do[data = RandomVariate[UniformDistribution[{0, 1}], 50]; p = Total[data]/50; p2 = Table[p, {50}];
a = Append[a, p - Sqrt[(3/50)*Total[(data - p2)^2]]]; b = Append[b, p + Sqrt[(3/50)*Total[(data - p2)^2]]], {10}];
Total[a]/10
Total[b]/10
极大似然法:
a = {}; b = {};
Do[data = RandomVariate[UniformDistribution[{0, 1}], 50];
p = Sort[data];
a = Append[a, p[[1]]];
b = Append[b, p[[50]]], {10}];
Total[a]/10
Total[b]/10
(四)试验结果分析
(1)矩估计
极大似然估计
1=0.0819686,b 1=0.971496 矩估计法生成的结果是a
1=0.00750118,b 1=0.968599 极大似然估计法生成的结果是a
从而可得出,两种结果都还是比较接近理论值的,在此情况下,极大似然估计的估计效果比矩估计效果更理想
(2)通过多次运行mathematics
得当样本容量变大时,模拟的结果
更加稳定,波动更小。
二、实验2:
(一)试验课题:绘图估计量
(二)试验目的:设总体X服从正态分布N(μ,1),取μ=0,从总体抽取10组容量为20的样本,分别以X和X1作为总体均值μ的估计量,计算10组估计值并描在图上。(将点描在坐标轴上),从中你可以得到什么结论?
(三)试验过程
根据题目写下列mathematica语言为
(1)计算X并绘图
p = {}; Do[t = RandomVariate[NormalDistribution[0, 1], 20];
p = Append[p, Total[t]/20], {10}];
ListPlot[p, PlotStyle -> {PointSize[Large]}]
(2) 计算X1并绘图
p = {}; Do[t = RandomVariate[NormalDistribution[0, 1], 20];
p = Append[p, t[[1]]], {10}];
ListPlot[p, PlotStyle -> {PointSize[Large]}]
(四)试验结果分析
(1)
纵坐标是每组样本X的值,横坐标是组的番号。总的来说,图中展示的数据离散程度比较大。也许是样本容量不是足够大造成的,当样本容量变大时,也许离散程度就会变小。
(2)
纵坐标是每组X1的值,横坐标是组的番号。总体看来,大多数的组都是分布在0附近,就少数离散开0 较大。
三、实验3:
(一)试验课题:置信区间
Nμ,σ(二)试验目的:已知x1, ,xn来自正态总体(2),其中σ=1,取
α=0.01,求置信度为0.99的μ置信区间。(MeanCI[]函数)
(三)试验过程
根据题目写下列mathematica语言为
data=RandomVariate[NormalDistribution[], 50]; MeanCI[data, ConfidenceLevel -> 0.99]
(四)试验结果