正态分布与参数估计共28页
正态分布的基本特性和参数估计
正态分布的基本特性和参数估计正态分布，也称为高斯分布，是统计学中最为重要的分布之一。
它具有许多独特的特性和应用，被广泛应用于各个领域的数据分析和建模中。
本文将介绍正态分布的基本特性，并探讨参数估计的方法。
一、正态分布的基本特性1. 对称性：正态分布是一种对称分布，其概率密度函数在均值处取得峰值，并向两侧逐渐减小。
这种对称性使得正态分布在实际应用中具有很大的优势，能够较好地描述许多自然现象和随机变量的分布。
2. 峰度和偏度：正态分布的峰度和偏度分别为3和0。
峰度反映了分布的尖锐程度，而偏度则反映了分布的对称性。
正态分布的峰度为3，表示其相对于均匀分布而言具有更为尖锐的峰值。
而偏度为0，表示其对称性较好，左右两侧的分布相似。
3. 68-95-99.7法则：正态分布具有一个重要的特性，即约68%的数据落在均值的一个标准差范围内，约95%的数据落在两个标准差范围内，约99.7%的数据落在三个标准差范围内。
这个法则在实际应用中非常有用，可以帮助我们对数据进行初步的分析和判断。
二、参数估计的方法在实际应用中，我们常常需要根据给定的样本数据来估计正态分布的参数，包括均值和标准差。
以下介绍两种常用的参数估计方法。
1. 极大似然估计：极大似然估计是一种常用的参数估计方法，其基本思想是找到最有可能使得观测到的样本数据出现的参数值。
对于正态分布，我们可以通过最大化似然函数来估计均值和标准差。
具体的计算方法可以使用数值优化算法，如梯度下降法等。
2. 方法 of moments：方法 of moments（矩估计）是另一种常用的参数估计方法，其基本思想是通过样本矩与理论矩的对应关系来估计参数。
对于正态分布，我们可以通过样本均值和样本方差来估计均值和标准差。
具体的计算方法比较简单，只需要求解一组方程即可。
三、正态分布的应用正态分布在实际应用中具有广泛的应用价值。
以下列举几个常见的应用场景。
1. 统计推断：正态分布是统计推断中的重要工具，它可以用来进行假设检验、置信区间估计等。
正态分布与参数估计
正态分布与参数估计正态分布是一种对连续随机变量的分布进行描述的数学模型。
在正态分布中，随机变量的概率密度函数呈钟形曲线，其特征包括对称性和峰值集中在均值处。
正态分布具有许多重要的性质和应用。
利用正态分布，可以进行参数估计、假设检验、预测等统计推断的分析。
参数估计是指在给定样本数据的情况下，利用统计方法来估计总体的参数值。
参数估计可以分为点估计和区间估计。
点估计是根据样本数据，直接估计总体参数的取值。
常见的点估计方法包括最大似然估计和矩估计。
最大似然估计是选择使样本观测值出现的概率最大化的参数值作为估计值。
矩估计则是根据样本矩与理论矩之间的对应关系来估计参数的值。
区间估计是在给定置信水平下，根据样本数据来估计总体参数的一个区间范围。
常见的区间估计方法有正态分布的区间估计和非正态分布的区间估计。
对于正态分布的区间估计，可以利用样本均值和标准差来构建置信区间。
在正态分布的参数估计中，最常用的是对均值和方差的估计。
均值的点估计可以通过样本均值来估计，而方差的点估计可以通过样本方差来估计。
对于均值的区间估计，可以使用t分布或者正态分布来构建置信区间。
而对于方差的区间估计，可以使用$\chi^2$分布来构建置信区间。
在正态分布的参数估计中，需要注意的是样本的大小对估计的精确度的影响。
当样本较小的时候，对总体参数的估计会更加不准确。
因此，在进行参数估计时，需要对样本大小进行充分的考虑，确保估计的结果具有统计显著性和实际可靠性。
除了参数估计，正态分布还具有其他应用。
例如，正态分布在假设检验中被广泛应用。
假设检验是根据样本数据来对总体的一些参数提出假设，并通过计算统计量的值来判断该假设是否成立。
假设检验的结果可以帮助我们进行决策，例如接受或者拒绝一些假设。
正态分布还可以用于预测。
根据已知的样本数据，可以利用正态分布来预测未来的概率分布。
这种预测可以在风险管理、金融投资、生产计划等领域中得到广泛应用。
总之，正态分布是一种重要的数学模型，在统计分析中具有广泛的应用。
第二章多元正态分布的参数估计
就是剔除了 X2 Xk1, , X p 得(线性)影响之后,Xi和
Xj之间得协方差。
给定X2时Xi 和Xj得偏相关系数(partial correlation
coefficient)定义为: ij k1, , p
ij k1, , p
,
ii k1, , p jj k1, , p
其中 Σ11 2 ij k1, , p 。
μ12
μ1
Σ12
Σ
1 22
x2 μ2
Σ112
Σ11
Σ12
Σ
1 22
Σ
21
μ1·2和Σ11·2分别就是条件数学期望和条件协方差矩
阵,Σ11·2通常称为偏协方差矩阵。
这一性质表明,对于多元正态变量,其子向量得条件分布仍
就是(多元)正态得。
例5 设X~N3(μ, Σ),其中
1
16 4 2
μ
0 2
μ(1) μ(2)
11 Σ 21
31
12 22 32
13 23 33
Σ11
Σ
21
Σ12
22
则
X (1)
X1
X
2
~
N2 ( μ(1) ,
Σ11)
其中
μ (1)
1
2
Σ11
11 21
12
22
在此我们应该注意到，如果 X ( X1, X 2 , , X p ) 服从 p
aX
(0,1,
0)
X
2
X2
~
N (aμ, aΣa)
X3
1
aμ
(0,1,
0)
2
2
3
11 12 aΣa (0,1, 0) 21 22
第二章 多元正态分布及参数的估计
27
北大数学学院
第二章 多元正态分布及参数的估计
§2.2 多元正态分布的定义与基本性质—简单例子
y BxB
0 0 1
1 0 0
100 110
1 2 0
003 100
0 0 1
1 0 0
1 0 1
2 0 1
003 100
2
北大数学学院
第二章 多元正态分布及参数的估计
目录
§2.1 随机向量 §2.2 多元正态分布的定义与
基本性质
§2.3 条件分布和独立性 §2.4 随机矩阵的正态分布 §2.5 多元正态分布的参数估计
3
北大数学学院
第二章 多元正态分布及参数的估计
§2.1 随 机 向
本课程所讨论的是多变量总体.把 p个随机变量放在一起得
第二章 多元正态分布及参数的估计
§2.2 多元正态分布性质2的推论
例2.1.1
f (x1, x2
()X1,X212)的e联 12合( x12密 x22度) [1函数x为1 x2e
1 2
(
x12
x22
)
]
我们从后面将给出的正态随机向量的联合密
度函数的形式可知, (X1,X2)不是二元正态随机向 量.但通过计算边缘分布可得出:
本节有关随机向量的一些概念(联合分布, 边缘分布,条件分布,独立性;X的均值向量,X 的协差阵和相关阵,X与Y的协差阵)要求大家 自已复习.
三﹑ 均值向量和协方差阵的性质 (1) 设X,Y为随机向量,A,B为常数阵,则
E(AX)=A·E(X) E(AXB)=A·E(X)·B
6
正态分布完整ppt课件
使用如Shapiro-Wilk检验、Kolmogorov-Smirnov检验等方法，对 误差项进行正态性检验，以验证其是否符合正态分布。
方差分析中F分布应用
01 02
F分布的定义
F分布是一种连续型概率分布，常用于方差分析中的假设检验。在方差 分析中，通过比较不同组间的方差与组内方差，判断各因素对结果的影 响是否显著。
筛选方法
包括单变量分析和多变量分析等，结合临床 意义和统计学显著性进行生物标志物的筛选 。
社会科学调查数据分析
社会科学调查数据特点
大量、复杂、多维度的数据，往往需要进行统计分析和数据挖掘。
正态分布在社会科学调查数据分析中的应用
通过对调查数据进行正态性检验，选择合适的数据处理和分析方法，如参数检验、回归分析等。
有对称性和单峰性。
性质
对称性：正态分布曲线关于均值对称 。
单峰性：正态分布曲线只有一个峰值 ，位于均值处。
均值、中位数和众数相等。
概率密度函数在均值两侧呈指数下降 。
正态曲线特点
01
02
03
04
形状
钟形曲线，中间高，两边低。
对称性
关于均值对称，即左右两侧形 状相同。
峰值
位于均值处，且峰值高度由标 准差决定。
05
正态分布在金融学领域应用
风险评估及资产组合优化
风险评估
正态分布用于描述金融资产的收益和风险分布，通过计算均值和标准差来评估投资组合 的风险水平。
资产组合优化
基于正态分布假设，利用马科维茨投资组合理论等方法，构建最优资产组合以降低风险 并提高收益。
VaR（Value at Risk）计算
正态分布用于计算投资组合在一定置信水平下的最大可能损失（VaR），以衡量潜在风 险。
正态分布与参数估计
t 界值
如由表查出单侧t0.05,10=1.812，表示从正态总 体作样本例数为11的随机抽样，其t值服从 ν=n-1=11-1=10的t 分布，理论上 P(t≤-1.812)=0.05，或P(t≥1.812)=0.05 P(t≤-1.812)=0.05 P(t≥1.812)=0.05 用一般的表示法为
x−µ x−µ = t= s sx n
其结果就不再服从标准正态分布了，而 是服从自由度为n-1的t分布 分布。 分布
19
t 分布的特征
t 分布只有一个参数，即自由度； 单峰分布，以0为中心，左右两侧对称； t 分布的峰部较矮而尾部翘得较高，说明远 侧t 值的个数相对较多，即尾部面积较大； t 分布不是一条曲线，而是由一簇随自由度 改变而变化的曲线所组成； 当ν逐渐增大时，t分布逐渐逼近标准正态分 布；当 ν=∞ 时，t分布就完全成为标准正态 分布了。
正态曲线下的面积分布有一定的规律。
4
正态曲线下面积的分布规律
横轴上的一定区间的面积占总面积的百分数，用 以估计该区间的例数占总例数的百分数（频率分 布），或变量值落在该区间的概率（概率分布）。 正态曲线下区间的面积，可以通过对正态变量X的 累计分布函数F（X）的积分来求得，它反映了正 态曲线下，横轴尺度自-∞到X的面积，即下侧累 计面积。
16
标准误的用途
标准误是反映样本均数变异程度的指标，常 用来表示抽样误差的大小。
– 标准误大反映样本均数抽样误差大，其对总体均 数的代表性差； – 标准误小，样本均数抽样误差就小，其对总体均 数的代表性就好。
标准误可用于计算总体均数的可信区间，也 是进行假设检验的基础。
17
均数抽样误差的分布－t分布
20
.4 ν=∞ ν=5
多元正态分布及参数估计
2019/11/6
应用统计方法
22
2、性质 1） 设为常数，则 E (a X )a(E X )； 2）设 A,B,C 分别为常数矩阵，则
E ( A C X ) A E ( X B ) B C
3）设 X 1,X 2, ,X n为 n个同阶矩阵，则
E ( X 1 X 2 X n ) E X 1 E X 2 E X n
对一切 x、y成立，则称 x和 y相互独立。
2、设 x和 y是两个连续随机向量， x和 y相互
独立，当且仅当
f(x|y)fx(x)或 F (x ,y ) F x(x )F y(y )
对一切
2019/11/6
x
、y
成立。 应用统计方法
19
3、设 x1,x2, ,xn是 n个随机向量，若
F ( x 1 , x 2 , , x m ) F 1 ( x 1 ) F 2 ( x 2 ) F m ( x m ) mn
2019/11/6
应用统计方法
23
二、协方差矩阵
1、定义：设 x (x 1 ,x2, ,xp)和 y (y 1 ,y2, ,y q)分 别为 p维和 q维随机向量，则其协方差矩阵为
Exx2 1 E E ((xx1 2))y1E(y1)
y2E(y2) yqE(yq)
降的右连续函数；
2019/11/6
应用统计方法
4
② 分布函数的取值范围为[0，1]，即
0F(a1,a2, ,ap)1
③ 分布函数当变量取值为无穷大时，函数值收敛到1，即
F(,, ,)1
2019/11/6
应用统计方法
5
二、两个常用的离散多元分布
第二章正态分布
3
1
15
2
均数相等、方差不等的正态分布图示
2 1
3
16
正态曲线下的面积规律
X轴与正态曲线所夹面积恒等于1 。 对称区域面积相等。
S(-,-X)
S(X,)＝S(-,-X)
17
正态曲线下的面积规律
141.2 148.9 154.0 147.7 152.3 146.6 132.1 145.9 146.7 144.0
135.5 144.4 143.4 137.4 143.6 150.0 143.3 146.5 149.0 142.1 140.2 145.4 142.4 148.9 146.7 139.2 139.6 142.4 138.7 139.9
z
X
则z服从标准正态分布 Nhomakorabea28正态分布转换为标准正态分布
实际应用中，经z变换后，就可把求解任意 一个正态分布曲线下面积的问题，转化成标准 正态分布曲线下相应的面积问题。
29
标准正态分布的特征
标准正态分布特征同正态分布，它是正态分布的特例。 每一条正态分布曲线经z变换都可转换为标准正态分布。 正态分布取值与标准正态分布取值具有一一对应的关系；
曲线下的面积也具有一一对应的关系。
30
附表1
标准正态曲线下的面积分布表
z取不同值时z值左侧的标准正态曲线下面积，记做 (z ) 列出了标准正态曲线下-∞到z(z≤0)的左侧累计面积 因为z分布是对称的，所以只列出了一半的面积
( z ) 1 ( z )
8
某市2007年12岁男童120人的身高(cm)资料如下
142.3 156.6 142.7 145.7 138.2 141.6 142.5 130.5 134.5 148.8 134.4 148.8 137.9 151.3 140.8 149.8 145.2 141.8 146.8 135.1 150.3 133.1 142.7 143.9 151.1 144.0 145.4 146.2 143.3 156.3 141.9 140.7 141.2 141.5 148.8 140.1 150.6 139.5 146.4 143.8 143.5 139.2 144.7 139.3 141.9 147.8 140.5 138.9 134.7 147.3
正态分布课件ppt
（2）f (x) 的值域为
(0,
1]
2 s
（3）f (x) 的图象关于 x =μ 对称.
x （－∞，μ] x （μ，+∞）
正态分布密度函数
当μ= 0，σ=1时 标准正态分布密度函数
y
μ=0 σ=1
-3 -2 -1 0 1 2 3 x
标准正态曲线
例1、下列函数是正态分布密度函数的是（ B）
A.
f (x)
X~(100, 52 )，据此估计，大约应有57人的分数在
下列哪个区间内？（A ）
A. (90,110] B. (95,125] C. (100,120] D.(105,115]
P(m s X m s ) 0.6826, P(m 2s X m 2s ) 0.9544, P(m 3s X m 3s ) 0.9974.
当 a 3s 时正态总体的取值几乎总取值于区间 (m 3s , m 3s ) 之内,其他区间取值几乎不可能.在实 际运用中就只考虑这个区间,称为 3s 原则.
例3、在某次数学考试中，考生的成绩 x 服从一个 正态分布，即 x ~N(90,100).
（1）试求考试成绩 x 位于区间(70,110)上的概率是
1
(xm )2
e 2s 2 , m,s (s 0)都是实数
2s
2 x2
B. f (x)
e2
2
1
( x1)2
C. f (x)
e4
2 2
D.
f (x)
1
x2
e2
2
练习：
2、如图，是一个正态曲线， 试根据图象写出其正态分布 的概率密度函数的解析式， 求出随机变量的期望和方差。
y
医学统计学正态分布
F '( x) f ( x) ,
b
F (b) F (a) f ( x)dx
a
f ( x)dx 1
第4页/共24页
5.2 正态分布
频率密度图:直条高度表示频率密度，直条面积表示频率大小
第5页/共24页
• 正态分布又称Gauss分布，是最重要一种的连续 型分布。
1855）
‘数学王子’高斯（1777－ 德国数学家、物理学家、天文学家
第22页/共24页
谢谢大家，再见
第23页/共24页
谢谢您的观看！
第24页/共24页
• 取不同随机变量值的概率按随机变量值的分布称为随机变量的概率分布 • 概率分布是统计学赖以发展的理论基础,任何统计方法都离不开特定的统计分布
第2页/共24页
• 随机变量：无法事先确定其具体取值的变量
• 随机变量的分类：连续型随机变量和离散型随机变 量 1）连续型随机变量：可在某一实数区间内任意取 值
第6页/共24页
正态分布的重要性
1、某些医学现象服从或近似服从正态分布； 如：同性别、同年龄儿童的身高，同性别健康成 人的红细胞数，血红蛋白量，脉搏数等，以及实 验中的试验误差等
2、很多统计方法是建立在正态分布的基础之上的； 如：t检验，卡方检验，F检验
3、很多其他分布的极限为正态分布。 如：t分布，卡方分布，二项分布等分布
u0
第18页/共24页
[例5.1] 求标准正态分布曲线下区间(-∞,1.96) 的面积
(1)先求区间(-∞,-1.96)的面积，查附表１ ，得标准正 态分布曲线下区间(-∞,-1.96)的面积是0.0250
(2) 区间(-∞,1.96)的面积为1-(1.96,∞)的面积，即1-
正态分布 课件
；
• 特别地有：P(μ－σ<X≤μ＋σ)＝ 0.6862 ；
• P(μ－2σ<X≤μ＋2σ)＝ 0.9544 ；
• P(μ－3σ<X≤μ＋3σ)＝ 0.9974 .
[答案] B
[解析] 仔细对照正态分布密度函数：f(x)＝ 21πσe－
(x－μ)2
2σ2 (x∈R)，注意指数 σ 和系数的分母上的 σ 要一致，以及
正态分布
• 1．当样本容量无限增大时，它的频率分 布直方图 无限接近于 一条总体密度曲 线，在总体所在系统相对稳定的情况下， 总体密度曲线就是或近似地是以下函数的 图象：
• 其中μ和σ(σ>0)为参数．我们称φμ，σ(x)的图 象为 正态分布密度曲线，简称 正态曲线 ．
• (4)曲线与x轴之间的面积为 1 ；
• (5) 当 σ 一 定 时 ， 曲 线 随 μ 的 变 化而沿 x 轴 平移；
• (6)当μ一定时，曲线的形状由σ确定：σ越小，
曲线越“
瘦高”，表示总体的分布越
集中 ；σ越大，曲线越“
矮胖 ”，表示
总体的分布越 分散 ．
• 4．若X～N(μ，σ2)，则对任何实数a>0，概
率P(μ－a<X≤μ＋a)＝
称 性 得 P(3<X≤4) ＝ P(6<X≤7) ， 所 以
P(6<X≤7)＝
＝0.1359.
• [点评] 解此类题首先由题意求出μ及σ的
值，然后根据三个特殊区间上的概率值及
正态曲线的特点(如对称性，与x轴围成的 面积是1等)进行求解．
• [例5] 某年级的一次信息技术测验成绩近 似服从正态分布N(70,102)，如果规定低于 60分为不及格，求：
正态分布ppt精品课件
根据检验结果，解释两组数据 是否存在显著差异，并结合实
际背景进行讨论。
06
正态分布在生活中的应用举例
质量控制领域应用举例
01
产品规格设定
在制造业中，正态分布用于设定产品规格。通过对产品特性进行统计分
析，可以确定产品特性的均值和标准差，进而设定合理的上下规格限。
02 03
过程能力分析
正态分布也用于评估生产过程的能力。通过计算过程能力指数（如Cp 和Cpk），可以了解生产过程是否稳定，并确定是否需要采取改进措施 。
多元方差分析（MANOVA）与多元回归分析（ Multiple Regression Analysis）：当涉及多个自 变量或多个因变量时，可以使用多元方差分析或 多元回归分析来探究它们之间的关系。
回归分析（Regression Analysis）：用于探究自 变量与因变量之间的线性或非线性关系，通过拟 合回归方程来预测因变量的取值。
概率密度函数性质 f(x)≥0，对于所有x∈R。
02
正态分布在统计学中应用
描述性统计量计算
均值（Mean）：表示数据的“中心 ”或“平均”水平，计算方法是所有 数值之和除以数值个数。
偏度（Skewness）：描述数据分布 形态的偏斜程度，正偏态表示数据向 右偏，负偏态表示数据向左偏。
标准差（Standard Deviation）：衡 量数据分布的离散程度，即数据偏离 均值的程度，计算方法是方差的平方 根。
实例分析：两组数据是否存在显著差异
数据描述
给出两组数据的描述性统计量， 如均值、标准差等。
假设检验步骤
按照上述假设检验步骤，对两组 数据进行假设检验。
结果解释
根据检验结果，判断两组数据是 否存在显著差异，并给出相应的
第2章 多元正态分布的参数估计
布函数即边缘分布函数为：
F ( x1 , x2 , , xq ) P( X 1 x1 , , X q xq ) P( X 1 x1 , , X q xq , X q 1 , , X p ) F ( x1 , x2 , , xq , , , )
机向量的密度函数的主要条件是：
p （1）f ( x1 , x2 ,, x p ) 0， ( x1 , x2 ,, x p ) R ；
（2）
f ( x , x ,, x
1 2
p
)dx1 dxp 1
2016/2/24
19
【例2.1】 试证函数 e ( x x ) , f ( x1 , x 2 ) 0,
1 2
x1 0, x 2 0 其它
为随机向量 X ( X1, X 2 ) 的密度函数。
证：只要验证满足密度函数两个条件即可
（1）显然，当 x1 0, x2 0 时有 f ( x1 , x2 ) 0
（2）
2016/2/24
( x1 x2 ) e dx1dx2
当 X 有分布密度 f ( x1 , x2 ,, x p ) 时（联合分布密 度），则 X (1)也有分布密度，即边缘密度函数为 ：
f1 ( x1 , x2 ,, xq ) f ( x1 ,, x p )dxq1 ,, dxp
24
2016/2/24
例如：设随机变量X在1、2、3、4四个整数中等 可能地取值，另一个随机变量Y在1~X中等可能地 取一个整数值，则有边缘分布： X 1 Y 1
13,200 21,000 12,000
第六章---参数估计ppt课件
1、条件分析：总体分布为正态，且总体方差已 知，用正态法进行估计。 2、计算标准误 3、确定置信水平为0.95，查表得
51
4、计算置信区间 D=0.95时 D=0.99时
52
解释：总体均数μ落在75.61-84.39之间的可 能性为95%，超出这一范围的可能只有5%。而 作出总体μ落在74.22-85.78之间结论时的正 确概率为99%，犯错误的可能性为1%。
38
( 二)、 分布法， 未知 1、前提条件： 总体正态分布， n不论大小，
2、使用 t分布统计量
D=0.95时 D=0.99时
39
例：总体正态， 未知，
，
，
，
，
平均数0.95的置信区间是多少？
，
，试问总体
40
解： 1、条件分析：总体正态， 未知，
小
于30，只能用 分布
2、计算标准误
3、计算自由度
9
一、点估计
(一)意义 含义：直接用样本统计量的值作为总体参数的估 计值 无偏估计量：恰好等于相应总体参数的统计量。
例8-1；假设某市六岁男童平均身高110.7cm,随机 抽取113人测得平均身高110.70cm.总体的平均数, 标准差是多少
10
(二)良好点估计的条件
无偏性： 一致性： 有效性： 无偏估计量的变异性问题。
47
1 、条件分析：总体分布为非正态， 未知， ＞30，只能用近似正态估计法。
2、计算标准误
3、确定置信水平为0.95，查表得
48
4、计算置信区间
5、结果解释：该校的平均成绩有95%的可能落 在50.2~54.0之间。
49
课堂练习
已知某总体为正态分布，其总体标准差为10。 现从这个总体中随机抽取n1=20的样本，其平 均数分别80。试问总体参数μ在0.95和0.99的 置信区间是多少。
概率统计中的正态分布的参数估计
概率统计中的正态分布的参数估计正态分布（Normal Distribution）是概率统计中最常见的一种分布，也被广泛应用于各个领域。
正态分布由两个参数来描述，即均值μ和标准差σ。
在实际应用中，我们常常需要通过样本数据来估计正态分布的参数，从而对总体进行推断。
本文将介绍概率统计中的正态分布的参数估计方法。
一、最大似然估计法最大似然估计法是一种常用的参数估计方法，通过寻找最大化样本观测出现的概率来确定参数的值。
在正态分布中，最大似然估计法可以用来估计均值μ和标准差σ。
对于给定的样本数据X1, X2, ..., Xn，我们假设这些数据是从一个正态分布N(μ, σ^2)中独立地随机抽取得到的。
那么样本的似然函数可以表示为：L(μ, σ^2) = Π(1/√(2πσ^2)) * exp(-(xi-μ)^2/(2σ^2))其中，Π表示连乘符号，xi表示第i个观测值。
为了简化计算，我们通常对似然函数的对数取负值，得到对数似然函数：l(μ, σ^2) = -n/2 * log(2πσ^2) - Σ(xi-μ)^2/(2σ^2)最大似然估计法的目标是找到使对数似然函数取得最大值的参数值。
对于均值μ，我们可以通过求导等于0的方式得到：∂l/∂μ = Σ(xi-μ)/σ^2 = 0解得：Σ(xi-μ) = 0即样本观测值与均值的偏差之和为0。
这意味着最大似然估计下的均值估计值等于样本的平均值。
对于标准差σ，我们可以通过求导等于0的方式得到：∂l/∂σ^2 = -n/(2σ^2) + Σ(xi-μ)^2/(2σ^4) = 0解得：σ^2 = Σ(xi-μ)^2/n即最大似然估计下的标准差估计值等于样本偏差平方和的均值。
二、置信区间估计法在实际应用中，我们通常还需要给出参数估计的不确定性范围。
置信区间估计法可以用来估计参数的置信区间，即参数真值落在某个区间内的概率。
对于均值μ的置信区间估计，假设样本数据X1, X2, ..., Xn满足正态分布N(μ, σ^2)，我们可以使用样本均值的抽样分布来构建置信区间。