从均值为3，标准差为5的正态分布生成1000个正态随机数。

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

找到参数估计和99%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

穆罕默德样本是平均值的吗？sigmaHat是方差的无偏估计量的平方根。muCI和sigmaCI分别包含平均值和标准偏差参数的99％置信区间。第一行是下限，第二行是上限。

用，求带有截尾的数据集的最大似然误差normfit．使用statset指定迭代算法选项normfit用于计算用于审查数据的MLES，然后再次找到MLES。

加载样本数据。

负载灯泡

数据的第一列包含两种类型灯泡的生存期(以小时为单位)。第二列包含表示灯泡是荧光灯还是白炽灯的二进制变量。1表示荧光灯，0表示白炽灯。第三列为审查信息，0表示灯泡被观察到失效，1表示灯泡被审查。

找出荧光灯的指数。

idx = find（灯泡（:,2）== 0）;

假设寿命服从正态分布，求正态分布参数的最大寿命。的第二个输入参数normfit置信度。通过［］使用其默认值0.05。第三个输入参数指定审查信息。

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

muHat1 = 9.4966 e + 03

sigmaHat1 = 3.0640 e + 03

显示默认算法参数normfit用于估计正常分布参数。

statset（“normfit”）

ans =结构体字段:Display: 'off' MaxFunEvals: 200 MaxIter: 100 TolBnd: 1.0000e-06 TolFun: 1.0000e-08 TolTypeFun: [] TolX: 1.0000e-08 TolTypeX: [] GradObj: [] Jacobian: [] derivative: [] FunValCheck: [] Robust: [] RobustWgtFun: [] WgtFun: [] Tune: [] UseParallel: [] UseSubstreams: [] Streams: {} OutputFcn: []

使用其他名称保存选项。更改结果的显示方式（展示)和目标函数的终止容差(TolFun)．

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

或者，您可以通过使用函数的名称-值对参数指定算法参数statset．

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

使用新算法参数查找MLES。

[muhat2，sigmahat2] = normfit（灯泡（idx，1），[]，审查，[]，选项）

成功收敛：渐变的规范小于选项.Tolfun

muHat2 = 9.4966 e + 03

sigmahat2 = 3.0640e + 03

normfit显示关于最后一次迭代的报告。

功能normfit找到样品均值和无偏估计的平方根，无抗审查。样本平均值等于平均参数的MLE，但是方差的非偏向估计器的平方根不等于标准偏差参数的MLE。

求正态分布参数normfit，将它们转换为最大似然数，然后比较估计的负对数似然ranglike.．

从标准正态分布生成100个正态随机数。

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

找到样品均值和方差无偏估计的平方根。

[muHat, sigmaHat] = normfit (x)

muHat = 0.1231

sigmaHat = 1.1624

将方差的无偏估计量的平方根转换为标准差参数的MLE。

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

sigmaHat_MLE = 1.1566

之间的区别sigmaHat和sigmahat_mle.对于大而忽略不计n．

或者，您可以使用该功能找到MLESm．

phat = mle（x）

太好了=1×20.1231 1.1566

太好了(1)和太好了(2)分别为均值和标准差参数的MLEs。

确认MLES的日志可能性（穆罕默德和sigmahat_mle.）大于非偏见估计器的日志可能性（穆罕默德和sigmaHat）通过使用ranglike.函数。

logl = -normlike（[muhat，sigmahat]，x）

logl = -156.4424.

logl_mle = -normlike（[muhat，sigmahat_mle]，x）

logL_MLE = -156.4399