服从X^2( n-1)分布。
设X1,X2,...Xn为来自正态总体X～N（μ,σ^2）的一个样本，μ已知，求σ^2的极大似然估计
f(x1)=1/(2piσ^2)^0.5*exp[-(x1-μ)^2/2σ^2]
L=f(x1)*f(x2)...f(xn)=[1/(2piσ^2)^0.5]^n*exp[-(x1-μ)^2/2σ^2+...-(xn-μ)^2/2σ^2]
L=[1/(2piσ^2)^0.5n]*exp{-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2}
lnL(对σ^2的导数)=-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4
lnL(对σ^2的导数)=0
所以-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4=0
σ^2=[(x1-μ)^2/+...+(xn-μ)^2]/n
扩展资料
正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ,σ2）。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
^^f(x1)=1/(2piσ^2)^0.5*exp[-(x1-μ)^2/2σ^2]
f(xn)=1/(2piσ^2)^0.5*exp[-(xn-μ)^2/2σ^2]
L=f(x1)*f(x2)...f(xn)=[1/(2piσ^2)^0.5]^n*exp[-(x1-μ)^2/2σ^2+...-(xn-μ)^2/2σ^2]
L=[1/(2piσ^2)^0.5n]*exp{-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2}
lnL=ln[1/(2piσ^2)^0.5n]-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2
lnL=-0.5n*ln(2piσ^2)-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2
lnL(对σ^2的导数)=-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4
lnL(对σ^2的导数)=0
所以-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4=0
σ^2=[(x1-μ)^2/+...+(xn-μ)^2]/n
扩展资料：
μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
参考资料来源：百度百科-正态分布
因为(x-u )^2求和，等于n-1倍的样本方差平方，然后就是定理了，手机不好打阿~
