极值参数估计
parmhat = evfit(数据)
[parmhat, parmci] = evfit(数据)
[parmhat, parmci] = evfit(数据、α)
[…]= evfit(数据、α审查)
[…)= evfit(数据、α、审查、频率)
[…]= evfit(数据、α、审查、频率、期权)
parmhat = evfit(数据)
返回的参数的最大似然估计1型极值分布的样本数据数据
。样例数据数据
必须是一个双精度向量。parmhat (1)
是位置参数µ
,parmhat (2)
规模参数σ。
[parmhat, parmci] = evfit(数据)
返回参数的置信区间估计的95%µ
和σ2×2矩阵参数parmci
。矩阵的第一列的极端值适合包含上下信心参数范围µ
,第二列包含的信心边界参数σ。
[parmhat, parmci] = evfit(数据、α)
返回(1 - 100α
)%的参数置信区间估计,α
是一个值的范围[0 1]
指定置信区间的宽度。默认情况下,α
是0.05
对应于95%置信区间。
[…]= evfit(数据、α审查)
接受一个布尔向量,审查
相同的大小数据
,这是1
观察right-censored和0
的观察观察。
[…)= evfit(数据、α、审查、频率)
接受一个频率向量,频率
相同的大小数据
。通常情况下,频率
包含整数频率对应的元素数据
,但可以包含任何非负价值。通过[]
为α
,审查
,或频率
使用默认值。
[…]= evfit(数据、α、审查、频率、期权)
接受一个结构,选项
,指定控制参数的迭代算法计算极大似然估计的函数使用。您可以创建选项
使用函数statset
。输入statset (“evfit”)
的名称和默认值的参数evfit
接受的选项
结构。看到页面的引用statset
关于这些选项的更多信息。
1型极值分布也被称为耿贝尔分布。这里使用的版本适用于建模最小值;该分布的镜像可用于模型极大值否定X
。看到极端值分布为更多的细节。如果x威布尔分布,然后呢X=日志(x)1型极值分布。