このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
この例では,確率分布オブジェクトをグループ化された標本データにあてはめ,プロットを作成してグループごとに確率密度関数を視覚的に比較する方法を示します。
標本データを読み込みます。
负载carsmall;
データには,さまざまな車種およびモデルのガロンあたりの走行マイル数(英里/加仑
)の測定値が格納され,生産国(起源
),モデル年(Model_Year
),その他の車両の特性によってグループ化されています。
起源
を直言配列に変換します。
起源=分类(cellstr(起源));
fitdist
を使用し,カーネル分布を英里/加仑
データの各生産国グループに近似します。
[KerByOrig、国家]= fitdist(英里/加仑,“内核”,“通过”起源)
KerByOrig =1×6单元阵列列1到2 {1x1 probb。KernelDistribution} {1 x1概率。KernelDistribution}Columns 3 through 4 {1x1 prob.KernelDistribution} {1x1 prob.KernelDistribution} Columns 5 through 6 {1x1 prob.KernelDistribution} {1x1 prob.KernelDistribution}
国家=6 x1细胞{“法国”}{“德国”}{“意大利”}{‘日本’}{“瑞典”}{'美国'}
细胞配列KerByOrig
には,標本データで表されている国ごとに1つずつ,6つのカーネル分布オブジェクトが含まれます。各オブジェクトは,データ,分布,およびパラメーターについての情報を保持するプロパティを含んでいます。配列国家
は,分布オブジェクトがKerByOrig
に格納されるのと同じ順番で各グループの生産国をリストします。
ドイツ,日本および米国の確率分布オブジェクトを抽出します。手順3に示されているKerByOrig
の各国の位置を使用します(ドイツが2番目の国,日本が4番目の国,米国が6番目の国であることを示しています)。各グループのpdfを計算する。
德国= KerByOrig {2};日本= KerByOrig {4};美国= KerByOrig {6};x = 0:1:50;USA_pdf = pdf(美国x);Japan_pdf = pdf(日本,x);Germany_pdf = pdf(德国,x);
图内同じで各グループの確率密度関数をプロットします。
情节(x, USA_pdf,的r -)举行在情节(x, Japan_pdf,b -。)情节(x, Germany_pdf凯西:”)({传奇“美国”,“日本”,“德国”},“位置”,“西北”)标题(“按原产国划分的MPG”)包含(“英里”)
結果のプロットは,ガロンあたりの走行マイル数(英里/加仑
)の性能が生産国(起源
)によってどう異なるのかを示しています。このデータを使用すると,3か国の中で米国の分布が最も広く,また分布のピークが最も低い英里/加仑
値となります。日本は 3 か国の中で最も規則的な分布をしていて、左裾が若干大きくなっています。英里/加仑
値のピークも日本が最も高くなっています。ドイツのピークは米国と日本の間にあり,ガロンあたり44マイル付近の2番目の山はデータ内に複数の最頻値がある可能性を示しています。