创建概率分布对象

从样本数据估计概率分布参数通过数据拟合概率分布对象使用fitdist。你可以适应一个指定的参数或非参数样本数据分布。你也可以适应多个相同类型的分布样本数据基于分组变量。对于大多数发行版,fitdist使用最大似然估计(企业)来估计样本数据的分布参数。和额外的语法选项的更多信息,参见fitdist。

或者,您可以创建一个概率分布对象使用指定的参数值makedist。

使用概率分布对象

一旦你创建一个概率分布对象,您可以使用对象的功能:

保存一个概率分布对象

保存您的概率分布对象.MAT文件:

或者,您可以保存一个概率分布对象直接从命令行通过使用保存函数。保存使您能够选择一个文件名,并指定您想保存的概率分布对象。如果你不指定一个对象(或其他变量),MATLAB^®保存工作空间中的所有变量,包括任何概率分布对象指定的文件名。和额外的语法选项的更多信息,参见保存。

分析使用概率分布对象分布

这个例子展示了如何使用概率分布对象执行多步分析拟合分布。

分析说明:

加载示例数据。

负载examgrades

样本数据包含120 - 5矩阵的考试成绩。考试分数在0到100的规模。

创建一个包含考试成绩数据的第一列向量。

x =成绩(:1);

符合正态分布的样本数据fitdist创建一个概率分布对象。

pd = fitdist (x,“正常”)

pd = NormalDistribution正态分布μ= 75.0083[73.4321,76.5846]σ= 8.7202 (7.7391,9.98843)

fitdist返回一个概率分布对象,pd的类型NormalDistribution。这个对象包含估计参数值,μ和σ,符合正态分布。旁边的间隔参数估计的95%置信区间的分布参数。

学生考试成绩计算的均值使用安装分布对象,pd。

m =意味着(pd)

m = 75.0083

考试成绩的均值等于μ参数估计fitdist。

画一个柱状图的考试成绩。覆盖安装pdf的情节来直观地比较符合正态分布与实际考试成绩。

x_pdf = [1:0.1:100];y = pdf (pd, x_pdf);图直方图(x,“归一化”,“pdf”)线(x_pdf, y)

pdf安装分布遵循相同的形状的直方图考试成绩。

确定的边界上10%的学生考试成绩使用逆累积分布函数(icdf)。这个边界相当于提供的价值的概率分布等于0.9。换句话说,90%的考试成绩是小于或等于边界值。

0.9 = icdf (pd)

一个= 86.1837

基于拟合分布,10%的学生收到考试成绩大于86.1837。同样,90%的学生收到了考试成绩小于或等于86.1837。

保存安装概率分布,pd作为一个文件命名myobject.mat。

保存(“myobject.mat”,“pd”)

分配适当的应用程序

的分布更健康应用程序允许您交互式地适合您的数据的概率分布。您可以显示不同类型的情节,计算置信界限),并评估数据的配合。你也可以排除数据符合。你可以保存数据,将适合您的工作区导出为一个概率分布对象进行进一步分析。

负荷分布健康应用程序从应用程序选项卡,或通过输入distributionFitter在命令窗口中。有关更多信息,请参见使用健康应用分布模型数据。

概率分布函数的工具

的概率分布函数用户界面视觉探索概率分布。你可以加载用户界面输入概率分布函数disttool在命令窗口中。

随机数生成工具

随机数生成用户界面生成随机指定的数据分布结果和出口到您的工作区。您可以使用这个工具来探索的影响改变参数和样本大小的分布。

随机数生成用户界面允许您设置参数值的分布和改变他们的上下界限;再画一个样本相同的分布,使用相同的大小和参数;和导出当前随机样本工作区用于进一步分析。一个对话框使您可以提供一个名称为样本。

分析使用特定函数分布

这个例子展示了如何使用特定函数执行多步分析拟合分布。

分析说明:

您可以使用一个概率分布执行相同的分析对象。看到分析使用概率分布对象分布。

加载示例数据。

负载examgrades

样本数据包含120 - 5矩阵的考试成绩。考试分数在0到100的规模。

创建一个包含考试成绩数据的第一列向量。

x =成绩(:1);

符合正态分布的样本数据normfit。

(μ、σmuCI sigmaCI] = normfit (x)

μ= 75.0083

σ= 8.7202

muCI =2×173.4321 - 76.5846

sigmaCI =2×17.7391 - 9.9884

的normfit函数返回正态分布参数的估计和参数估计的95%置信区间。

画一个柱状图的考试成绩。覆盖安装pdf的情节来直观地比较符合正态分布与实际考试成绩。

x_pdf = [1:0.1:100];y = normpdf (x_pdf、μ、σ);图直方图(x,“归一化”,“pdf”)线(x_pdf, y)

pdf安装分布遵循相同的形状的直方图考试成绩。

确定的边界上10%的学生考试成绩通过使用正常的逆累积分布函数。这个边界相当于提供的价值的概率分布等于0.9。换句话说,90%的考试成绩是小于或等于边界值。

一个= norminv(0.9μ、σ)

一个= 86.1837

基于拟合分布,10%的学生收到考试成绩大于86.1837。同样,90%的学生收到了考试成绩小于或等于86.1837。

将估计分布参数保存为一个文件命名myparameter.mat。

保存(“myparameter.mat”,“亩”,“σ”)

使用概率分布函数作为函数句柄

这个例子展示了如何使用概率分布函数normcdf作为一个函数处理卡方拟合优度检验(chi2gof)。

这个示例测试零假设,样本数据中包含的输入向量,x来自正态分布与参数µ和σ等于的意思(的意思是)和标准差(性病分别)的示例数据。

rng (“默认”)%的再现性x = normrnd (5100 1);h = chi2gof (x),“提供”,{@normcdf,意味着(x),性病(x)})

h = 0

返回的结果h = 0表明chi2gof不拒绝零假设默认的5%显著性水平。

下一个示例演示了如何使用概率分布函数作为函数处理片取样器(slicesample)。本例使用normpdf生成一个随机抽取的2000名从标准正态分布值,和情节的直方图生成的值。

rng (“默认”)%的再现性x = slicesample (2000,“pdf”@normpdf,“薄”5,“燃烧”,1000);直方图(x)

直方图显示,当使用normpdf,由此产生的随机样本的标准正态分布。

如果你通过概率分布函数为指数分布的pdf (exppdf)作为一个函数处理代替normpdf,然后slicesample生成2000个随机样本一个默认参数值的指数分布µ等于1。

rng (“默认”)%的再现性x = slicesample (2000,“pdf”@exppdf,“薄”5,“燃烧”,1000);直方图(x)

直方图显示,使用时产生的随机样本exppdf有一个指数分布。