创建概率分布对象

用拟合概率分布对象来估计样本数据的概率分布参数fitdist．可以将单个指定参数或非参数分布拟合到示例数据。您还可以根据分组变量将多个相同类型的分布适合于样例数据。对于大多数发行版，fitdist采用最大似然估计(MLE)从样本数据中估计分布参数。有关更多信息和其他语法选项，请参见fitdist．

或者，可以使用。创建具有指定参数值的概率分布对象makedist．

使用概率分布对象

一旦你创建了一个概率分布对象，你可以使用对象函数:

保存概率分布对象

将概率分布对象保存到.MAT文件中:

方法也可以直接从命令行保存概率分布对象保存函数。保存使您能够选择文件名并指定要保存的概率分布对象。如果没有指定对象(或其他变量)，MATLAB^®将工作区中的所有变量(包括任何概率分布对象)保存到指定的文件名。有关更多信息和其他语法选项，请参见保存．

使用概率分布对象分析分布

这个例子展示了如何使用概率分布对象对拟合分布执行多步分析。

分析说明了如何:

加载样例数据。

负载examgrades

样本数据包含一个120 × 5的考试成绩矩阵。这些考试的分值为0到100分。

创建一个包含考试成绩数据第一列的向量。

X =成绩(:，1);

用拟合样本数据的正态分布fitdist创建一个概率分布对象。

Pd = fitdist(x，“正常”）

正态分布mu = 75.0083 [73.4321, 76.5846] sigma = 8.7202 [7.7391, 9.98843]

fitdist返回一个概率分布对象，pd，属于NormalDistribution．该对象包含估计的参数值，μ而且σ为拟合正态分布。参数估计值旁边的区间是分布参数的95%置信区间。

利用拟合的分布对象计算学生考试成绩的平均值，pd．

M = mean(pd)

M = 75.0083

考试成绩的平均数等于μ参数估计为fitdist．

绘制考试成绩的直方图。覆盖拟合的pdf图，以直观地比较拟合的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)

拟合分布的pdf与考试成绩直方图的形状相同。

利用逆累积分布函数(icdf)．这个边界等价于概率分布的cdf等于0.9的值。换句话说，90%的考试成绩小于或等于边界值。

A = icdf(pd,0.9)

A = 86.1837

根据拟合分布，10%的学生的考试成绩高于86.1837。同样，90%的学生的考试成绩小于或等于86.1837分。

保存拟合的概率分布，pd，作为文件命名myobject.mat．

保存(“myobject.mat”，“pd”）

配配电钳工App

的分布更健康应用程序允许您交互式拟合一个概率分布到您的数据。您可以显示不同类型的图，计算置信范围，并评估数据的拟合。还可以从拟合中排除数据。您可以保存数据，并将拟合作为概率分布对象导出到工作区，以执行进一步的分析。

从Apps选项卡加载Distribution Fitter应用程序，或通过输入distributionFitter在命令窗口中。有关更多信息，请参见使用分布钳工应用程序建模数据．

概率分布函数工具

的概率分布函数用户界面直观地探索概率分布。输入可以加载概率分布函数用户界面disttool在命令窗口中。

随机数生成工具

“随机数生成”用户界面从指定的分布生成随机数据，并将结果导出到工作区。您可以使用此工具来探索改变参数和样本量对分布的影响。

随机数生成用户界面允许您为分布设置参数值，并更改其上下限;从相同的分布中抽取另一个样本，使用相同的大小和参数;并将当前随机样本导出到您的工作空间，以用于进一步分析。一个对话框允许您为示例提供一个名称。

使用特定于分布的函数分析分布

这个例子展示了如何使用特定于分布的函数对拟合的分布执行多步分析。

分析说明了如何:

您可以使用概率分布对象执行相同的分析。看到使用概率分布对象分析分布．

加载样例数据。

负载examgrades

样本数据包含一个120 × 5的考试成绩矩阵。这些考试的分值为0到100分。

创建一个包含考试成绩数据第一列的向量。

X =成绩(:，1);

用拟合样本数据的正态分布normfit．

[mu,sigma,muCI,sigmaCI] = normfit(x)

Mu = 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值和参数估计值的95%置信区间。

绘制考试成绩的直方图。覆盖拟合的pdf图，以直观地比较拟合的正态分布与实际考试成绩。

X_pdf = [1:0.1:100];Y = normpdf(x_pdf,mu,sigma);图直方图(x,“归一化”，“pdf”)线(x_pdf, y)

拟合分布的pdf与考试成绩直方图的形状相同。

利用正态逆累积分布函数确定学生考试成绩前10%的边界。这个边界等价于概率分布的cdf等于0.9的值。换句话说，90%的考试成绩小于或等于边界值。

A = norminv(0.9,mu,sigma)

A = 86.1837

根据拟合分布，10%的学生的考试成绩高于86.1837。同样，90%的学生的考试成绩小于或等于86.1837分。

将估计的分布参数保存为一个名为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作为卡方拟合优度检验中的函数句柄(chi2gof)．

这个例子检验了零假设，即输入向量中包含的样本数据，x，来自带参数的正态分布µ而且σ等于均值(的意思是)和标准差(性病)的样本数据。

rng (“默认”）%用于再现性X = normrnd(50,5100,1);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在默认的5%显著性水平上不拒绝零假设。

下一个例子说明了如何使用概率分布函数作为切片采样器中的函数句柄(slicesample)．示例使用normpdf从标准正态分布中生成2,000个值的随机样本，并绘制结果值的直方图。

rng (“默认”）%用于再现性X = slicesample(1,2000，“pdf”@normpdf,“薄”5,“燃烧”, 1000);直方图(x)

直方图显示，当使用normpdf，得到的随机样本具有标准正态分布。

如果你传递指数分布的概率分布函数pdf (exppdf)作为函数句柄，而不是normpdf,然后slicesample从默认参数值为的指数分布中生成2,000个随机样本µ等于1。

rng (“默认”）%用于再现性X = slicesample(1,2000，“pdf”@exppdf,“薄”5,“燃烧”, 1000);直方图(x)

直方图显示了使用时产生的随机样本exppdf呈指数分布。