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)
给定向量中的数据,返回1型极值分布参数的最大似然估计数据
.parmhat (1)
是位置参数,µ
,parmhat (2)
是尺度参数,σ。
[parmhat, parmci] = evfit(数据)
的参数估计返回95%的置信区间µ
σ参数在2 × 2矩阵中parmci
.极值拟合矩阵的第一列包含参数的置信下限和置信上限µ
,第二列为参数σ的置信范围。
[parmhat, parmci] = evfit(数据、α)
返回(1 - 100α
)参数估计的%置信区间,其中α
一个值在这个范围内吗[0 1]
指定置信区间的宽度。默认情况下,α
是0.05
,对应95%的置信区间。
[…] = evfit(数据、α审查)
接受一个布尔向量,审查
,大小与数据
,这是1
对于经过右审查的观察结果0
用于精确观测。
[…) = evfit(数据、α、审查、频率)
接受一个频率矢量,频率
大小相同的数据
.通常情况下,频率
中对应元素的整数频率数据
,但可以包含任何非负值。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
,为函数用于计算最大似然估计的迭代算法指定控制参数。您可以创建选项
使用函数statset
.输入statset(“evfit”)
以查看参数的名称和默认值evfit
接受的选项
结构。参见参考页statset
有关这些选项的更多信息。
第一类极值分布也称为甘贝尔分布。这里使用的版本适合于最小值建模;这个分布的镜像可以通过负解来建立极大值模型X
.看到极端值分布为更多的细节。如果x是否存在威布尔分布X=日志(x)具有1型极值分布。