第7章MATLAB统计分析.ppt

7.1 MATLAB统计学函数 7.2 概率分布 7.3 描述统计 7.4 假设检验 7.5 单向分组数据方差分析 7.6 线性回归 7.7 非线性回归 　　单变量数据样本用一个列向量表示，多变量数据样本用一个矩阵表示，Statistcs Toolbox统计工具箱的MATLAB统计学函数，在处理数据时默认矩阵的一列是一个变量的样本。表7-1和表7-2中统计学函数的用法格式请用help命令查询。 7.2.1 二项分布(Binomial distribution)　　【例7.1】 已知变量X服从二项分布B(n, p)，其中分布参数n?=?6，p?=?0.65，试计算它的概率密度、分布函数和分位数，生成伪随机数并对相应总体的成功概率p进行估计，绘制二项分布概率密度图。　　 二项分布B(n, p)的概率密度函数：　　MATLAB计算程序如下：n=6; p=0.65; %设置分布参数，试验重复n和成功概率pfalpha=[1 0.975 0.95 0.05 0.025 0]; %指定多个分位数尾概率falphax=[0 1 2 3 4 5 6]; %指定随机变量X的观察值xalpha=0.05; %设置区间估计的置信度1-alphann=5; mm=1; %指定伪随机数的行数nn列数mmx_fx_Fx=[x binopdf(x,n,p) binocdf(x,n,p)] %观察值x处的概率密度和分布函数x_alpha_Fx=[binoinv(1-falpha,n,p) falpha 1-falpha] %分位数尾概率分布函数 [mean var]=binostat(n,p) %概率分布的期望mean和方差varxrnd=binornd(n,p,nn,mm); %产生nn行mm列的伪随机数xrnd[pmle,pci]=binofit(xrnd,n,alpha); %参数p的最大似然估计pmle和置信区间pcixrnd_pmle_pci=[xrnd pmle pci] %xrnd、pmle和pci的结果汇总bar(x,binopdf(x,n,p),k)　　续程序：xlabel(观察值 x,FontSize,14,FontName,Times);ylabel(概率密度 f(x),FontSize,14,FontName,Times);　　程序执行的结果： x_fx_Fx = ? 0 0.0018 0.0018 1.0000 0.0205 0.0223 2.0000 0.0951 0.1174 3.0000 0.2355 0.3529 4.0000 0.3280 0.6809 5.0000 0.2437 0.9246 6.0000 0.0754 1.0000x_alpha_Fx = 0 1.0000 0 2.0000 0.9750 0.0250 2.0000 0.9500 0.0500 6.0000 0.0500 0.9500 6.0000 0.0250 0.9750 6.0000 0 1.0000 mean = 3.9000var = 1.3650xrnd_pmle_pci = 3.0000 0.5000 0.1181 0.8819 2.0000 0.3333 0.0433 0.7772 5.0000 0.8333 0.3588 0.9958 3.0000 0.5000 0.1181 0.8819 3.0000 0.5000 0.1181 0.8819　　二项分布B(6, 0.65)的概率密度如图7-1所示。 图7-1 二项分布B(6, 0.65)的概率密度 7.2.2 0-1分布　　【例7.2】 已知变量X服从0-1分布，其中p=0.65，试计算它的概率密度、分布函数和分位数，生成伪随机数并对相应总体的成功概率p进行估计，绘制0-1分布概率密度图。　　0-1分布B(1, p)的概率密度函数：　　由统计学原理可知，0-1分布是分布参数n=1的二项分布，即B(1, p)。 　　MATLAB编程计算思路如下：　　只需对【例7.1】程