Matlab第八次课(上).pptVIP

Matlab应用—数理统计 杨颖 信息与电气工程学院 2009-11-14 随机数的产生 均匀分布的随机数据 R=unifrnd(A,B) 返回区间[A,B]上连续型均匀分布 R=unifrnd(A,B,M,N) 返回区间[A,B]上连续型均匀分布的M*N大小矩阵 R=unidrnd(N) 返回{1,2,.N}上的均匀分布，R与N同维 R=unidrnd(N,MM,NN) 返回{1,2,.N}上的均匀分布的MM*NN大小矩阵 随机数的产生 指数分布的随机数据 R = exprnd(MU) 返回以MU为参数的随机指数分布矩阵，R与MU同维 R = exprnd(MU,M,N)或者R = exprnd(MU,[M,N]) 返回一个M*N阶矩阵 随机数的产生 二项分布的随机数据 R = binornd(N,P) N和P为二项分布的两个参数，返回符合其分布的随机数 R = binornd(N,P,MM,NN) 或者 R = binornd(N,P,[MM,NN]) 返回MM*NN大小矩阵 随机数的产生 正态分布的随机数 R = normrnd(MU,SIGMA) 返回均值为MU,方差为SIGMA的正态分布的随机数 R = normrnd(MU,SIGMA,M,N) 或者R = normrnd(MU,SIGMA,[M,N]) 返回M*N的矩阵 常见分布的数学期望和方差 均匀分布的期望和方差 [M,V]=unifstat(A,B) A,B区间上均匀分布的期望和方差 二项分布的期望和方差 [M,V]=binostat(N,P) 参数为N,P的二项分布的期望和方差 指数分布的期望和方差 [M,V]=expstat(MU) 参数为MU的指数分布的期望和方差 正态分布的期望和方差 [M,V]=normstat(MU,SIGMA) 参数为MU,SIGMA的正态分布的期望和方差 样本统计量 样本中位数 将样本按大小次序排列，取居中的一个数（如果样本数目为偶数，则取居中两数的平均值）作为样本中位数 median(X) 如果X是向量，则返回X中各元素的中位数 如果X是矩阵，则返回X中各列元素的中位数构成的向量 样本统计量 样本均值（算数平均值） mean(X) X为向量时，返回X中各元素的平均值 X为矩阵时，返回X中各列元素的平均值 mean(X,DIM) 求X的第DIM维元素的平均值 样本统计量 样本方差 var(X) 或者var(X,0) X为向量时，返回X中元素的方差 X为矩阵时，返回X中各列元素的方差 var(X,1) 样本统计量 标准差 std(X) 或者std(X,0) X为向量时，返回X中元素的方差 X为矩阵时，返回X中各列元素的方差 std(X,1) 样本统计量 协方差 cov(X,Y) 返回随机样本X和随机样本Y之间的协方差矩阵，X和Y为等长向量 cov(X) X为向量时相当于var(X) X为矩阵时，返回X的协方差矩阵，即X中的每个列向量看成一个随机样本；协方差矩阵对角线元素即为各列样本的方差 样本统计量 协方差 样本统计量 相关系数 corrcoef(X,Y) 返回随机样本X和随机样本Y之间的相关系数矩阵，X和Y为等长向量 corrcoef(X) X为向量时为1 X为矩阵时，返回X的相关系数矩阵，即X中的每个列向量看成一个随机样本，对角线元素为1 样本统计量 相关系数 统计推断 根据从总体中抽出的样本去推断总体的性质，统计推断的数学模型： 总体的概率分布 中包含未知的参数 , 从该总体中随机抽取样本 , 通过这些样本去推断 参数估计：通过样本推断样本分布中未知的参数 的值，如年龄 点估计：用一个数值作为未知参数的估计值 区间估计：把未知参数估计在一个区间中[ , ] 假设检验: 对于待判断的一个与总体概率分布的参数有关的命题： ,用样本去判断其是否成立 参数估计-极大似然估计 MLE(Maximum Likehood Estimation) PHAT = MLE(DATA ,distribution,DIST) 对分布类型DIST（’unif’,’bino’,’exp’,’norm’）的样本数据DATA,采用最大似然估计得到其参数值PHAT [PHAT, PCI] =MLE(DATA ,distribution,DIST) 返回参数值PHAT和95%的置信区间 [...] = MLE(DATA, ..., NAME1,VALUE1,NAME2,VALUE2,...) NAME1等表示可选参数名，