MATLAB数据分析方法 (1)解析.ppt

上一节中的数据直方图与QQ图等能直观初略描述数据的分布，本节进一步研究如何判定数据是否服从正态分布的问题。若不服从正态分布，那么又可能服从怎样的分布. 2.2 数据分布及检验 2.2.1 一元数据分布检验 1.经验分布函数 设来自总体X的样本为x1,x2,…,xn，对于任意实数x,定义函数 （2.2.1） 称为经验分布函数. 1933年，格里汶科(Glivenko)证明了以下的结果: 对于任一实数x, 当n??时Fn(x)以概率1一致收敛于分布函数, 即 这一结论表明：对于任一实数x，当n充分大时 F(x)?Fn(x) (2.2.2) 因此可用经验分布函数来近似代替F(x)，这一点也是由样本推断总体的最基本理论依据之一. 在MATLAB中，作经验（累积）分布函数图形命令cdfplot，调用格式： ①cdfplot(X) %作样本X的经验分布函数图形 ②h = cdfplot(X) %h表示曲线的环柄 ③[h,stats] = cdfplot(X) %stats表示样本最小、大值、均值、中值与标准差 例2.2.1 生成服从标准正态分布的50个样本点，作出样本的经验分布函数图，并与理论分布函数比较. 解：%生成服从标准正态分布的50个样本点 X=normrnd (0,1,50,1); [h,stats]=cdfplot(X); %作样本的经验分布函数图 hold on %作理论分布函数图 plot(-3:0.01:3, normcdf(-3:0.01:3,0,1), r) 输出结果：h =3.0013 stats = min: -1.8740 %样本最小值 max: 1.6924 %最大值 mean: 0.0565 %平均值 median: 0.1032 %中间值 std: 0.7559 %样本标准差 图1.9 标准正态分及其50个样本点的经验分布函数图 2.总体分布的正态性检验 进行参数估计和假设检验时，通常总是假定总体服从正态分布，虽然在许多情况下这个假定是合理的，但是当要以此为前提进行重要的参数估计或假设检验，或者人们对它有较大怀疑的时候，就确有必要对这个假设进行检验，进行总体正态性检验的方法有很多种，以下针对MATLAB统计工具箱中提供的程序，简单介绍几种方法. （1）Jarque-Bera检验 Jarque-Bera检验简称JB检验，它是利用正态分布的偏度g1和峰度g2，构造一个包含g1，g2且自由度为2的卡方分布统计量JB，即 （2.2.3） 对于显著性水平?，当JB统计量小于分布的分位数时接受H0，即认为总体服从正态分布；否则拒绝H0，即认为总体不服从正态分布.这个检验适用于大样本，当样本容量n较小时需慎用. 在MATLAB中，JB检验命令jbtest，调用格式 [H,P,JBSTAT,CV] = jbtest(X,alpha) 其中alpha是检验水平，通常取0.05，0.01，缺省默认为0.05，若h=0，则无法拒绝正态分布；若h=1，则拒绝正态分布. （2）Kolmogorov-Smirnov检验 Kolmogorov-Smirnov检验简称KS检验，它是通过样本的经验分布函数与给定分布函数的比较，推断该样本是否来自给定分布函数的总体.设给定分布函数为G(x)，构造统计量 （2.2.4） 即两个分布函数之差的最大值，对于假设H0：总体服从给定的分布G(x)，及给定的?，根据Dn的极限分布确定统计量关于是否接受H0的数量界限. 因为这个检验需要给定G(x)，所以当用于正态性检验时只能做标准正态检验，即H0：总体服从标准正态分布. 在Matlab中，KS检验命令kstest，调用格式 h = kstest(x) h = kstest(x,cdf) [h,p,ksstat,cv] = kstest(x,cdf,alpha) 把向量x中的值与标准正态分布进行比较并返回假设检验结果h.如果h=0表示不能拒绝原假设，即不能拒绝服从正太分布.假设的显著水平默认值是0.05.cdf是一个两列矩阵，矩阵的第一列包含可能的x值，第二列式假设累积分布函数G(x)的值，在可能的情况下，cdf的第一列应包含x中的值，如果第一类没有，则用插值的方法近似.指定显著水平alpha,返回p值，K-S检验统计量Ksstat；截断值cv.