数据分析方法MATLAB实现.ppt

例2.1.6对 作二维正态分布随机数的散点图 解：随机生成服从二维正态分布的数据的命令mvnrnd，调用格式 X=mvnrnd(mu,sigma,n) 其中mu是均值向量，sigma是协方差矩阵，n是数据个数，输出X是和协方差矩阵同阶的随机数据矩阵. clear mu = [2 3]; %输入均值向量 sa = [1 1.5; 1.5 3]; %输入协方差矩阵 r = mvnrnd(mu,sa,100); %生成n=100的样本数据 scatter(r(:,1),r(:,2),*); %作样本数据平面散点图 %绘制密度曲面 figure(2) v=sqrt(3)/2; %输入相关系数 x=-1:0.05:5; %横坐标的取值向量 y=-2:0.05:8; %纵坐标的取值向量 [X,Y]=meshgrid(x,y); %生成网格点 T= ((X-mu(1)).^2/sa(1,1)-2*v/sqrt(sa(1,1)* sa(2,2))*(X-mu(1)).*(Y-mu(2))+(Y-mu(2)).^2/sa(2,2)); %计算密度函数值 Z=1/(2*pi)/sqrt(det(sa))*exp(-1/2/(1-3/4)*T); mesh(X,Y,Z) %绘制曲面 图 1.6样本数据的散点图 图 1.7样本数据的密度曲面图 由图形1.6.可以看出，散点图位于平面上的一个椭圆状区域内，不同的相关系数对应的椭圆状区域形状不同，相关系数越接近与1，椭圆越扁长，可以利用这一图形特征初步说明数据是否来自正态总体. 设总体服从正态分布N(?,?2)，来自总体的样本为x1,x2,…,xn，其次序统计量 ，则平面上n个点 3. QQ图 的散点图称为样本QQ图，其中?-1(.)为标准正态分布函数的反函数. 可以证明，若样本确是来自正态总体, 则散点在直线附近，即QQ图大致呈现一条直线形状。当样本来自其它分布总体时，样本QQ图将是弯曲的.这样，利用QQ图可以直观地作正态性检验，即若QQ图近似一条直线时，则可认为样本数据来自正态总体. 在MATLAB中，作正态分布QQ图命令normplot，调用格式： normplot(X) 其中输入X为向量时，显示正态分布QQ图；当X为矩阵，则显示每一列的正态分布概率图形. 作威布尔分布的QQ图命令weibplot，调用格式： weibplot(X) 其中，输入X为向量时，显示威布尔(Weibull) 分布QQ图；若X为矩阵，则显示每一列的威布尔概率图形. 如果数据点基本散布在直线上，则表明数据服从该分布，否则拒绝该分布. 例2.1.7 对于例2.1.6模拟的样本数据r，分别作出两个分量的QQ图，从QQ图检验各分量是否服从正态分布. 解：subplot(121),normplot(r(:,1)), %分量x的QQ图 subplot(122),normplot(r(:,2)), %分量y的QQ图 图 1.8 两个分量的正态分布qq图 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] = c