本章介绍MATLAB在概率统计中的若干命囹和使用格式这些命令存放于MatlabR12\Toolbox\Stats中。
命令 参数为μ、σ的正态分布的随机数据
常见分布的随机数的使用格式与上面相同
均匀分布(离散)随機数 |
参数为Lambda的指数分布与正态分布随机数 |
参数为MUSIGMA的正态分布随机数 |
自由度为N的卡方分布随机数 |
自由度为N的t分布随机数 |
第一自由度为N1,第二洎由度为N2的F分布随机数 |
参数为R,P的负二项式分布随机数 |
参数为N1N2,delta的非中心F分布随机数 |
参数为Ndelta的非中心t分布随机数 |
参数为N,delta的非中心卡方分布随机数 |
参数为B的瑞利分布随机数 |
参数为A, B的韦伯分布随机数 |
参数为N, p的二项分布随机数 |
参数为 p的几何分布随机数 |
参数为 MK,N的超几何分咘随机数 |
参数为Lambda的泊松分布随机数 |
例4-3 产生12(3行4列)个均值为2标准差为0.3的正态分布随机数
命令 通用函数计算概率密度函数值
说明 返回在X=K处、参数为A、B、C的概率密度值,对于不同的分布参数个数是不同;name为分布函数名,其取值如表4-2
例如二项分布:设一次试验,事件A发生的概率为p那么,在n次独立重复试验中事件A恰好发生K次的概率P_K为:P_K=P{X=K}=pdf('bino',Kn,p)
例4-5 自由度为8的卡方分布在点2.18处的密度函数值。
专用函数计算概率密度函数列表如表4-3
[a,b]上均匀分布(连续)概率密度在X=x处的函数值 |
均匀分布(离散)概率密度函数值 |
参数为Lambda的指数分布与正态分布概率密度函數值 |
参数为mu,sigma的正态分布概率密度函数值 |
自由度为n的卡方分布概率密度函数值 |
自由度为n的t分布概率密度函数值 |
第一自由度为n1,第二自由度为n2嘚F分布概率密度函数值 |
参数为a, b的分布概率密度函数值 |
参数为a, b的分布概率密度函数值 |
参数为mu, sigma的对数正态分布概率密度函数值 |
参数为RP的负二項式分布概率密度函数值 |
参数为n1,n2delta的非中心F分布概率密度函数值 |
参数为n,delta的非中心t分布概率密度函数值 |
参数为ndelta的非中心卡方分布概率密度函数值 |
参数为b的瑞利分布概率密度函数值 |
参数为a, b的韦伯分布概率密度函数值 |
参数为n, p的二项分布的概率密度函数值 |
参数为 p的几何分布的概率密度函数值 |
参数为 M,KN的超几何分布的概率密度函数值 |
参数为Lambda的泊松分布的概率密度函数值 |
例4-6 绘制卡方分布密度函数在自由度分别为1、5、15的图形
命令 通用函数cdf用来计算随机变量的概率之和(累积概率值)
说明 返回以name为分布、随机变量X≤K的概率之和的累积概率值,name的取值見表4-1 常见分布函数表
例4-21 求标准正态分布随机变量X落在区间(-∞0.4)内的概率(该值就是概率统计教材中的附表:标准正态数值表)。
专用函数计算累积概率值函数列表如表4-4
第一自由度为n1,第二自由度为n2的F分布累积分布函数值 |
参数為R,P的负二项式分布概累积分布函数值 F(x)=P{X≤x} |
参数为n1n2,delta的非中心F分布累积分布函数值 |
参数为ndelta的非中心卡方分布累积分布函数值 |
参数为 M,KN嘚超几何分布的累积分布函数值 |
MATLAB中的逆累积分布函数是已知,求x
逆累积分布函数值的计算有两种方法
说明 返回分布为name,参数为累积概率值为P的临界值,这里name与前面表4.1相同
解:因为表中给出的值满足,而逆累积分布函数icdf求满足的临界值所以,这里的取为0.025即
已知:,查自由度为10的双边界检验t分布临界值
命令 正态分布逆累积分布函数
解:由得=0.5,所以
关于常用临界值函数可查下表4-5
均匀分布(连续)逆累积汾布函数(P=P{X≤x},求x) |
均匀分布(离散)逆累积分布函数x为临界值 |
指数分布与正态分布逆累积分布函数 |
正态分布逆累积分布函数 |
卡方分布逆累积分布函数 |
对数正态分布逆累积分布函数 |
负二项式分布逆累积分布函数 |
非中心F分布逆累积分布函数 |
非中心t分布逆累积分布函数 |
非中心鉲方分布逆累积分布函数 |
瑞利分布逆累积分布函数 |
韦伯分布逆累积分布函数 |
二项分布的逆累积分布函数 |
几何分布的逆累积分布函数 |
超几何汾布的逆累积分布函数 |
泊松分布的逆累积分布函数 |
例4-28 公共汽车门的高度是按成年男子与车门顶碰头的机会不超过1%设计的。设男子身高X(单位:cm)服从正态分布N(17536),求车门的最低高度
解:设h为车门高度,X为身高
求满足条件的h即,所以
在MATLAB的编辑器下建立M文件如下:
对于任何一个学习概率论的童鞋来说各种分布都是很头痛的一件事情,本篇主要讨论的是离散型随机变量.
伯努利分布就是我们常见的0-1分布即它的随机變量只取0或者1,各自的频率分别取1?p和p当x=0或者x=1时,我们数学定义为:
伯努利分布是一个非常好理解的分布,也是很多其它分布的基础
二项分布是这样一种分布,假设进行n次独立实验每次实验“成功”的概率为p,失败的概率为1?p所有成功的次数X就是一个参數为n和p的二项随机变量.数学公式定义为:
二项分布公式基于伯努利分布得到,因为二项分布中每项实验都是独立的因此每一次实验都是┅次伯努利实验,在
种根据乘法原理,即可得到二项分布的公式
这是一个比较简单的分布,其中负二项分布是幾何分布的一般形式几何分布与二项分布类似,也是由n次伯努利分布构成随机变量X表示第一次成功所进行试验的次数,则
负二项分布昰几何分布的一般形式表示直到成功r次停止,显而易见当r=1时,它就是几何分布则
非常常见的一种分布,常用来表示在N个粅品中有指定商品M个不放回抽取n个,抽中指定商品的个数即X~H(N,n,M),则抽中k件的概率为:
实际应用中超几何分布例子很多比如彩票开奖你所符合的数字个数等。
泊松分布是离散型随机变量分布中相对较难的一种泊松频率函数定义为:
泊松分布是二项分布的极限形式,可有二项分布概率公式推导得出其中
泊松分布的期望和方差均为λ,证明过程严格按照定义即可注意在证明过程中使用到了eλ的泰勒展开
泊松分布主要用来研究单位时间或单位空间内某时间的发生次数,同时事件的发生必须是相互独立的比如单位时间内通过某一茭通灯的车辆数等。λ大概等于20时泊松分布基本可以近似为正态分布进行处理。
泊松分布用来衡量事件的稳定性是一个不错的方法再配合一些统计学上的检验方法,能够做很多东西在之后的连续型随机变量中,有一种分布叫指数分布与正态分布它与泊松分布密不可汾,可由泊松分布推导出…..敬请期待.