怎么用matlab求概率密度函数
4.6 统计作图
4.6.1 正整数的频率表
命令 正整数的频率表
函数 tabulate
格式 table = tabulate(X) %X为正整数构成的向量，返回3列：第1列中包含X的值第2列为这些值的个数，第3列为这些值的频率。
例4-49
>> A=[1 2 2 5 6 3 8]
A =
1 2 2 5 6 3 8
>> tabulate(A)
Value Count Percent
1 1 14.29%
2 2 28.57%
3 1 14.29%
4 0 0.00%
5 1 14.29%
6 1 14.29%
7 0 0.00%
8 1 14.29%
4.6.2 经验累积分布函数图形
函数 cdfplot
格式 cdfplot(X) %作样本X（向量）的累积分布函数图形
h = cdfplot(X) %h表示曲线的环柄
[h,stats] = cdfplot(X) %stats表示样本的一些特征
例4-50
>> X=normrnd (0,1,50,1);
>> [h,stats]=cdfplot(X)
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 4-10
4.6.3 最小二乘拟合直线
函数 lsline
格式 lsline %最小二乘拟合直线
h = lsline %h为直线的句柄
例4-51
>> X = [2 3.4 5.6 8 11 12.3 13.8 16 18.8 19.9]';
>> plot(X,'+')
>> lsline
4.6.4 绘制正态分布概率图形
函数 normplot
格式 normplot(X) %若X为向量，则显示正态分布概率图形，若X为矩阵，则显示每一列的正态分布概率图形。
h = normplot(X) %返回绘图直线的句柄
说明 样本数据在图中用“+”显示；如果数据来自正态分布，则图形显示为直线，而其它分布可能在图中产生弯曲。
例4-53
>> X=normrnd(0,1,50,1);
>> normplot(X)
图4-12
4.6.5 绘制威布尔(Weibull)概率图形
函数 weibplot
格式 weibplot(X) %若X为向量，则显示威布尔(Weibull)概率图形，若X为矩阵，则显示每一列的威布尔概率图形。
h = weibplot(X) %返回绘图直线的柄
说明 绘制威布尔(Weibull)概率图形的目的是用图解法估计来自威布尔分布的数据X，如果X是威布尔分布数据，其图形是直线的，否则图形中可能产生弯曲。
例4-54
>> r = weibrnd(1.2,1.5,50,1);
>> weibplot(r)
图4-13
4.6.6 样本数据的盒图
函数 boxplot
格式 boxplot(X) %产生矩阵X的每一列的盒图和“须”图，“须”是从盒的尾部延伸出来，并表示盒外数据长度的线，如果“须”的外面没有数据，则在“须”的底部有一个点。
boxplot(X,notch) %当notch=1时，产生一凹盒图，notch=0时产生一矩箱图。
boxplot(X,notch,'sym') %sym表示图形符号，默认值为“+”。
boxplot(X,notch,'sym',vert) %当vert=0时，生成水平盒图，vert=1时，生成竖直盒图（默认值vert=1）。
boxplot(X,notch,'sym',vert,whis) %whis定义“须”图的长度，默认值为1.5，若whis=0则boxplot函数通过绘制sym符号图来显示盒外的所有数据值。
例4-55
>>x1 = normrnd(5,1,100,1);
>>x2 = normrnd(6,1,100,1);
>>x = [x1 x2];
>> boxplot(x,1,'g+',1,0)
图4-14
4.6.7 给当前图形加一条参考线
函数 refline
格式 refline(slope,intercept) % slope表示直线斜率，intercept表示截距
refline(slope) slope=[a b]，图中加一条直线：y=b+ax。
例4-56
>>y = [3.2 2.6 3.1 3.4 2.4 2.9 3.0 3.3 3.2 2.1 2.6]';
>>plot(y,'+')
>>refline(0,3)
图4-15
4.6.8 在当前图形中加入一条多项式曲线
函数 refcurve
格式 h = refcurve(p) %在图中加入一条多项式曲线，h为曲线的环柄，p为多项式系数向量，p=[p1,p2, p3,…,pn]，其中p1为最高幂项系数。
例4-57 火箭的高度与时间图形，加入一条理论高度曲线，火箭初速为100m/秒。
>>h = [85 162 230 289 339 381 413 437 452 458 456 440 400 356];
>>plot(h,'+')
>>refcurve([-4.9 100 0])
图4-16
4.6.9 样本的概率图形
函数 capaplot
格式 p = capaplot(data,specs) �ta为所给样本数据，specs指定范围，p表示在指定范围内的概率。
说明 该函数返回来自于估计分布的随机变量落在指定范围内的概率
例4-58
>> data=normrnd (0,1,30,1);
>> p=capaplot(data,[-2,2])
p =
0.9199
图4-17
4.6.10 附加有正态密度曲线的直方图
函数 histfit
格式 histfit(data) �ta为向量，返回直方图
和正态曲线。
histfit(data,nbins) % nbins指定bar的个数，
缺省时为data中数据个数的平方根。
例4-59
>>r = normrnd (10,1,100,1);
>>histfit(r)
4.6.11 在指定的界线之间画正态密度曲线
函数 normspec
格式 p = normspec(specs,mu,sigma) %specs指定界线，mu,sigma为正态分布的参数p 为样本落在上、下界之间的概率。
例4-60
>>normspec([10 Inf],11.5,1.25)
图4-19
4.7 参数估计
4.7.1 常见分布的参数估计
命令 β分布的参数a和b的最大似然估计值和置信区间
函数 betafit
格式 PHAT=betafit(X)
[PHAT,PCI]=betafit(X,ALPHA)
说明 PHAT为样本X的β分布的参数a和b的估计量
PCI为样本X的β分布参数a和b的置信区间，是一个2×2矩阵，其第1例为参数a的置信下界和上界，第2例为b的置信下界和上界，ALPHA为显著水平，（1-α）×100%为置信度。
例4-61 随机产生100个β分布数据，相应的分布参数真值为4和3。则4和3的最大似然估计值和置信度为99%的置信区间为：
解：
>>X = betarnd (4,3,100,1); %产生100个β分布的随机数
>>[PHAT,PCI] = betafit(X,0.01) %求置信度为99%的置信区间和参数a、b的估计值
结果显示
PHAT =
3.9010 2.6193
PCI =
2.5244 1.7488
5.2776 3.4898
说明 估计值3.9010的置信区间是[2.5244 5.2776]，估计值2.6193的置信区间是[1.7488 3.4898]。
命令 正态分布的参数估计
函数 normfit
格式 [muhat,sigmahat,muci,sigmaci] = normfit(X)
[muhat,sigmahat,muci,sigmaci] = normfit(X,alpha)
说明 muhat,sigmahat分别为正态分布的参数μ和σ的估计值，muci,sigmaci分别为置信区间，其置信度为；alpha给出显著水平α，缺省时默认为0.05，即置信度为95%。
例4-62 有两组(每组100个元素)正态随机数据，其均值为10，均方差为2，求95%的置信区间和参数估计值。
解：>>r = normrnd (10,2,100,2); %产生两列正态随机数据
>>[mu,sigma,muci,sigmaci] = normfit(r)
则结果为
mu =
10.1455 10.0527 %各列的均值的估计值
sigma =
1.9072 2.1256 %各列的均方差的估计值
muci =
9.7652 9.6288
10.5258 10.4766
sigmaci =
1.6745 1.8663
2.2155 2.4693
说明 muci，sigmaci中各列分别为原随机数据各列估计值的置信区间，置信度为95%。
例4-63 分别使用金球和铂球测定引力常数
（1）用金球测定观察值为：6.683 6.681 6.676 6.678 6.679 6.672
（2）用铂球测定观察值为：6.661 6.661 6.667 6.667 6.664
设测定值总体为，μ和σ为未知。对(1)、(2)两种情况分别求μ和σ的置信度为0.9的置信区间。
解：建立M文件：LX0833.m
X=[6.683 6.681 6.676 6.678 6.679 6.672];
Y=[6.661 6.661 6.667 6.667 6.664];
[mu,sigma,muci,sigmaci]=normfit(X,0.1) %金球测定的估计
[MU,SIGMA,MUCI,SIGMACI]=normfit(Y,0.1) %铂球测定的估计
运行后结果显示如下：
mu =
6.6782
sigma =
0.0039
muci =
6.6750
6.6813
sigmaci =
0.0026
0.0081
MU =
6.6640
SIGMA =
0.0030
MUCI =
6.6611
6.6669
SIGMACI =
0.0019
0.0071
由上可知，金球测定的μ估计值为6.6782，置信区间为[6.6750，6.6813]；
σ的估计值为0.0039，置信区间为[0.0026，0.0081]。
泊球测定的μ估计值为6.6640，置信区间为[6.6611，6.6669]；
σ的估计值为0.0030，置信区间为[0.0019，0.0071]。
命令 利用mle函数进行参数估计
函数 mle
格式 phat=mle %返回用dist指定分布的最大似然估计值
[phat, pci]=mle %置信度为95%
[phat, pci]=mle %置信度由alpha确定
[phat, pci]=mle %仅用于二项分布，pl为试验次数。
说明 dist为分布函数名，如：beta(分布)、bino（二项分布）等，X为数据样本，alpha为显著水平α，为置信度。
例4-64
>> X=binornd(20,0.75) %产生二项分布的随机数
X =
16
>> [p,pci]=mle('bino',X,0.05,20) %求概率的估计值和置信区间，置信度为95%
p =
0.8000
pci =
0.5634
0.9427
常用分布的参数估计函数
表4-7 参数估计函数表
函数名
调 用 形 式
函 数 说 明
binofit
PHAT= binofit(X, N)
[PHAT, PCI] = binofit(X,N)
[PHAT, PCI]= binofit (X, N, ALPHA)
二项分布的概率的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的参数估计和置信区间
poissfit
Lambdahat=poissfit(X)
[Lambdahat, Lambdaci] = poissfit(X)
[Lambdahat, Lambdaci]= poissfit (X, ALPHA)
泊松分布的参数的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的λ参数和置信区间
normfit
[muhat,sigmahat,muci,sigmaci] = normfit(X)
[muhat,sigmahat,muci,sigmaci] = normfit(X, ALPHA)
正态分布的最大似然估计，置信度为95%
返回水平α的期望、方差值和置信区间
betafit
PHAT =betafit (X)
[PHAT, PCI]= betafit (X, ALPHA)
返回β分布参数a和 b的最大似然估计
返回最大似然估计值和水平α的置信区间
unifit
[ahat,bhat] = unifit(X)
[ahat,bhat,ACI,BCI] = unifit(X)
[ahat,bhat,ACI,BCI]=unifit(X, ALPHA)
均匀分布参数的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的参数估计和置信区间
expfit
muhat =expfit(X)
[muhat,muci] = expfit(X)
[muhat,muci] = expfit(X,alpha)
指数分布参数的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的参数估计和置信区间
gamfit
phat =gamfit(X)
[phat,pci] = gamfit(X)
[phat,pci] = gamfit(X,alpha)
γ分布参数的最大似然估计
置信度为95%的参数估计和置信区间
返回最大似然估计值和水平α的置信区间
weibfit
phat = weibfit(X)
[phat,pci] = weibfit(X)
[phat,pci] = weibfit(X,alpha)
韦伯分布参数的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的参数估计及其区间估计
Mle
phat = mle('dist',data)
[phat,pci] = mle('dist',data)
[phat,pci] = mle('dist',data,alpha)
[phat,pci] = mle('dist',data,alpha,p1)
分布函数名为dist的最大似然估计
置信度为95%的参数估计和置信区间
返回水平α的最大似然估计值和置信区间
仅用于二项分布，pl为试验总次数
说明 各函数返回已给数据向量X的参数最大似然估计值和置信度为（1-α）×100%的置信区间。α的默认值为0.05，即置信度为95%。
4.7.2 非线性模型置信区间预测
命令 高斯—牛顿法的非线性最小二乘数据拟合
函数 nlinfit
格式 beta = nlinfit(X,y,FUN,beta0) %返回在FUN中描述的非线性函数的系数。FUN为用户提供形如的函数，该函数返回已给初始参数估计值β和自变量X的y的预测值。
[beta,r,J] = nlinfit(X,y,FUN,beta0) �ta为拟合系数，r为残差，J为Jacobi矩阵，beta0为初始预测值。
说明 若X为矩阵，则X的每一列为自变量的取值，y是一个相应的列向量。如果FUN中使用了@，则表示函数的柄。
例4-65 调用MATLAB提供的数据文件reaction.mat
>>load reaction
>>betafit = nlinfit(reactants,rate,@hougen,beta)
betafit =
1.2526
0.0628
0.0400
0.1124
1.1914
命令 非线性模型的参数估计的置信区间
函数 nlparci
格式 ci = nlparci(beta,r,J) %返回置信度为95%的置信区间，beta为非线性最小二乘法估计的参数值，r为残差，J为Jacobian矩阵。nlparci可以用nlinfit函数的输出作为其输入。
例4-66 调用MATLAB中的数据reaction。
>>load reaction
>>[beta,resids,J] = nlinfit(reactants,rate,'hougen',beta)
beta =
1.2526
0.0628
0.0400
0.1124
1.1914
resids =
0.1321
-0.1642
-0.0909
0.0310
0.1142
0.0498
-0.0262
0.3115
-0.0292
0.1096
0.0716
-0.1501
-0.3026
J =
6.8739 -90.6536 -57.8640 -1.9288 0.1614
3.4454 -48.5357 -13.6240 -1.7030 0.3034
5.3563 -41.2099 -26.3042 -10.5217 1.5095
1.6950 0.1091 0.0186 0.0279 1.7913
2.2967 -35.5658 -6.0537 -0.7567 0.2023
11.8670 -89.5655 -170.1745 -8.9566 0.4400
4.4973 -14.4262 -11.5409 -9.3770 2.5744
4.1831 -41.7896 -16.8937 -5.7794 1.0082
11.8286 -51.3721 -154.1164 -27.7410 1.5001
9.1514 -25.5948 -76.7844 -30.7138 2.5790
3.3373 0.0900 0.0720 0.1080 3.5269
9.3663 -102.0611 -107.4327 -3.5811 0.2200
4.7512 -24.4631 -16.3087 -10.3002 2.1141
>>ci = nlparci(beta,resids,J)
ci =
-0.7467 3.2519
-0.0377 0.1632
-0.0312 0.1113
-0.0609 0.2857
-0.7381 3.1208
命令 非线性拟合和显示交互图形
函数 nlintool
格式 nlintool(x,y,FUN,beta0) %返回数据(x,y)的非线性曲线的预测图形，它用2条红色曲线预测全局置信区间。beta0为参数的初始预测值，置信度为95%。
nlintool(x,y,FUN,beta0,alpha) %置信度为(1-alpha)×100%
例4-67 调用MATLAB数据
>> load reaction
>> nlintool(reactants,rate,'hougen',beta)
计算样本向量x的概率密度估计，返回在xi点的概率密度f，此时我们使用plot(xi,f)就可以绘制出概率密度曲线。
在matlab中有一组数据，要得到这组数据的概率密度分布，要注意连续随机变量概率密度函数与离散随机变量概率分布函数的区别。该函数，首先统计样本x在各个区间的概率(与hist有些相似)，再自动选择xi，计算对应的xi点的概率密度。ksdensity这个函数画的是连续随机变量的概率密度函数，而连续随机变量的概率密度函数是可以大于1的。特别是值都是小于1的，那概率密度更可能是大于1的了，因为概率密度函数的积分等于1，横坐标小于1，纵坐标当然很可能大于1！而如果要得到小于1的概率分布，那实际上是离散的概率分布，离散随机变量实际上是没有概率密度函数的（当然你也可以说某些形式下有），只有概率分布函数。可以通过以下程序得到：
sApProMax=max(sApPro);
sApProMin=min(sApPro);
meanS=mean(sApPro);
x=linspace(sApProMin,sApProMax,20000+1);
yy=hist(sApPro,x); %计算各个区间的个数
yy=yy/length(sApPro); %计算各个区间的比例
bar(x,yy);
计算样本向量x的概率密度估计，返回在xi点的概率密度f，此时我们使用plot(xi,f)就可以绘制出概率密度曲线。
在matlab中有一组数据，要得到这组数据的概率密度分布，要注意连续随机变量概率密度函数与离散随机变量概率分布函数的区别。
如何用matlab画瑞利分布概率密度函数
直接把密度分布的函数套进去 填参数 s=sigma^2 选点 x=0:001:5 f= x\/s*exp(-x^2\/s) plot(x,f)如何用matlab画瑞利分布概率密度函数
怎样用matlab画概率密度函数曲线
函数pdf 及其整个家族都可以用来计算，你可以help一下。最简单的就是用ksdensity:比如：[f, x] = ksdensity(randn(100000, 1));plot(x, f)
怎么用 MATLAB求解关于正态分布的双重积分 MATLAB,如图
在MATLAB中求解关于正态分布的双重积分时，可以利用符号函数来简化过程。这里给出的是一种函数型的方法，首先定义符号变量x1和x2，然后定义两个函数f和g，它们分别表示标准正态分布的概率密度函数。具体步骤如下：1. 使用syms命令定义符号变量x1和x2：2. 定义函数f和g，分别表示标准正态分布的概率密度...
如何用matlab画出正态分布的累计概率分布函数?求高斯随机信号的概率分布...
程序：clear x=-4:0.01:4;miu=0;sigma=1;y1=normpdf(x,miu,sigma);y2=normcdf(x,miu,sigma);前者是密度，后者是分布 y3=normrnd(miu,sigma,1,length(x));高斯白噪声 z1=x+4;z2=sort(y3);y4=normcdf(z2,miu,sigma);figure(1)subplot 221 plot(x,y1)title('正态分布的概率密...
用matlab画出概率密度分布图
3、第三步，完成上述步骤后，需要根据图标的输入绘制图像，见下图红框处代码，转到下面的步骤。4
matlab如何画圆概率CEP分布图?
画圆概率CEP分布图需要使用MATLAB的绘图功能，下面是一个简单的示例代码，可以帮助你开始：matlab 生成随机数据 N = 1000; % 数据点数量 x = randn(N, 1); % 随机生成数据 计算概率密度函数（PDF）和累积分布函数（CDF）f = normpdf(x);F = normcdf(x);绘制概率CEP分布图 figure;subplot(2, ...
极值I型Gumbel分布-Matlab
在Matlab中，极值I型Gumbel分布的PDF函数可以通过evpdf函数来计算，其中mu和sigma分别代表Gumbel分布的位置参数和尺度参数。以下是关于极值I型Gumbel分布在Matlab中的具体说明：函数使用：在Matlab中，要计算极值I型Gumbel分布的概率密度函数，可以使用evpdf函数。函数格式为Y = evpdf，其中X是输入的数据点或...
MATLAB绘制f(iw)函数
4、还有注意的是文件保存的位置应该与搜索路径相同，否则使用该函数时将会因为找不到该函数文件而出错。这可以通过右键文件名，来轻松设置。5、最后在命令行窗口输入文件名tfenbu。可以看到自由度为（10,50）与（50,10）的两条概率密度函数曲线相近；自由度为（10,5）与（5,10）的两条概率密度函数...
利用核函数法估计概率密度的matlab程序,不利用matlab自带的估计函数
minx:dx:maxx-dx;h=0.5;f=zeros(1,n);for j = 1:n for i=1:n f(j)=f(j)+exp(-(x1(j)-x(i))^2\/2\/h^2)\/sqrt(2*pi); end f(j)=f(j)\/n\/h;endplot(x1,f);%用系统函数计算比较[f2,x2] = ksdensity(x);hold on;plot(x2,f2,'r'...
matlab正太分布的联合概率密度函数mvncdf怎么用?
mvncdf(X,mu,sigma)输出均值为mu协方差矩阵为sigma的正态分布函数在X处的值。如 mvncdf([1,2],[0 0],[1 0;0 1])就是均值为[0,0]协方差矩阵为[1 0;0 1]的正态分布函数在点[1,2]处的值。