【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)

这篇具有很好参考价值的文章主要介绍了【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档


一、matlab涉及概率统计常用函数

1.1.获得数据统计特征(平均值等 )

首先给出一组数据样例:

shuju=[459,362,624,542,509,584,433,748,815,505,612,452,434,982,640,742,...            
              565,706,593,680,926,653,164,487,734,608,428,1153,593,844,527,552,...
              513,781,474,388,824,538,862,659,775,859,755,649,697, 515,628,954,...           
              954,771,609,402,960,885,610,292,837,473,677,358,638,699,634,555,...     
              570,84,416,606,1062,484,120,447,654,564,339,280,246,687,539,790,...
              581,621,724,531,512,577,496,468,499,544,645,764,558,378,765,666,...
              763,217,715,310,851];

1.1.1 平均值(期望)

Mean=mean(shuju)

获得结果:
【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)

1.1.2 中值

zhongweishu=median(shuju)

【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)

1.1.3 方差和标准差

A.方差

fangcha=var(shuju)

【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)
B.标准差(一般也是正态分布里面的西格玛)

biaozhuncha=std(shuju)

【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)

1.1.4 排序

new=sort(shuju)

【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)

1.2.正态拟合直方图

依然用之前的数据画图

shuju=[459,362,624,542,509,584,433,748,815,505,612,452,434,982,640,742,...            
              565,706,593,680,926,653,164,487,734,608,428,1153,593,844,527,552,...
              513,781,474,388,824,538,862,659,775,859,755,649,697, 515,628,954,...           
              954,771,609,402,960,885,610,292,837,473,677,358,638,699,634,555,...     
              570,84,416,606,1062,484,120,447,654,564,339,280,246,687,539,790,...
              581,621,724,531,512,577,496,468,499,544,645,764,558,378,765,666,...
              763,217,715,310,851];
histfit(shuju)

【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)
从数据分布上来看大概就是个正态分布

二、判断数据是否符合正态分布

lillietest函数:用来判断一组数据是否服从正态分布。
常用调用形式为 [h,p]=lillietest(x),其中h为假设,p为方差概率。
h假设完了之后,到底管不管用还得看p(p是老大)。h=0表示符合正态分布,h=1表示不符合正态分布;当p<0.05时拒绝这个假设;当p>0.05时同意这个假设(当然有时候显著性水平不一定取0.05)

检验示例:

shuju=[459,362,624,542,509,584,433,748,815,505,612,452,434,982,640,742,...            
       565,706,593,680,926,653,164,487,734,608,428,1153,593,844,527,552,...
       513,781,474,388,824,538,862,659,775,859,755,649,697, 515,628,954,...           
       954,771,609,402,960,885,610,292,837,473,677,358,638,699,634,555,...     
       570,84,416,606,1062,484,120,447,654,564,339,280,246,687,539,790,...
       581,621,724,531,512,577,496,468,499,544,645,764,558,378,765,666,...
       763,217,715,310,851];
[h,p]=lillietest(shuju) 

返回结果:
【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)
这里明显是,这组数据符合正态分布。文章来源地址https://www.toymoban.com/news/detail-443144.html

到了这里,关于【数学建模】matlab正态拟合直方图 | 获取一组数据的统计特征(平均值,方差等)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【数学建模笔记】【第四讲(1)】拟合算法之最小二乘算法及其MATLAB实现

    与插值问题不同,在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是寻求一个函数(曲线),使得该曲线在某种准则下与所 有的数据点最为接近,即曲线拟合的最好(最小化损失函数) 【插值和拟合的区别】 插值算法中,得到的多项式f(x)要经过所有样本点。但

    2024年02月09日
    浏览(27)
  • 数学建模-判断数据是否服从正态分布

    大样本用qq图 1000 皮尔逊相关系数需要正态性检验,利用上面三种方法其中一种 斯皮尔曼相关系数不用正态性检验

    2024年02月16日
    浏览(30)
  • 清风数学建模——拟合算法

    概念 在前面的篇幅中提到可以使用插值算法,通过给定的样本点推算出一定的曲线从而推算出一些想要的值。但存在一些问题。一是若样本点过多,那么多项式的次数过高会造成龙格现象;二是为了避免龙格现象而通过分段的思想求得拟合曲线,但这样会导致曲线函数非常复

    2024年02月12日
    浏览(26)
  • 数学建模——插值与拟合

    插值与拟合在建模过程中是一种十分重要的方法,由于赛题中给出的数据可能出现缺失,此时就需要用到插值的方式来对数据进行补全,又或者是给出一部分数据,需要你对未来一部分数据进行预测,这个时候就需要用到拟合的相关知识。 在实际中,常常要处理由实验或测量

    2024年02月01日
    浏览(59)
  • 数学建模——曲线拟合

     已知一组数据(二维),即平面上n个点       (xi,yi)(i=1,2,…,n), xi互不相同。寻求一个函数y=f(x),使得f(x)在某种准则下与所有的数据点最为接近,即拟合得最好。 线性最小二乘法是解决曲线拟合最常用的方法,基本思路是,令                         其中,r1(x),…,r

    2024年02月12日
    浏览(33)
  • 数学建模:5 拟合

    目录 最小二乘法  matlab求解最小二乘  评价拟合的好坏 线性函数?  matlab代码求拟合优度 Matlab拟合工具箱  例题  推导: fplot函数 + 匿名函数:画函数图 拟合优度   SST 总体平方和:真实值与平均值之差 SSE 误差平方和:真实值与预测值之差 SSR 回归平方和:预测值与平均

    2024年02月08日
    浏览(29)
  • 【数学建模】——拟合算法

    拟合算法定义:与插值问题不同,在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是寻求一个函数(曲线),使得该曲线在某种准则下与所有的数据点最为接近,即曲线拟合的最好(最小化损失函数)。 插值和拟合的区别: 例子: 此例子中如果用插值算法,因

    2024年02月16日
    浏览(26)
  • 数学建模:拟合算法

    🔆 文章首发于我的个人博客:欢迎大佬们来逛逛 根据1到12点间的温度数据求出温度与时间之间的近似函数关系 F ( t ) F(t) F ( t ) ,由 F ( t ) F(t) F ( t ) 推断 t =13.5 时的温度。这种根据离散数据求数据间近似函数关系的问题称为 曲线拟合问题 。 拟合问题与插值问题的区别在于

    2024年02月10日
    浏览(24)
  • 数学建模 -- 插值与拟合

    灰色预测要等时距 已知函数在某区间内若干点处的值,求函数在该区间内其他点处的值。这种问题适合用插值的方法解决。 拉格朗日插值法:用的不多,在边缘处容易出现Runge现象。 高次插值的Runge现象:当插值多项式的次数超过7时,插值多项式会出现严重的震荡现象。 避

    2024年02月13日
    浏览(27)
  • 数学建模实验-插值和拟合

    1.  掌握各种数据插值方法的 MATLAB 实现方法; 2.  掌握数据拟合的 MATLAB 实现方法。 1.  已知平面区域 0  ≤  x  ≤  4800  , 0  ≤  y  ≤  5600的高程数据如data5_1.xlsx所示。 试用二维插值求x,y方向间隔都为50m的高程,并画出该区域的等高线图。 表格数据如图: 2. 在一次

    2024年04月12日
    浏览(26)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包