matlab 命令

基本统计量: 
均值:mean(x)    中位数median(x)         标准差std(x) 
方差:var(x)     偏度skewness(x)         峰度kurtosis(x) 
常见的概率分布函数 
正态分布:norm   指数分布:exp    泊松分布:poiss 
beta分布:beta   威布尔分布:weib kafang分布:chi2 
t分布:t         f分布:F 


工具箱对每一种分布都提供五类函数，其命令字符为： 
概率密度:pdf 
概率分布:cdf 
逆概率分布:inv 
均值与方差:stat 
随机数生成:rnd 
随机数生成:rnd 
参数估计：fit 


当需要一种分布的某一类函数时，将以上所列的分布命令字符与函数命令字符接起来 
并输入自变量（可以使标量，数组或矩阵）和参数即可。 


对均值为mu，标准差为sigma的正态分布，举例： 
1.概率密度函数 
p=normpdf(x,mu,sigma)(mu=0,sigma=1是可以省略) 
2.概率分布 
p=normcdf(x,mu,sigma) 
可用于计算概率 
3.逆概率分布 
x=norminv(a,mu,sigma) 
即可求出x，使得P{X<x}=a 
可用于求分位数 
4.均值和方差 
[m,v]=normstat(mu,sigma) 
5.随机数生成 
M=normrnd(mu,sigma,m,n)即可生成m*n阶的正态分布随机数矩阵 




频数直方图 
频数直方图 
1.给出数组data的频数表的命令为：[N,X]=hist(data,k) 
将数据分为k个小区间（缺省为10），返回数组data落在每一个区间的频数N和每一个小区
间 
的中点x 
2.描速数组data的频数直方图命令为hist(data,k) 


正态总体的参数估计 
点估计和区间估计同时可由命令 
[muhat,sigmahat,muci,sigmaci]=normfit(x,alpha) 
在显著性水平alpha（缺省0.05）下估计数据x的参数 
返回值muhat是x的均值的点估计值， 
sigmahat是x标准差的点估计值 
muci是x的均值的区间估计值 
sigmaci是x标准差的区间估计值 


类似的还有expfit(x,alpha),poissfit(x,alpha),weibfit(x,alpha) 


假设检验 
1.总体方差sigma^2已知时，总体均值用z检验 
[h,sig,ci]=ztest(x,m,sigma,alpha,tail) 
          用于检验： 
tail=0   x均值等于m 
    =1         大于 
    =1         大于 
    =-1        小于 


tail缺省为0 
返回h为一个布尔值，h=1表示可以拒绝假设，h=0表示不可以拒绝假设 
sig为假设成立的概率，ci为均值的1-alpha置信区间 


2.总体方差未知，用t检验 
[h,sig,ci]=ttest(x,m,sigma,alpha,tail) 
tail同上 
3.两总体均值的假设检验用t检验 
[h,sig,ci]=ttest2(x,y,alpha,tail) 
检验数据x,y的关于均值的某一个假设是否成立 
          用于检验： 
tail=0   x均值等于y的均值 
    =1         大于 
    =-1        小于 


余同上，ci为x余y的均值差的1-alpha置信区间 




4.非参数检验：总体分布的检验 
1).h=normplot(x) 
1).h=normplot(x) 
显示数据矩阵x的正态概率图，若数据来自正态分布，则图形显示出来为直线性形态 
否则为曲线 
2).h=weibplot(x) 
显示数据的weibull概率图，是，则为直线，否则为曲线 






*************************************************** 
产生随机数的计算机命令 
1.rand(m,n) 产生[0,1]均匀分布 m*n阶 
2.unifrnd(a,b,m,n)  产生[a,b]均匀分布的m*n阶数 
3.exprnd(λ,m,n) 产生指数分布 
4.poissrnd(λ,m,n)产生泊松分布 
5.normrnd(μ,σ,m,m)产生正态分布