fitdist
Подходящий объект вероятностного распределения к данным
Синтаксис
Описание
pd = fitdist(x,distname,Name,Value)
[ создает объекты вероятностного распределения путем подбора кривой распределению, заданному pdca,gn,gl]
= fitdist(x,distname,'By',groupvar)distname к данным в x на основе сгруппированной переменной groupvar. Это возвращает массив ячеек подходящих объектов вероятностного распределения, pdca, массив ячеек меток группы, gn, и массив ячеек уровней сгруппированной переменной, gl.
[ возвращает вышеупомянутые выходные аргументы с помощью дополнительных опций, заданных одним или несколькими аргументами пары "имя-значение". Например, можно указать на подвергнутые цензуре данные или задать параметры управления для итеративного алгоритма подбора.pdca,gn,gl]
= fitdist(x,distname,'By',groupvar,Name,Value)
Примеры
Соответствуйте нормальному распределению к данным
Загрузите выборочные данные. Создайте вектор, содержащий данные о весе пациентов.
load hospital
x = hospital.Weight;Создайте объект нормального распределения путем подбора кривой ему к данным.
pd = fitdist(x,'Normal')pd =
NormalDistribution
Normal distribution
mu = 154 [148.728, 159.272]
sigma = 26.5714 [23.3299, 30.8674]
Интервалы рядом с оценками параметра составляют 95% доверительных интервалов для параметров распределения.
Постройте PDF распределения.
x_values = 50:1:250;
y = pdf(pd,x_values);
plot(x_values,y,'LineWidth',2)
Соответствуйте распределению ядра к данным
Загрузите выборочные данные. Создайте вектор, содержащий данные о весе пациентов.
load hospital
x = hospital.Weight;Создайте объект распределения ядра путем подбора кривой ему к данным. Используйте функцию ядра Епанечникова.
pd = fitdist(x,'Kernel','Kernel','epanechnikov')
pd =
KernelDistribution
Kernel = epanechnikov
Bandwidth = 14.3792
Support = unbounded
Постройте PDF распределения.
x_values = 50:1:250; y = pdf(pd,x_values); plot(x_values,y)
Подходящие нормальные распределения к сгруппированным данным
Загрузите выборочные данные. Создайте вектор, содержащий данные о весе пациентов.
load hospital
x = hospital.Weight;Создайте объекты нормального распределения путем подбора кривой им к данным, сгруппированным терпеливым полом.
gender = hospital.Sex; [pdca,gn,gl] = fitdist(x,'Normal','By',gender)
pdca=1×2 cell
{1x1 prob.NormalDistribution} {1x1 prob.NormalDistribution}
gn = 2x1 cell array
{'Female'}
{'Male' }
gl = 2x1 cell array
{'Female'}
{'Male' }
Массив ячеек pdca содержит два объекта вероятностного распределения, один для каждой гендерной группы. Массив ячеек gn содержит две метки группы. Массив ячеек gl содержит два уровня группы.
Просмотрите каждое распределение в массиве ячеек pdca сравнить среднее значение, mu, и стандартное отклонение, sigma, сгруппированный терпеливым полом.
female = pdca{1} % Distribution for femalesfemale =
NormalDistribution
Normal distribution
mu = 130.472 [128.183, 132.76]
sigma = 8.30339 [6.96947, 10.2736]
male = pdca{2} % Distribution for malesmale =
NormalDistribution
Normal distribution
mu = 180.532 [177.833, 183.231]
sigma = 9.19322 [7.63933, 11.5466]
Вычислите PDF каждого распределения.
x_values = 50:1:250; femalepdf = pdf(female,x_values); malepdf = pdf(male,x_values);
Постройте pdfs для визуального сравнения распределения веса полом.
figure plot(x_values,femalepdf,'LineWidth',2) hold on plot(x_values,malepdf,'Color','r','LineStyle',':','LineWidth',2) legend(gn,'Location','NorthEast') hold off
Подходящие распределения ядра к сгруппированным данным
Загрузите выборочные данные. Создайте вектор, содержащий данные о весе пациентов.
load hospital
x = hospital.Weight;Создайте объекты распределения ядра путем подбора кривой им к данным, сгруппированным терпеливым полом. Используйте треугольную функцию ядра.
gender = hospital.Sex; [pdca,gn,gl] = fitdist(x,'Kernel','By',gender,'Kernel','triangle');
Просмотрите каждое распределение в массиве ячеек pdca видеть распределения ядра для каждого пола.
female = pdca{1} % Distribution for femalesfemale =
KernelDistribution
Kernel = triangle
Bandwidth = 4.25894
Support = unbounded
male = pdca{2} % Distribution for malesmale =
KernelDistribution
Kernel = triangle
Bandwidth = 5.08961
Support = unbounded
Вычислите PDF каждого распределения.
x_values = 50:1:250; femalepdf = pdf(female,x_values); malepdf = pdf(male,x_values);
Постройте pdfs для визуального сравнения распределения веса полом.
figure plot(x_values,femalepdf,'LineWidth',2) hold on plot(x_values,malepdf,'Color','r','LineStyle',':','LineWidth',2) legend(gn,'Location','NorthEast') hold off
Входные параметры
Выходные аргументы
Алгоритмы
fitdist функционируйте соответствует большинству распределений с помощью оценки наибольшего правдоподобия. Двумя исключениями являются нормальные и логарифмически нормальные распределения с не прошедшими цензуру данными.
Для не прошедшего цензуру нормального распределения ориентировочная стоимость параметра сигмы является квадратным корнем из объективной оценки отклонения.
Для не прошедшего цензуру логарифмически нормального распределения ориентировочная стоимость параметра сигмы является квадратным корнем из объективной оценки отклонения журнала данных.
Альтернативная функциональность
Приложение
Приложение Distribution Fitter открывает графический интерфейс пользователя для вас, чтобы импортировать данные из рабочей области и в интерактивном режиме строить распределение вероятности к тем данным. Можно затем сохранить распределение в рабочую область как объект вероятностного распределения. Откройте приложение Distribution Fitter с помощью distributionFitter, или нажмите Distribution Fitter на вкладке Apps.
Ссылки
[1] Джонсон, N. L. С. Коц и Н. Бэлэкришнэн. Непрерывные одномерные распределения. Издание 1, Хобокен, NJ: Wiley-межнаука, 1993.
[2] Джонсон, N. L. С. Коц и Н. Бэлэкришнэн. Непрерывные одномерные распределения. Издание 2, Хобокен, NJ: Wiley-межнаука, 1994.
[3] Лучник, A. W. и А. Аццалини. Прикладные методы сглаживания для анализа данных. Нью-Йорк: Издательство Оксфордского университета, 1997.
Расширенные возможности
Смотрите также
distributionFitter | histfit | makedist | mle | paramci