wblfit

Оценки параметра Weibull

Описание

пример

parmHat = wblfit(x) возвращает оценки параметров распределения Weibull (форма и шкала), учитывая выборочные данные в x.

пример

[parmHat,parmCI] = wblfit(x) также возвращает 95% доверительных интервалов для оценок параметра.

[parmHat,parmCI] = wblfit(x,alpha) задает доверительный уровень для доверительных интервалов, чтобы быть 100(1—alpha)%.

[___] = wblfit(x,alpha,censoring) задает ли каждое значение в x подвергается цензуре правом или нет. Используйте логический векторный censoring в котором 1 указывает на наблюдения, которые подвергаются цензуре правом, и 0 указывает на наблюдения, которые полностью наблюдаются.

[___] = wblfit(x,alpha,censoring,freq) задает частоту или веса наблюдений.

пример

[___] = wblfit(x,alpha,censoring,freq,options) задает опции оптимизации для итеративного алгоритма wblfit использоваться для расчета оценок наибольшего правдоподобия (MLEs) с цензурированием. Создайте options при помощи функции statset.

Можно передать в [] для alpha, censoring, и freq использовать их значения по умолчанию.

Примеры

свернуть все

Сгенерируйте 100 случайных чисел от распределения Weibull со шкалой 0.8 и сформируйте 3.

x = wblrnd(0.8,3,100,1); 

Оцените параметры распределения Weibull из данных.

parmHat = wblfit(x)
parmHat = 1×2

    0.7751    2.9433

Сгенерируйте 100 случайных чисел от распределения Weibull со шкалой 1 и сформируйте 2.

x = wblrnd(1,2,100,1); 

Найдите 95% доверительные интервалы, оценивающие параметры распределения Weibull из данных.

[parmHat,parmCI] = wblfit(x)
parmHat = 1×2

    0.9536    1.9622

parmCI = 2×2

    0.8583    1.6821
    1.0596    2.2890

Верхняя строка parmCI содержит нижние границы доверительных интервалов, и нижний ряд содержит верхние границы доверительных интервалов.

Сгенерируйте 100 случайных переменных Weibull от распределения со шкалой 2 и сформируйте 5.

x = wblrnd(2,5,100,1);

Отобразите параметры алгоритма для wblfit.

statset('wblfit')
ans = struct with fields:
          Display: 'off'
      MaxFunEvals: []
          MaxIter: []
           TolBnd: []
           TolFun: []
       TolTypeFun: []
             TolX: 1.0000e-06
         TolTypeX: []
          GradObj: []
         Jacobian: []
        DerivStep: []
      FunValCheck: []
           Robust: []
     RobustWgtFun: []
           WgtFun: []
             Tune: []
      UseParallel: []
    UseSubstreams: []
          Streams: {}
        OutputFcn: []

Задайте аргументы пары "имя-значение" использования параметров алгоритма функционального statset. Изменитесь, как результаты отображены (Display), и установленный погрешность завершения для параметров (TolX).

options = statset('Display','iter','TolX',1e-4); % Optimization options

Найдите MLEs использованием новых параметров алгоритма.

parmhat = wblfit(x,[],[],[],options) 
 
 Func-count    x          f(x)             Procedure
    2        0.193283    -0.0172927        initial
    3        0.205467    0.00262429        interpolation
    4        0.203862   2.99018e-05        interpolation
    5        0.203862   2.99018e-05        interpolation
 
Zero found in the interval [0.193283, 0.386565]
parmhat = 1×2

    1.9624    4.9050

wblfit информация об отображениях об итерациях.

Входные параметры

свернуть все

Выборочные данные в виде вектора.

Типы данных: single | double

Уровень значения для доверительных интервалов в виде скаляра в области значений (0,1). Доверительным уровнем является 100(1—alpha)%, где alpha вероятность, что доверительные интервалы не содержат истинное значение.

Пример: 0.01

Типы данных: single | double

Индикатор для цензурирования каждого значения в xВ виде логического вектора одного размера с x. Используйте 1 для наблюдений, которые подвергаются цензуре правом и 0 для наблюдений, которые полностью наблюдаются.

Значением по умолчанию является массив 0s, означая, что все наблюдения полностью наблюдаются.

Типы данных: логический

Частота или веса наблюдений в виде неотрицательного вектора, который одного размера с x. freq входной параметр обычно содержит неотрицательное целое число, значит соответствующие элементы в x, но может содержать любые неотрицательные значения.

Чтобы получить взвешенный MLEs для набора данных с цензурированием, задайте веса наблюдений, нормированных к количеству наблюдений в x.

Значением по умолчанию является массив 1 с, означая одно наблюдение на элемент x.

Типы данных: single | double

Опции оптимизации в виде структуры. options определяет параметры управления для итеративного алгоритма это wblfit используется для расчета MLEs в подвергнутых цензуре данных.

Создайте options при помощи функции statset или путем создания массива структур, содержащего поля и значения, описан в этой таблице.

Имя поляЗначениеЗначение по умолчанию
Display

Объем информации отображен алгоритмом.

  • 'off' — Отображения никакая информация

  • 'final' — Отображает окончательный вывод

  • 'iter' — Отображает итеративный вывод

'off'
TolX

Допуск завершения к параметрам в виде положительной скалярной величины

1e-8

Можно также ввести statset ('wblfit') в Командном окне, чтобы видеть имена и значения по умолчанию полей это wblfit включает в options структура.

Пример: statset('Display','iter') задает, чтобы отобразить информацию от каждого шага итеративного алгоритма.

Типы данных: struct

Выходные аргументы

свернуть все

Оценка параметров a (шкала) и b (форма) распределения Weibull, возвращенного как вектор-строка.

Доверительные интервалы для средних параметров распределения Weibull, возвращенного как матричный вектор 2 на 2, содержащий нижние и верхние границы 100(1—alpha)% доверительный интервал.

Первые и вторые строки соответствуют нижним и верхним границам доверительных интервалов, соответственно.

Альтернативная функциональность

wblfit функционально-специализированное к распределению Weibull. Statistics and Machine Learning Toolbox™ также предлагает родовые функции mle, fitdist, и paramci и приложение Distribution Fitter, которые поддерживают различные вероятностные распределения.

  • mle возвращает MLEs и доверительные интервалы MLEs для параметров различных вероятностных распределений. Можно задать имя вероятностного распределения или пользовательскую функцию плотности вероятности.

  • Создайте WeibullDistribution объект вероятностного распределения путем подбора кривой распределению к данным с помощью fitdist функционируйте или приложение Distribution Fitter. Свойства объектов a и b сохраните оценки параметра. Чтобы получить доверительные интервалы для оценок параметра, передайте объект paramci.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

| | | | | | |

Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте