wblfit

Оценки параметров Вейбула

Описание

пример

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

пример

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

[parmHat,parmCI] = wblfit(x,alpha) задает уровень доверия для интервалов доверия, которые будут 100(1—alpha)%.

[___] = wblfit(x,alpha,censoring) определяет, будет ли каждое значение в x имеет прямую цензуру или нет. Используйте логический вектор censoring в котором 1 указывает наблюдения, которые подвергаются цензуре вправо, а 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 итерационного алгоритма wblfit использовать для вычисления максимальных оценок правдоподобия (MLE) с цензурой. Создание options при помощи функции statset.

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

Примеры

свернуть все

Сгенерируйте 100 случайных чисел из распределения Вейбула с 0.8 шкалы и формой 3.

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

Оцените параметры распределения Вейбула из данных.

parmHat = wblfit(x)
parmHat = 1×2

    0.7751    2.9433

Сгенерируйте 100 случайных чисел из распределения Вейбула с 1 шкалы и формой 2.

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

Найдите 95% доверительные интервалы, оценивающие параметры распределения Вейбула 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, а нижняя строка содержит верхние границы доверительных интервалов.

Сгенерируйте 100 случайных переменных Вейбула из распределения с 2 шкалы и формой 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 параметры алгоритма, используя аргументы пары "имя-значение" функции statset. Изменение способа отображения результатов (Display) и установите допуск завершения для параметров (TolX).

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

Найдите MLEs, используя новые параметры 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 отображает информацию об итерациях.

Входные параметры

свернуть все

Выборочные данные, заданная как вектор.

Типы данных: single | double

Уровень значимости для доверительных интервалов, заданный как скаляр в области значений (0,1). Уровень доверия 100(1—alpha)%, где alpha - вероятность того, что доверительные интервалы не содержат истинного значения.

Пример: 0.01

Типы данных: single | double

Показатель цензуры каждого значения в x, заданный как логический вектор того же размера, что и x. Используйте 1 для наблюдений, которые подвергаются цензуре вправо, и 0 для наблюдений, которые полностью наблюдаются.

По умолчанию это массив 0 с, что означает, что все наблюдения полностью наблюдаются.

Типы данных: logical

Частота или веса наблюдений, заданные как неотрицательный вектор, такой же размер как x. The freq входной параметр обычно содержит неотрицательное целое число для соответствующих элементов в x, но может содержать любые неотрицательные значения.

Чтобы получить взвешенные MLE для набора данных с цензурой, задайте веса наблюдений, нормированных к количеству наблюдений в x.

По умолчанию это массив 1с, что означает одно наблюдение на элемент x.

Типы данных: single | double

Опции оптимизации, заданные как структура. options определяет параметры управления для итерационного алгоритма, который wblfit используется для вычисления MLE для переписанных данных.

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

Имя поляЗначениеЗначение по умолчанию
Display

Количество информации, отображаемой алгоритмом.

  • 'off' - Не отображает никакой информации

  • 'final' - Отображает окончательный выход

  • 'iter' - Отображает итерационный выход

'off'
TolX

Допуск на разрыв для параметров, заданный как положительная скалярная величина

1e-8

Можно также ввести набор состояний ('wblfit') в Командном окне, чтобы увидеть имена и значения по умолчанию полей, которые wblfit включает в options структура.

Пример: statset('Display','iter') задает отображение информации из каждого шага итерационного алгоритма.

Типы данных: struct

Выходные аргументы

свернуть все

Оценка параметров < reservedrangesplaceholder1 > (шкал (шкал) и b (форма) распределения Вейбула, возвращенная как вектор-строка.

Доверительные интервалы для средних параметров распределения Вейбула, возвращенные как матричный вектор 2 на 2, содержащий нижнюю и верхнюю границы 100(1—alpha)% доверительный интервал.

Первая и вторая строки соответствуют нижней и верхней границам доверительных интервалов, соответственно.

Альтернативная функциональность

wblfit является функцией, специфичной для распределения Вейбула. Statistics and Machine Learning Toolbox™ также предлагает общие функции mle, fitdist, и paramci и приложение Distribution Fitter, которое поддерживает различные распределения вероятностей.

  • mle Возвраты MLE и доверия интервалы MLE для параметров различных распределений вероятностей. Можно задать имя распределения вероятностей или пользовательскую функцию плотности вероятностей.

  • Создайте WeibullDistribution объект распределения вероятностей путем подгонки распределения к данным с помощью fitdist function или Distribution Fitter приложения. Свойства объекта a и b сохраните оценки параметров. Чтобы получить доверительные интервалы для оценок параметров, передайте объект paramci.

Расширенные возможности

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

.
Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте