%norm:Normal正态分布 %t:T分布 %chi2:卡方分布 %f:F分布 %weib:Weibull分布 %--------- %cdf:cumulative distribution function %pdf:probability density function %inv:分布函数反函数 %rdn:相应分布的随机数发生函数 %stat:相应分布的统计量估计函数 %fit:parameters estimates and confidence参数估计函数 %like:likelihood function似然函数 %---------------------------------------------------------- %例2-34:设某随机变量服从正态分布,试验得出其10个样本为 %{1490 1440 1680 1610 1500 1750 1550 1420 1800 1580} %能否认为其期望值miu0=1600,其方差sigma^2=14400 %(取显著性水平alfa=0.02) %---------------------------------------------------------- clear; x=[1490 1440 1680 1610 1500 1750 1550 1420 1800 1580]; %样本 m0=1600; %给定的期望值 n=length(x); %样本数 xbar=mean(x); %样本平均 s=std(x); %样本标准差=std(x,1)*sqrt(n/(n-1)) %s=std(x,1); %样本标准差(有偏)二次距 al=0.02; %显著性水平 % 期望的假设检验 % 因为随机变量的方差sigma未知,不能用Z检验,但是可以用随机变量方差的无偏估计量S^2来代替, %从而采用T检验: (xbar-m0)./(s./sqrt(n)) t1=tinv(1-al/2,n-1) %自由度n-1的t分布al/2分位点,接受期间为(-t1,t1) t=(xbar-m0)./(s./sqrt(n)) %计算统计量 h_mean=(t>abs(t1)) %判断:若拒绝,则h_mean等于1 %方差的假设检验 % 因为随机变量的期望miu未知,不能用Z检验,可以用卡方检验:(n-1)*S^2/sigma^2 sig2=14400; %给定的方差值 ch_1=chi2inv(al/2,n-1) %1-al/2分位点 ch_2=chi2inv(1-al/2,n-1) %al/2分位点 ch=(n-1)*s^2/(sig2) %计算统计量 h_var=(ch<ch_1)|(ch>ch_2) %判断:若拒绝,则h_var等于1
%例2-38:直方图检验F分布 % % clear; n1=4;n2=5; % F分布参数 n=10000; % 随机数样本数量 x=frnd(n2,n1,n,1); %随机数样本产生 a=min(x); b=max(x); %样本值域区间计算 m=500; %分组区间数or m=500等 de=(b-a)/m; %分组宽度 [r,xout]=hist(x,[a:de:b]); %计算直方图数据,r为频数,xout为分割区间向量 f=r./(n*de); %计算统计频率密度 bar(xout,f); %作出频率密度直方图 hold on; h=findobj(gca,'Type','patch'); %修改直方图样式 set(h,'facecolor',[0.6,0.6,0.6],'edgecolor','k'); x=0:0.01:10; %计算并画出F分布的理论概率密度函数曲线 y=fpdf(x,n2,n1); plot(x,y,'k-'); axis([0 10 0 1]); title('m=200的频率密度直方图');
matlab概率及数理统计学习-T检验、卡方检验、直方图分布检验
最新推荐文章于 2024-04-26 00:30:00 发布