matlab命令（偏数学和检验）

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
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 mn阶
2.unifrnd(a,b,m,n) 产生[a,b]均匀分布的mn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