matlab：正态分布相关

简介

正态分布的概率密度分布函数(probability density function，常简写为pdf)：
$y=f(x\mid \mu ,\sigma )=\frac{1}{\sigma \sqrt{2\pi }}{e}^{\frac{-(x-\mu {)}^2}{2{\sigma }^2}}$

正态分布的累积分布函数(Cumulative Distribution Function，常简写为cdf）:
$p=F(x\mid \mu ,\sigma )=\frac{1}{\sigma \sqrt{2\pi }}{\int }_{-\infty }^x{e}^{\frac{-(t-\mu {)}^2}{2{\sigma }^2}}dt$

相关函数

histogram(x, nbins): 画直方图
normpdf(x, mu, sigma)：计算概率密度函数
normcdf(x, mu, sigma)：计算累计分布函数
normplot(x):画出数据的累积分布图，与理论的正态分布对比，看该数据是否符合正态分布
cdfplot(x):画出数据的累计分布函数图

实例1

生成一组$\mu =0,\sigma =1$的标准正态分布数据。然后用histogram分别画出4种分布图：count(计数)，probability（相对概率），pdf（概率密度函数），cdf（累计分布函数）。
其中在pdf和cdf子图中，再分别画出用normpdf和normcdf计算出的理论曲线。

mu = 0;
sigma = 1;
x = normrnd(mu,sigma,1000,1);
nbins = 31;

a = linspace(-4,4,100);
y1 = normpdf(a, mu,sigma);
y2 = normcdf(a, mu,sigma);

figure();
subplot(221)
histogram(x, nbins, 'Normalization', 'count')
title('count')

subplot(222)
histogram(x,nbins, 'Normalization', 'probability')
title('probability')

subplot(223)
hold on;
histogram(x,nbins, 'Normalization', 'pdf')
plot(a, y1, 'LineWidth',1.5)
title('pdf')

subplot(224)
histogram(x,nbins, 'Normalization', 'cdf')
hold on;
plot(a, y2, 'LineWidth',1.5)
title('cdf')

figure();
normplot(x)

结果：

实例2：normplot

生成一组$\mu =0,\sigma =1$的标准正态分布数据

1. 用normplot来判断该数据是否符合正态分布；
2. 用cdfplot+normcdf来判断该数据是否符合正态分布；

mu = 0;
sigma = 1;
x = normrnd(mu,sigma,1000,1);
a = linspace(-4, 4, 1000);
y = normcdf(a, mu, sigma);

figure();
subplot(121)
normplot(x);
subplot(122)
cdfplot(x)
hold on;
plot(a, y)

结果如下：
个人感觉第二种方式更好。