一、MATLAB参数估计

1. [N, K]=hist(data, k)

简单统计返回数据data落在每一个区间的频数N和每一个区间的中点X。

原理：找到最小值最大值，用linspace根据给定条数划分edges，计算binwidth、频数、中心点等。

2. h=normplot(x)

判断数据是否来自于正态分布，若为正太分布显示出直线性形态，其他显示曲线形态。

%不同分布数据生成
rng(11)  % For reproducibility
x1 = normrnd(0,1,[50,1]);
x2 = trnd(5,[50,1]);
x3 = pearsrnd(0,1,0.5,3,[50,1]);
x4 = pearsrnd(0,1,-0.5,3,[50,1]);

不同分布数据的直方图显示

normplot(x)显示结果

原理：
若输入矩阵，以列为单位，每一列为一个独立数据组x，即一组可能为正态分布的数值。
对每一列数据：
先由两个分位点（横轴来自实际数据x，纵轴来自理想正态分布eprob）确定判断基准线，再画所有分位点-对（横轴实际，纵轴理想）的图：

1. 构建一个长度为列向量长度的归一化的标准正态分布概率向量[ eprob= ((1:n)-0.5)./n ]，并由norminv返回eprob的对应分位点y；
2. 计算数据x中小于25%与75%的值对应的分位点q1x与q3x；计算数据y中小于25%与75%的值对应的分位点q1y与q3y；
3. 由2中所得计算两点之间斜率slop=(q3y-q1y)/(q3x-q1x)与中心点
   并由此计算若为标准正态分布，x中的最大最小值对应的理想分位点，由这最大最小两点确定虚线基准线，由25%与75%两点确定实心基准线
   这两条基准线均由两点画linespace确定，横轴为x中两个分位点位置，纵轴为生成的y中对应两个分位点位置
4. 将x从小到大排列作为横轴，构建的eprob对应的分位点y作为纵轴画数据线
   数据越多越能说明问题，不符合的话数据与原来由两个分位点确定的直线偏离越多，符合的话重合度越高。

3. h=weibplot(x)

同上，判断数据是否为weibull分布，是为直线形态，否为曲线形态。

4. [muhat, sigmahat, muci, sigmaci]=normfit(x, alpha)

在置信度(1-alpha)下估计正态分布数据x的参数，给定alpha的话默认alpha为0.05.
返回的参数有：
muhat：x的均值
sigmahat：x的方差
muci：均值的置信区间
sigmaci：方差的置信区间

5. [muhat, muci]=expfit(x, alpha)

估计指数分布的均值及其(1-alpha)置信区间

6. [lambdahat, lambdaci]=poissfit(x, alpha)

估计泊松分布的lambda及其(1-alpha)置信区间

7. [phat, pci]=weibfit(data, alpha)

估计weibull分布参数