4.6 统计作图4.6.1 正整数的频率表命令 正整数的频率表 函数 tabulate 格式 table = tabulate(X) %X为正整数构成的向量,返回3列:第1列中包含X的值第2列为这些值的个数,第3列为这些值的频率。 例4-49 >> A=[1 2 2 5 6 3 8] A = 1 2 2 5 6 3 8 >> tabulate(A) Value Count Percent 1 1 14.29% 2 2 28.57% 3 1 14.29% 4 0 0.00% 5 1 14.29% 6 1 14.29% 7 0 0.00% 8 1 14.29% 4.6.2 经验累积分布函数图形函数 cdfplot 格式 cdfplot(X) %作样本X(向量)的累积分布函数图形 h = cdfplot(X) %h表示曲线的环柄 [h,stats] = cdfplot(X) %stats表示样本的一些特征 例4-50 >> X=normrnd (0,1,50,1); >> [h,stats]=cdfplot(X) h = 3.0013 stats = min: -1.8740 %样本最小值 max: 1.6924 %最大值 mean: 0.0565 %平均值 median: 0.1032 %中间值 std: 0.7559 %样本标准差 图 4-10 4.6.3 最小二乘拟合直线函数 lsline 格式 lsline %最小二乘拟合直线 h = lsline %h为直线的句柄 例4-51 >> X = [2 3.4 5.6 8 11 12.3 13.8 16 18.8 19.9]'; >> plot(X,'+') >> lsline 4.6.4 绘制正态分布概率图形函数 normplot 格式 normplot(X) %若X为向量,则显示正态分布概率图形,若X为矩阵,则显示每一列的正态分布概率图形。 h = normplot(X) %返回绘图直线的句柄 说明 样本数据在图中用“+”显示;如果数据来自正态分布,则图形显示为直线,而其它分布可能在图中产生弯曲。 例4-53 >> X=normrnd(0,1,50,1); >> normplot(X) 图4-12 4.6.5 绘制威布尔(Weibull)概率图形函数 weibplot 格式 weibplot(X) %若X为向量,则显示威布尔(Weibull)概率图形,若X为矩阵,则显示每一列的威布尔概率图形。 h = weibplot(X) %返回绘图直线的柄 说明 绘制威布尔(Weibull)概率图形的目的是用图解法估计来自威布尔分布的数据X,如果X是威布尔分布数据,其图形是直线的,否则图形中可能产生弯曲。 例4-54 >> r = weibrnd(1.2,1.5,50,1); >> weibplot(r) 图4-13 4.6.6 样本数据的盒图函数 boxplot 格式 boxplot(X) %产生矩阵X的每一列的盒图和“须”图,“须”是从盒的尾部延伸出来,并表示盒外数据长度的线,如果“须”的外面没有数据,则在“须”的底部有一个点。 boxplot(X,notch) %当notch=1时,产生一凹盒图,notch=0时产生一矩箱图。 boxplot(X,notch,'sym') %sym表示图形符号,默认值为“+”。 boxplot(X,notch,'sym',vert) %当vert=0时,生成水平盒图,vert=1时,生成竖直盒图(默认值vert=1)。 boxplot(X,notch,'sym',vert,whis) %whis定义“须”图的长度,默认值为1.5,若whis=0则boxplot函数通过绘制sym符号图来显示盒外的所有数据值。 例4-55 >>x1 = normrnd(5,1,100,1); >>x2 = normrnd(6,1,100,1); >>x = [x1 x2]; >> boxplot(x,1,'g+',1,0) 图4-14 4.6.7 给当前图形加一条参考线函数 refline 格式 refline(slope,intercept) % slope表示直线斜率,intercept表示截距 refline(slope) slope=[a b],图中加一条直线:y=b+ax。 例4-56 >>y = [3.2 2.6 3.1 3.4 2.4 2.9 3.0 3.3 3.2 2.1 2.6]'; >>plot(y,'+') >>refline(0,3) 图4-15 4.6.8 在当前图形中加入一条多项式曲线函数 refcurve 格式 h = refcurve(p) %在图中加入一条多项式曲线,h为曲线的环柄,p为多项式系数向量,p=[p1,p2, p3,…,pn],其中p1为最高幂项系数。 例4-57 火箭的高度与时间图形,加入一条理论高度曲线,火箭初速为100m/秒。 >>h = [85 162 230 289 339 381 413 437 452 458 456 440 400 356]; >>plot(h,'+') >>refcurve([-4.9 100 0]) 图4-16 4.6.9 样本的概率图形函数 capaplot 格式 p = capaplot(data,specs) �ta为所给样本数据,specs指定范围,p表示在指定范围内的概率。 说明 该函数返回来自于估计分布的随机变量落在指定范围内的概率 例4-58 >> data=normrnd (0,1,30,1); >> p=capaplot(data,[-2,2]) p = 0.9199 图4-17 4.6.10 附加有正态密度曲线的直方图函数 histfit 格式 histfit(data) �ta为向量,返回直方图 和正态曲线。 histfit(data,nbins) % nbins指定bar的个数, 缺省时为data中数据个数的平方根。 例4-59 >>r = normrnd (10,1,100,1); >>histfit(r) 4.6.11 在指定的界线之间画正态密度曲线函数 normspec 格式 p = normspec(specs,mu,sigma) %specs指定界线,mu,sigma为正态分布的参数p 为样本落在上、下界之间的概率。 例4-60 >>normspec([10 Inf],11.5,1.25) 图4-19 4.7 参数估计4.7.1 常见分布的参数估计命令 β分布的参数a和b的最大似然估计值和置信区间 函数 betafit 格式 PHAT=betafit(X) [PHAT,PCI]=betafit(X,ALPHA) 说明 PHAT为样本X的β分布的参数a和b的估计量 PCI为样本X的β分布参数a和b的置信区间,是一个2×2矩阵,其第1例为参数a的置信下界和上界,第2例为b的置信下界和上界,ALPHA为显著水平,(1-α)×100%为置信度。 例4-61 随机产生100个β分布数据,相应的分布参数真值为4和3。则4和3的最大似然估计值和置信度为99%的置信区间为: 解: >>X = betarnd (4,3,100,1); %产生100个β分布的随机数 >>[PHAT,PCI] = betafit(X,0.01) %求置信度为99%的置信区间和参数a、b的估计值 结果显示 PHAT = 3.9010 2.6193 PCI = 2.5244 1.7488 5.2776 3.4898 说明 估计值3.9010的置信区间是[2.5244 5.2776],估计值2.6193的置信区间是[1.7488 3.4898]。 命令 正态分布的参数估计 函数 normfit 格式 [muhat,sigmahat,muci,sigmaci] = normfit(X) [muhat,sigmahat,muci,sigmaci] = normfit(X,alpha) 说明 muhat,sigmahat分别为正态分布的参数μ和σ的估计值,muci,sigmaci分别为置信区间,其置信度为;alpha给出显著水平α,缺省时默认为0.05,即置信度为95%。 例4-62 有两组(每组100个元素)正态随机数据,其均值为10,均方差为2,求95%的置信区间和参数估计值。 解:>>r = normrnd (10,2,100,2); %产生两列正态随机数据 >>[mu,sigma,muci,sigmaci] = normfit(r) 则结果为 mu = 10.1455 10.0527 %各列的均值的估计值 sigma = 1.9072 2.1256 %各列的均方差的估计值 muci = 9.7652 9.6288 10.5258 10.4766 sigmaci = 1.6745 1.8663 2.2155 2.4693 说明 muci,sigmaci中各列分别为原随机数据各列估计值的置信区间,置信度为95%。 例4-63 分别使用金球和铂球测定引力常数 (1)用金球测定观察值为:6.683 6.681 6.676 6.678 6.679 6.672 (2)用铂球测定观察值为:6.661 6.661 6.667 6.667 6.664 设测定值总体为,μ和σ为未知。对(1)、(2)两种情况分别求μ和σ的置信度为0.9的置信区间。 解:建立M文件:LX0833.m X=[6.683 6.681 6.676 6.678 6.679 6.672]; Y=[6.661 6.661 6.667 6.667 6.664]; [mu,sigma,muci,sigmaci]=normfit(X,0.1) %金球测定的估计 [MU,SIGMA,MUCI,SIGMACI]=normfit(Y,0.1) %铂球测定的估计 运行后结果显示如下: mu = 6.6782 sigma = 0.0039 muci = 6.6750 6.6813 sigmaci = 0.0026 0.0081 MU = 6.6640 SIGMA = 0.0030 MUCI = 6.6611 6.6669 SIGMACI = 0.0019 0.0071 由上可知,金球测定的μ估计值为6.6782,置信区间为[6.6750,6.6813]; σ的估计值为0.0039,置信区间为[0.0026,0.0081]。 泊球测定的μ估计值为6.6640,置信区间为[6.6611,6.6669]; σ的估计值为0.0030,置信区间为[0.0019,0.0071]。 命令 利用mle函数进行参数估计 函数 mle 格式 phat=mle %返回用dist指定分布的最大似然估计值 [phat, pci]=mle %置信度为95% [phat, pci]=mle %置信度由alpha确定 [phat, pci]=mle %仅用于二项分布,pl为试验次数。 说明 dist为分布函数名,如:beta(分布)、bino(二项分布)等,X为数据样本,alpha为显著水平α,为置信度。 例4-64 >> X=binornd(20,0.75) %产生二项分布的随机数 X = 16 >> [p,pci]=mle('bino',X,0.05,20) %求概率的估计值和置信区间,置信度为95% p = 0.8000 pci = 0.5634 0.9427 常用分布的参数估计函数 表4-7 参数估计函数表
说明 各函数返回已给数据向量X的参数最大似然估计值和置信度为(1-α)×100%的置信区间。α的默认值为0.05,即置信度为95%。 4.7.2 非线性模型置信区间预测命令 高斯—牛顿法的非线性最小二乘数据拟合 函数 nlinfit 格式 beta = nlinfit(X,y,FUN,beta0) %返回在FUN中描述的非线性函数的系数。FUN为用户提供形如的函数,该函数返回已给初始参数估计值β和自变量X的y的预测值。 [beta,r,J] = nlinfit(X,y,FUN,beta0) �ta为拟合系数,r为残差,J为Jacobi矩阵,beta0为初始预测值。 说明 若X为矩阵,则X的每一列为自变量的取值,y是一个相应的列向量。如果FUN中使用了@,则表示函数的柄。 例4-65 调用MATLAB提供的数据文件reaction.mat >>load reaction >>betafit = nlinfit(reactants,rate,@hougen,beta) betafit = 1.2526 0.0628 0.0400 0.1124 1.1914 命令 非线性模型的参数估计的置信区间 函数 nlparci 格式 ci = nlparci(beta,r,J) %返回置信度为95%的置信区间,beta为非线性最小二乘法估计的参数值,r为残差,J为Jacobian矩阵。nlparci可以用nlinfit函数的输出作为其输入。 例4-66 调用MATLAB中的数据reaction。 >>load reaction >>[beta,resids,J] = nlinfit(reactants,rate,'hougen',beta) beta = 1.2526 0.0628 0.0400 0.1124 1.1914 resids = 0.1321 -0.1642 -0.0909 0.0310 0.1142 0.0498 -0.0262 0.3115 -0.0292 0.1096 0.0716 -0.1501 -0.3026 J = 6.8739 -90.6536 -57.8640 -1.9288 0.1614 3.4454 -48.5357 -13.6240 -1.7030 0.3034 5.3563 -41.2099 -26.3042 -10.5217 1.5095 1.6950 0.1091 0.0186 0.0279 1.7913 2.2967 -35.5658 -6.0537 -0.7567 0.2023 11.8670 -89.5655 -170.1745 -8.9566 0.4400 4.4973 -14.4262 -11.5409 -9.3770 2.5744 4.1831 -41.7896 -16.8937 -5.7794 1.0082 11.8286 -51.3721 -154.1164 -27.7410 1.5001 9.1514 -25.5948 -76.7844 -30.7138 2.5790 3.3373 0.0900 0.0720 0.1080 3.5269 9.3663 -102.0611 -107.4327 -3.5811 0.2200 4.7512 -24.4631 -16.3087 -10.3002 2.1141 >>ci = nlparci(beta,resids,J) ci = -0.7467 3.2519 -0.0377 0.1632 -0.0312 0.1113 -0.0609 0.2857 -0.7381 3.1208 命令 非线性拟合和显示交互图形 函数 nlintool 格式 nlintool(x,y,FUN,beta0) %返回数据(x,y)的非线性曲线的预测图形,它用2条红色曲线预测全局置信区间。beta0为参数的初始预测值,置信度为95%。 nlintool(x,y,FUN,beta0,alpha) %置信度为(1-alpha)×100% 例4-67 调用MATLAB数据 >> load reaction >> nlintool(reactants,rate,'hougen',beta) 图4-20 命令 非线性模型置信区间预测 函数 nlpredci 格式 ypred = nlpredci(FUN,inputs,beta,r,J) % ypred 为预测值,FUN与前面相同,beta为给出的适当参数,r为残差,J为Jacobian矩阵,inputs为非线性函数中的独立变量的矩阵值。 [ypred,delta] = nlpredci(FUN,inputs,beta,r,J) �lta为非线性最小二乘法估计的置信区间长度的一半,当r长度超过beta的长度并且J的列满秩时,置信区间的计算是有效的。[ypred-delta,ypred+delta]为置信度为95%的不同步置信区间。 ypred = nlpredci(FUN,inputs,beta,r,J,alpha,'simopt','predopt') %控制置信区间的类型,置信度为100(1-alpha)%。'simopt' = 'on' 或'off' (默认值)分别表示同步或不同步置信区间。'predopt'='curve' (默认值) 表示输入函数值的置信区间, 'predopt'='observation' 表示新响应值的置信区间。nlpredci可以用nlinfit函数的输出作为其输入。 例4-68 续前例,在[100 300 80]处的预测函数值ypred和置信区间一半宽度delta >> load reaction >> [beta,resids,J] = nlinfit(reactants,rate,@hougen,beta); >> [ypred,delta] = nlpredci(@hougen,[100 300 80],beta,resids,J) 结果为: ypred = 10.9113 delta = 0.3195 命令 非负最小二乘 函数 nnls(该函数已被函数lsnonneg代替,在6.0版中使用nnls将产生警告信息) 格式 x = nnls(A,b) %最小二乘法判断方程A×x=b的解,返回在x≥0的条件下使得最小的向量x,其中A和b必须为实矩阵或向量。 x = nnls(A,b,tol) % tol为指定的误差 [x,w] = nnls(A,b) %当x中元素时,,当时。 [x,w] = nnls(A,b,tol) 例4- 69 >> A =[0.0372 0.2869;0.6861 0.7071;0.6233 0.6245;0.6344 0.6170]; >> b=[0.8587 0.1781 0.0747 0.8405]'; >> x=nnls(A,b) Warning: NNLS is obsolete and has been replaced by LSQNONNEG. NNLS now calls LSQNONNEG which uses the following syntax: [X,RESNORM,RESIDUAL,EXITFLAG,OUTPUT,LAMBDA] =lsqnonneg(A,b,X0, Options) ; Use OPTIMSET to define optimization options, or type 'edit nnls' to view the code used here. NNLS will be removed in the future; please use NNLS with the new syntax. x = 0 0.6929 命令 有非负限制的最小二乘 函数 lsqnonneg 格式 x = lsqnonneg(C,d) %返回在x≥0的条件下使得最小的向量x,其中C和d必须为实矩阵或向量。 x = lsqnonneg(C,d,x0) % x0为初始点,x0≥0 x = lsqnonneg(C,d,x0,options) %options为指定的优化参数,参见options函数。 [x,resnorm] = lsqnonneg(…) %resnorm表示norm(C*x-d).^2的残差 [x,resnorm,residual] = lsqnonneg(…) %residual表示C*x-d的残差 例4- 70 >> A =[0.0372 0.2869;0.6861 0.7071;0.6233 0.6245;0.6344 0.6170]; >> b=[0.8587 0.1781 0.0747 0.8405]'; >> [x,resnorm,residual] = lsqnonneg(A,b) x = 0 0.6929 resnorm = 0.8315 residual = 0.6599 -0.3119 -0.3580 0.4130 4.7.3 对数似然函数命令 负分布的对数似然函数 函数 Betalike 格式 logL=betalike(params,data) %返回负分布的对数似然函数,params为向量[a, b],是分布的参数,data为样本数据。 [logL,info]=betalike(params,data) %返回Fisher逆信息矩阵info。如果params 中输入的参数是极大似然估计值,那么info的对角元素为相应参数的渐近方差。 说明 betalike是分布最大似然估计的实用函数。似然函数假设数据样本中,所有的元素相互独立。因为betalike返回负对数似然函数,用fmins函数最小化betalike与最大似然估计的功能是相同的。 例4-71 本例所取的数据是随机产生的分布数据。 >>r = betarnd(3,3,100,1); >>[logL,info] = betalike([2.1234,3.4567],r) logL = -12.4340 info = 0.1185 0.1364 0.1364 0.2061 命令 负分布的对数似然估计 函数 Gamlike 格式 logL=gamlike(params,data) %返回由给定样本数据data确定的分布的参数为params(即[a,b])的负对数似然函数值 [logL,info]=gamlike(params,data) %返回Fisher逆信息矩阵info。如果params中输入的参数是极大似然估计值,那么info的对角元素为相应参数的渐近方差。 说明 gamlike是分布的最大似然估计函数。因为gamlike返回对数似然函数值,故用fmins函数将gamlike最小化后,其结果与最大似然估计是相同的。 例4-72 >>r=gamrnd(2,3,100,1); >>[logL,info]=gamlike([2.4212, 2.5320],r) logL = 275.4602 info = 0.0453 -0.0538 -0.0538 0.0867 命令 负正态分布的对数似然函数 函数 normlike 格式 logL=normlike(params,data) %返回由给定样本数据data确定的、负正态分布的、参数为params(即[mu,sigma])的对数似然函数值。 [logL,info]=normlike(params,data) %返回Fisher逆信息矩阵info。如果params中输入的参数是极大似然估计值,那么info的对角元素为相应参数的渐近方差。 命令 威布尔分布的对数似然函数 函数 Weiblike 格式 logL = weiblike(params,data) %返回由给定样本数据data确定的、威布尔分布的、参数为params(即[a,b])的对数似然函数值。 [logL,info]=weiblike(params,data) %返回Fisher逆信息矩阵info。如果params中输入的参数是极大似然估计值,那么info的对角元素为相应参数的渐近方差。 说明 威布尔分布的负对数似然函数定义为 例4-73 >>r=weibrnd(0.4,0.98,100,1); >>[logL,info]=weiblike([0.1342,0.9876],r) logL = 237.6682 info = 0.0004 -0.0002 -0.0002 0.0078 |
|