第8章 概率统计——8.1 产生随机变量

简介: 第8章 概率统计——8.1 产生随机变量

第8章  概率统计


知识要点


概率统计是研究自然界中概率统计的方法,是MATLAB数据处理的一项重要应用。进行MATLAB概率统计有关内容的学习,有利于掌握MATLAB的基本使用方法,并结合概率统计有关知识对MATLAB在数据处理方面的应用有深刻的了解。


学习要求

df624b8bd5b1bf468c102ee971416f84_640_wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1.png

8.1  产生随机变量


MATLAB中用于产生随机数的函数很多,基本能满足一般应用情况下的需求。下面简单介绍几种随机数的产生方法。



8.1.1  二项分布的随机数据的产生


使用binornd函数可以产生二项分布的随机数据,其调用格式如下:

● R=binornd(N,P)

● R=binornd(N,P,m,n,...)

● R=binornd(N,P,[m,n,...])

其中,NP为二项分布参数,返回服从参数为NP的二项分布的随机数Rm指定随机数的个数,与R同维数;mn分别表示R的行数和列数。


8-1:二项分布的随机数据的产生示例。

在命令行窗口中输入:

n = 10 : 10 : 60
r1 = binornd(n, 1 ./ n)
r2 = binornd(n, 1 ./ n, [1 6])
r3 = binornd(n, 1 ./ n, 1, 6)
r4 = binornd([n; n], [1 ./ n; 1 ./ n], 2, 6)

依次得到如下结果:

n =
    10    20    30    40    50    60
r1 =
     1     0     1     0     1     0
r2 =
     0     2     0     0     1     3
r3 =
     2     3     1     0     0     2
r4 =
     2     0     0     1     1     3
     0     0     2     0     1     0


8.1.2  正态分布的随机数据的产生


使用normrnd函数可以产生参数为μσ的正态分布的随机数据,其调用格式如下:

● R=normrnd(mu,sigma)

● R=normrnd(mu,sigma,m,n,...)

● R=normrnd(mu,sigma,[m,n,...])

该函数返回均值为mu,标准差为sigma的正态分布随机数据;m指定随机数的个数,n表示R的列数。


8-2:正态分布的随机数据的产生示例。

在命令行窗口中输入:

n1 = [normrnd(1 : 6, 1 ./ (1 : 6)); normrnd(1 : 6, 1 ./ (1 : 6)); normrnd(1 : 6, 1 ./ (1 : 6));]
n2 = normrnd(0, 1, [1, 5])
n3 = normrnd(0, 1, [5, 5])
n4 = normrnd([1 2 3; 4 5 6], 0.1, 2, 3)

依次得到如下结果:

n1 =
   -1.2082    2.7181    2.9794    4.2945    5.1971    5.7969
    0.5681    1.5825    3.0599    4.2916    5.0112    5.6500
    2.2353    2.0013    2.8468    3.4742    5.0748    6.0409
n2 =
    0.3386   -1.0781   -0.7302   -0.9163    1.7876
n3 =
   -0.8204    0.0728    0.2199    1.2486   -0.0789
   -0.1967    0.9394    0.9663   -1.1232    1.2281
   -0.8901    0.6752    0.3500   -0.8301   -0.5314
    0.9107    0.7860    0.9018   -0.1218   -0.2861
   -0.0123   -2.1327    2.1212   -0.6426   -0.2276
n4 =
    1.0675    1.9851    3.0934
    4.1037    4.9683    6.0723


8.1.3  常见分布的随机数的产生


常见分布的随机数产生函数的使用格式与二项分布的随机数据和正态分布的随机数据的产生函数相同。相关的函数如表8-1所示。

8-1  常见分布的随机数产生函数

函数

说明

unifrnd

[a, b]上均匀分布(连续)随机数

unidrnd

均匀分布(离散)随机数

exprnd

参数为Lambda的指数分布随机数

normrnd

参数为musigma的正态分布随机数

chi2rnd

自由度为n的卡方分布随机数

trnd

自由度为nt分布随机数

Frnd

第一自由度为N1、第二自由度为N2F分布随机数

gamrnd

参数为ab的γ分布随机数

betarand

参数为ab的β分布随机数

lognrnd

参数为musigma的对数正态分布随机数

nbinrnd

参数为rp的负二项式分布随机数

ncfrnd

参数为n1n2delta的非中心F分布随机数

nctrnd

参数为ndelta的非中心t分布随机数

ncx2rnd

参数为ndelta的非中心卡方分布随机数

raylrnd

参数为b的瑞利分布随机数

weibrnd

参数为ab的韦伯分布随机数

binornd

参数为np的二项分布随机数

geornd

参数为p的几何分布随机数

hygernd

参数为MKN的超几何分布随机数

poissrnd

参数为Lambda的泊松分布随机数


相关文章
|
11月前
【概率论基础】Probability | 数学性概率 | 统计性概率 | 几何概率 | 概率论三大公理
【概率论基础】Probability | 数学性概率 | 统计性概率 | 几何概率 | 概率论三大公理
107 0
|
11月前
|
机器学习/深度学习 算法
24 正态分布和最大熵
24 正态分布和最大熵
74 0
第8章 概率统计——8.3 累积概率分布
第8章 概率统计——8.3 累积概率分布
第8章 概率统计——8.3 累积概率分布
|
Serverless
第8章 概率统计——8.2 概率密度计算
第8章 概率统计——8.2 概率密度计算
概率论|贝叶斯公式及其推论的理解和运用
概率论|贝叶斯公式及其推论的理解和运用
162 0
|
机器学习/深度学习
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
181 0
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
【数理统计】从协方差到相关系数,原来如此
【数理统计】从协方差到相关系数,原来如此
136 0
【数理统计】从协方差到相关系数,原来如此
L5-参数估计:矩估计与极大似然估计
L5-参数估计:矩估计与极大似然估计
L5-参数估计:矩估计与极大似然估计
|
人工智能 开发者
马尔科夫不等式 | 学习笔记
快速学习马尔科夫不等式
182 0
马尔科夫不等式 | 学习笔记
|
人工智能 BI
最小二乘法-公式推导
基本思想 求出这样一些未知参数使得样本点和拟合线的总误差(距离)最小 最直观的感受如下图(图引用自知乎某作者) 而这个误差(距离)可以直接相减,但是直接相减会有正有负,相互抵消了,所以就用差的平方 推导过程 1 写出拟合方程y=a+bxy=a+bx 2 现有样本(x1,y1),(x2,y2).
4024 1