Matlab随机变量的数字特征(一)

简介: Matlab随机变量的数字特征

1、均值(数学期望

mean(X):当样本X是向量时,返回X的个元素的算数平均值;当X是矩阵时,返回X的各列元素的平均值。

mean(X ,dim):当dim=1时,返回矩阵X各列的均值 ;当dim=2时,返回矩阵各行的均值。

1. >> clear
2. >> R=rand(3,4)
3. R =
4. 0.9572    0.1419    0.7922    0.0357
5. 0.4854    0.4218    0.9595    0.8491
6. 0.8003    0.9157    0.6557    0.9340
7. >> a=mean(R,1)
8. a =
9. 0.7476    0.4931    0.8025    0.6063
10. >> b=mean(R,2)
11. b =
12. 0.4817
13. 0.6789
14. 0.8264

2、中位数

median(X)        median(X,dim)

Dim=1时,返回矩阵X各列大小排列后位于中间那个数的值(中位数);dim=2时返回各行的中位数。

1. >> clear
2. >> R=unidrnd(10,5,5)
3. R =
4. 4      4    10     4     7
5. 10     3    10     9     8
6. 4      5     6      1     7
7. 2      1     1      1     5
8. 8      2     3      2     6
9. >> a=median(R,1)
10. a =
11. 4     3     6     2     7
12. >> b=median(R,2)
13. b =
14. 4
15. 9
16. 5
17. 1
18. 3

3、几何平均数

geomean(X)     geomean(X,dim)

1. >> clear
2. >> R=unidrnd(5,3,4)
3. 
4. R =
5. 
6. 2     4     4     5
7. 4     1     4     4
8. 1     2     1     3
9. >> a=geomean(R,1)
10. a =
11. 2.0000    2.0000    2.5198    3.9149
12. >> b=geomean(R,2)
13. b =
14. 3.5566
15. 2.8284
16. 1.5651

4、调和平均数

harmmean(X)       harmmean(X,dim)

1. >> clear
2. >> R=rand(3,4)
3. R =
4. 0.4359    0.5085    0.7948    0.8116
5. 0.4468    0.5108    0.6443    0.5328
6. 0.3063    0.8176    0.3786    0.3507
7. >> a=harmmean(R,1)
8. a =
9. 0.3848    0.5828    0.5503    0.5033
10. 
11. 
12. 
13. 
14. >> b=harmmean(R,2)
15. b =
16. 0.5925
17. 0.5246
18. 0.4008

5、数据排序

sort(X)   sort(X,dim)

当X是向量时,返回X从小大到的排序;当dim=1时,对各列独立排序;当dim=2时,对各行独立排序。

1. >> clear
2. >> R=unidrnd(10,4)
3. 
4. R =
5. 
6. 10     6     3     2
7. 9     3     9     3
8. 6     4     2     5
9. 7     5     3     4
10. >> sort(R,1)
11. ans =
12. 6     3     2     2
13. 7     4     3     3
14. 9     5     3     4
15. 10    6     9     5
16. >> sort(R,2)
17. ans =
18. 2     3     6    10
19. 3     3     9     9
20. 2     4     5     6
21. 3     4     5     7

sortrows(X):X为向量时,返回X的从小到大的排序;当X时矩阵时,返回按照X第一列元素从小到大的行相关排序。例如

1. >> clear
2. >> R=unidrnd(10,4,4)
3. R =
4. 7     3     7     5
5. 2     1     4     4
6. 8     1    10     8
7. 1     9     1     8
8. >> a=sortrows(R)
9. a =
10. 1     9     1     8
11. 2     1     4     4
12. 7     3     7     5
13. 8     1    10     8

sortrows(X,col):当col=k时,表示排序按照第k列元素从小到大的行关联排序,例如

1. >> clear
2. >> R=unidrnd(10,4,4)
3. R =
4. 2     8     7    10
5. 5     8     2     4
6. 5     3     2     6
7. 7     7     5     3
8. >> b=sortrows(R,3)
9. b =
10. 5     8     2     4
11. 5     3     2     6
12. 7     7     5     3
13. 2     8     7    10

6、众数

mode(X,dim )      样本观测值中出现频率最高的数。

1. >> clear
2. >> R=unidrnd(8,4,5)
3. R =
4. 8     4     2     1     1
5. 3     2     8     2     1
6. 1     4     8     3     2
7. 7     1     5     7     6
8. >> a=mode(R,1)
9. a =
10. 1     4     8     1     1
11. 
12. >> b=mode(R,2)
13. b =
14. 1
15. 2
16. 1
17. 7

7、极差(最大值和最小值之差)

range(X,dim);若X是向量,返回X的极差;dim=1时,返回X各列的极差;dim=2时,返回X的各列的极差。

1. >> clear
2. >> R=rand(4)
3. R =
4. 0.7513    0.8909    0.1493    0.8143
5. 0.2551    0.9593    0.2575    0.2435
6. 0.5060    0.5472    0.8407    0.9293
7. 0.6991    0.1386    0.2543    0.3500
8. >> a=range(R,1)
9. a =
10. 0.4962    0.8207    0.6914    0.6857
11. >> b=range(R,2)
12. b =
13. 0.7416
14. 0.7158
15. 0.4233
16. 0.5605

8、方差与均方差(标准差)

var(X):当X为向量时,返回X的样本方差

当X为矩阵时,返回X各列的方差。

var(X,1):返回X的简单方差

1. >> clear
2. >> R=rand(3)
3. R =
4. 0.1966    0.4733    0.5853
5. 0.2511    0.3517    0.5497
6. 0.6160    0.8308    0.9172
7. >> S1=var(R)
8. S1 =
9. 0.0520    0.0620    0.0411
10. >> S2=var(R,1)
11. S2 =
12. 0.0347    0.0414    0.0274

std(X):返回X各列的标准差

std(X,1):返回X各列的简单标准差

std(X,flag,dim):flag=0,计算标准差, flag=1,计算简单标准差; dim=1,按列计算; dim=2,按行计算。


相关文章
|
15天前
|
机器学习/深度学习 算法
基于心电信号时空特征的QRS波检测算法matlab仿真
本课题旨在通过提取ECG信号的时空特征并应用QRS波检测算法识别心电信号中的峰值。使用MATLAB 2022a版本实现系统仿真,涵盖信号预处理、特征提取、特征选择、阈值设定及QRS波检测等关键步骤,以提高心脏疾病诊断准确性。预处理阶段采用滤波技术去除噪声,检测算法则结合了一阶导数和二阶导数计算确定QRS波峰值。
|
4月前
|
机器学习/深度学习 算法
基于鲸鱼优化的knn分类特征选择算法matlab仿真
**基于WOA的KNN特征选择算法摘要** 该研究提出了一种融合鲸鱼优化算法(WOA)与K近邻(KNN)分类器的特征选择方法,旨在提升KNN的分类精度。在MATLAB2022a中实现,WOA负责优化特征子集,通过模拟鲸鱼捕食行为的螺旋式和包围策略搜索最佳特征。KNN则用于评估特征子集的性能。算法流程包括WOA参数初始化、特征二进制编码、适应度函数定义(以分类准确率为基准)、WOA迭代搜索及最优解输出。该方法有效地结合了启发式搜索与机器学习,优化特征选择,提高分类性能。
|
4月前
|
机器学习/深度学习 数据可视化 算法
探索MATLAB世界:掌握基础知识与实用技能(1. MATLAB环境与基本操作 2. 数据类型与变量 3. 条件与循环,1. 数据分析与统计 2. 图像处理与计算机视觉 3. 信号处理与控制系统)
探索MATLAB世界:掌握基础知识与实用技能(1. MATLAB环境与基本操作 2. 数据类型与变量 3. 条件与循环,1. 数据分析与统计 2. 图像处理与计算机视觉 3. 信号处理与控制系统)
36 0
|
4月前
|
算法
基于蝗虫优化的KNN分类特征选择算法的matlab仿真
摘要: - 功能:使用蝗虫优化算法增强KNN分类器的特征选择,提高分类准确性 - 软件版本:MATLAB2022a - 核心算法:通过GOA选择KNN的最优特征以改善性能 - 算法原理: - KNN基于最近邻原则进行分类 - 特征选择能去除冗余,提高效率 - GOA模仿蝗虫行为寻找最佳特征子集,以最大化KNN的验证集准确率 - 运行流程:初始化、评估、更新,直到达到停止标准,输出最佳特征组合
|
5月前
|
计算机视觉
Matlab中的偏最小二乘法(PLS)回归模型,离群点检测和变量选择
Matlab中的偏最小二乘法(PLS)回归模型,离群点检测和变量选择
Matlab中的偏最小二乘法(PLS)回归模型,离群点检测和变量选择
|
5月前
|
数据采集 算法 数据可视化
MATLAB、R用改进Fuzzy C-means模糊C均值聚类算法的微博用户特征调研数据聚类研究
MATLAB、R用改进Fuzzy C-means模糊C均值聚类算法的微博用户特征调研数据聚类研究
Matlab|【免费】基于半不变量的概率潮流计算
Matlab|【免费】基于半不变量的概率潮流计算
|
5月前
|
存储 人工智能 机器人
【Matlab】Matlab 汉/英语(A/a)声学特征比较与基音频率分析(源码+音频文件)【独一无二】
【Matlab】Matlab 汉/英语(A/a)声学特征比较与基音频率分析(源码+音频文件)【独一无二】
|
5月前
matlab脉冲响应图的时域特征
matlab脉冲响应图的时域特征
|
5月前
【数值分析】用幂法计算矩阵的主特征值和对应的特征向量(附matlab代码)
【数值分析】用幂法计算矩阵的主特征值和对应的特征向量(附matlab代码)
下一篇
无影云桌面