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
【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
159 0
|
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
111 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
204 0
【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
162 0
【数理统计】从协方差到相关系数,原来如此
|
存储 调度 Python
泊松分布
泊松分布
274 0
泊松分布
无偏估计
定义 无偏估计:估计量的均值等于真实值,即具体每一次估计值可能大于真实值,也可能小于真实值,而不能总是大于或小于真实值(这就产生了系统误差)。 估计量评价的标准 (1)无偏性 如上述 (2)有效性 有效性是指估计量与总体参数的离散程度。
1246 0
|
机器学习/深度学习 人工智能 算法
概率与信息论
概率与信息论
175 0
|
机器学习/深度学习
贝叶斯公式
贝叶斯公式
282 0
贝叶斯公式