从实验数据建立概率模型
- 正态(或高斯)分布
- 威布尔分布
- 广义极值分布
- 物流配送
- 内核分配
- copula(多元分布)
非参数分布是提供纯粹基于样本数据的概率密度函数估计的概率分布。当数据不能被参数分布准确描述时,这是首选方法。一些常见的非参数概率分布包括:
- 内核分配
- 经验累积分布
- 分段线性分布
- 带有帕累托尾的分段分布
- 三角形分布
利用极大似然估计,参数分布可以很容易地拟合数据。然后,通过计算汇总统计信息、评估概率密度函数(PDF)和累积分布函数(CDF)以及评估分布与数据的拟合,拟合的分布被用于进行进一步的分析。
有关分布类型、分布拟合、可视化分布和生成随机数的更多信息,请参见统计和机器学习工具箱™与MATLAB®.
例子和如何
-
曲线拟合与分布拟合(例子)
-
用copula模拟因变量(例子)
-
拟合自定义单变量分布(例子)
-
分析生存或可靠性数据(例子)
-
用广义帕累托分布对尾数据建模(例子)
-
{{视频链接}} (研讨会)
软件参考
- 使用分布拟合应用程序建模数据(文档)
- 最大似然估计(文档)
- 用于多元建模的概率分布(文档)
- dfittool:打开分布装配应用程序(函数)