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
- Copulas(多元分布)
非参数分布是纯粹基于样本数据提供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。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
- 具有帕累托尾的分段分布
- 三角形分布
参数分布可以很容易地拟合数据使用最大似然估计。然后使用拟合的分布进行进一步的分析,计算汇总统计数据,评估概率密度函数(PDF)和累积分布函数(CDF),并评估分布与数据的拟合程度。
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™用于MATLAB®.
例子和如何
-
曲线拟合和分布拟合(例子)
-
使用copula模拟相关随机变量(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)
-
信用风险建模与MATLAB(53:09)(研讨会)
软件参考
- 使用分布拟合应用程序建模数据(文档)
- 极大似然估计(文档)
- 用于多元建模的概率分布(文档)
- dfittool:打开分布拟合应用程序(函数)