步骤1。输入样例数据。

输入数据向量时间，其中包含了观察到的10辆不同的汽车在高速公路收费站停留的时间长度(以秒为单位)。

时间= [6 14 8 7 16 8 23 6 7 15];

数据显示，虽然大多数汽车只停了6到16秒，但有一辆车停了23秒。

步骤2。估计分布参数。

从样本数据估计三角分布参数。

下= min(时间);峰值=中位数(时间);Upper = max(时间);

当样本数据有限时，三角形分布提供了概率分布的简单表示。通过找到样本数据的最小值和最大值来估计分布的上下限。对于峰值参数，中位数可能比平均值提供更好的模式估计，因为数据包含一个异常值。

步骤3。创建一个概率分布对象。

使用估计的参数值创建一个三角形概率分布对象。

Pd = makedist(“三角”，“一个”较低,“b”峰,“c”上)

三角分布A = 6, B = 8, C = 23

计算并绘制三角形分布的pdf。

X = 0:. 1:30 30;Y = pdf(pd,x);情节(x, y)标题(“在收费站花的时间”)包含(的时间(秒)xlim([0 30])

图表显示这个三角形分布是向右倾斜的。但是，由于估计的峰值是样本中值，所以分布应该是对称的。由于它的倾斜度，例如，与初始样本数据相比，该模型可能会生成看起来异常高的随机数。

步骤4。生成随机数。

从这个分布生成随机数来模拟未来通过收费站的交通流量。

rng (“默认”);%用于再现性R =随机(pd,10,1)

r =10×116.1265 18.0987 8.0796 18.3001 13.3176 7.8211 9.4360 12.2508 19.7082 20.0078

中的返回值。r是接下来10辆模拟汽车在收费站花费的时间，单位为秒。与原始数据向量中的值相比，这些值似乎很高时间因为离群值使分布向右倾斜。使用第二高的值作为上限参数可能会减轻离群值的影响，并生成一组更类似于初始样本数据的随机数。

第5步。修改估计参数。

使用样本数据中的第二大值估计分布的上边界。

Sort_time = sort(时间，“下”);第二大= sort_time(2);

步骤6。创建一个新的分发对象并绘制pdf。

使用修改后的估计参数创建一个新的三角形概率分布对象，并绘制其pdf。

图pd2 = makedist(“三角”，“一个”较低,“b”峰,“c”, secondLargest);Y2 = pdf(pd2,x);情节(x, y2,“线宽”2)标题(“在收费站花的时间”)包含(的时间(秒)xlim([0 30])

从图中可以看出，这个三角形分布仍然稍微向右倾斜。但是，与使用最大样本数据值估计上限的分布相比，其峰值的对称性要高得多。

步骤7。生成新的随机数。

从修改后的分布生成新的随机数。

rng (“默认”);%用于再现性R2 = random(pd2,10,1)

r2 =10×112.1501 13.2547 7.5937 13.3675 10.5768 7.3967 8.4026 9.9792 14.1562 14.3240

这些新值更接近于原始数据向量中的值时间。它们也比使用离群值估计其上限的分布生成的随机数更接近样本中值。本例在计算中位数时没有从样本数据中删除异常值。参数估计的其他选项包括从样本数据中完全去除异常值，或使用样本数据的均值或模态作为峰值。