大中型企业
最大似然估计
语法
描述
例子
毛刺的估计参数分布
加载示例数据。
负载carbig
的变量英里/加仑
有针对不同型号的汽车英里每加仑。
画出直方图英里/加仑
数据。
直方图(MPG)
有点右偏态分布。对称分布,如正态分布,可能不是一个合适的选择。
第十二毛刺类型分布的参数估计英里/加仑
数据。
酷毙了=大中型企业(英里/加仑,“分布”,“毛刺”)
太好了=1×334.6447 3.7898 3.5722
尺度参数的最大似然估计α是34.6447。两个形状参数的估计 和 第十二毛刺类型的分布是3.7898和3.5722,分别。
非中心卡方分布的估计参数
生成样本数据的大小从1000非中心卡方分布与自由度8和非中心参数3。
rng默认的%的再现性x = ncx2rnd (8, 1000,1);
估计的参数非中心卡方分布的样本数据。要做到这一点,自定义定义了非中心卡方pdf使用pdf
输入参数。
(太好了,pci)大中型企业的(x) =“pdf”@ (x, v, d) ncx2pdf (x, v, d),“开始”[1])
太好了=1×28.1052 - 2.6693
pci =2×27.1120 1.6025 9.0983 3.7362
自由度的估计是8.1052和2.6693非中心参数。自由度的95%置信区间为(7.1121,9.0983)和非中心参数是(1.6025,3.7362)。置信区间包含真正的参数值8和3,分别。
符合自定义审查数据的分布
加载示例数据。
负载(“readmissiontimes.mat”);
数据包括ReadmissionTime
100名患者,重新接纳时间。列向量审查
每个病人的审查信息,1表示一个审查的观察,0表示完全重新接纳时间观察。这是模拟数据。
定义一个定制的概率密度和累积分布函数。
custpdf = @(数据、λ)λ* exp(λ*数据);custcdf = @(数据、λ)1-exp(λ*数据);
估计参数,λ
自定义的审查样本数据的分布。
太好了=大中型企业(ReadmissionTime,“pdf”custpdf,“提供”custcdf,“开始”,0.05,“审查”审查)
太好了= 0.1096
符合自定义日志pdf和生存函数
加载示例数据。
负载(“readmissiontimes.mat”);
数据包括ReadmissionTime
100名患者,重新接纳时间。列向量审查
每个病人的审查信息,1表示一个审查的观察,0表示完全重新接纳时间观察。这是模拟数据。
定义一个自定义日志概率密度和生存函数。
custlogpdf = @(数据、λk)日志(k) - k *日志(λ)+ (k - 1) *日志(数据)-(数据/λ)。^ k;custlogsf = @(数据、λk) -(数据/λ)。^ k;
估计参数,λ
和k
自定义的审查样本数据的分布。
太好了=大中型企业(ReadmissionTime,“logpdf”custlogpdf,“logsf”custlogsf,…“开始”(0.75),“审查”审查)
太好了=1×29.2090 - 1.4223
的规模和形状参数自定义分布是9.2090和1.4223,分别。
符合自定义日志-似然函数
加载示例数据。
负载(“readmissiontimes.mat”)
数据包括ReadmissionTime
100名患者,重新接纳时间。这是模拟数据。
定义一个负对数似然函数。
custnloglf = @(λ,数据,岑,频率)-长度(数据)*日志(λ)+总和(λ*数据,“omitnan”);
估计的参数定义的分布。
太好了=大中型企业(ReadmissionTime,“nloglf”custnloglf,“开始”,0.05)
太好了= 0.1462
估计成功概率
产生100从二项分布的随机观测试验, = 20,成功的概率, = 0.75。
data = binornd (20 0.75,100 1);
估计成功的概率和95%可信限使用模拟的示例数据。
(酷毙了,pci) =大中型企业(数据,“分布”,“二”,“α”,0。“ntrials”,20)
太好了= 0.7615
pci =2×10.7422 - 0.7800
成功概率的估计是0.7615和95%置信区间的上下极限是0.7422和0.78。这个区间内涵盖了用于模拟真实价值数据。
合适的分布与已知参数
生成样本数据的大小从1000非中心卡方分布与自由度10和非中心参数5。
rng默认的%的再现性x = ncx2rnd(1000年10日,5日,1);
假设非中心参数是固定值5。估计自由度非中心卡方分布的样本数据。要做到这一点,自定义定义了非中心卡方pdf使用pdf
输入参数。
(太好了,pci)大中型企业的(x) =“pdf”@ (x, v, d) ncx2pdf (x, v, 5),“开始”,1)
太好了= 9.9307
pci =2×19.5626 - 10.2989
非中心参数的估计为9.9307,95%置信区间为9.5626和10.2989。置信区间包含真正的参数值10。
适合Rician分布与已知的尺度参数
生成样本数据的大小从1000 Rician分布与8的非中心参数和尺度参数的5。首先创建Rician分布。
r = makedist (“Rician”,“年代”8“σ”5);
现在,从上面创建的分布生成示例数据。
rng默认的%的再现性x =随机(r, 1000, (1);
假设规模参数是已知的,估计非中心参数的样本数据。为此使用大中型企业
,你必须定义定义Rician概率密度函数。
(太好了,pci)大中型企业的(x) =“pdf”@ (x,年代,σ)pdf (“rician”5),x,年代,“开始”,10)
太好了= 7.8953
pci =2×17.5405 - 8.2501
非中心参数的估计为7.8953,95%置信区间为7.5404和8.2501。置信区间包含真正的参数值8。
适合与额外的参数分布
尺度参数添加到卡方分布适应数据的规模和适应它。首先,生成样本数据的大小从1000卡方分布与自由度5,和规模的100倍。
rng默认的%的再现性x = 100 * chi2rnd (1000 1);
估计自由度和比例因子。要做到这一点,自定义定义卡方概率密度函数使用pdf
输入参数。需要的密度函数
因素相应的数据
。
(太好了,pci)大中型企业的(x) =“pdf”@ (x, v, s) chi2pdf / s (x / s, v),“开始”[1200])
太好了=1×25.1079 - 99.1681
pci =2×24.6862 90.1215 5.5297 108.2146
自由度的估计是5.1079和99.1681规模。自由度的95%置信区间为(4.6862,5.5279)和尺度参数是(90.1215,108.2146)。真正的参数值的置信区间包含5和100年,分别。
输入参数
数据
- - - - - -样本数据
向量
样本数据大中型企业
用来估计分布参数,指定为一个向量。
数据类型:单
|双
经销
- - - - - -分布类型
“正常”
(默认)|特征向量或字符串标量分布类型
分布类型来估计参数,指定为以下之一。
经销 |
描述 | 参数1 | 参数2 | 参数3 | 参数4 |
---|---|---|---|---|---|
“伯努利” |
伯努利分布 | p 为每个审判:成功的可能性 |
- - - - - - | - - - - - - | - - - - - - |
“β” |
贝塔分布 | 一个 :第一形状参数 |
b :第二形状参数 |
- - - - - - | - - - - - - |
“bino” 或“二” |
二项分布 | n :数量的试验 |
p 为每个审判:成功的可能性 |
- - - - - - | - - - - - - |
“BirnbaumSaunders” |
Birnbaum-Saunders分布 | β:尺度参数 | γ:形状参数 | - - - - - - | - - - - - - |
“毛刺” |
第十二毛刺类型分布 | α:尺度参数 | c :第一形状参数 |
k :第二形状参数 |
- - - - - - |
离散均匀的 或“unid” |
均匀分布(离散) | n :最大观测值 |
- - - - - - | - - - - - - | - - - - - - |
“经验” 或“指数” |
指数分布 | μ:是指 | - - - - - - | - - - - - - | - - - - - - |
“电动汽车” 或“极端值” |
极端值分布 | μ:位置参数 | σ:尺度参数 | - - - - - - | - - - - - - |
“社交” 或“伽马” |
伽马分布 | 一个 :形状参数 |
b :尺度参数 |
- - - - - - | - - - - - - |
“gev” 或“广义极值” |
广义极值分布 | k :形状参数 |
σ:尺度参数 | μ:位置参数 | - - - - - - |
“全科医生” 或广义帕累托的 |
广义帕累托分布 | k :尾指数(形状)参数 |
σ:尺度参数 | θ:阈值(位置)参数 | - - - - - - |
“地理” 或“几何” |
几何分布 | p :概率参数 |
- - - - - - | - - - - - - | - - - - - - |
“环” 或“正常”的一半 |
Half-Normal分布 | μ:位置参数 | σ:尺度参数 | - - - - - - | - - - - - - |
“InverseGaussian” |
逆高斯分布 | μ:尺度参数 | λ:形状参数 | - - - - - - | - - - - - - |
“物流” |
物流配送 | μ:是指 | σ:尺度参数 | - - - - - - | - - - - - - |
“LogLogistic” |
Loglogistic分布 | μ:意思是对数的值 | σ:对数尺度参数值 | - - - - - - | - - - - - - |
“logn” 或对数正态的 |
对数正态分布 | μ:意思是对数的值 | σ:对数标准差值 | - - - - - - | - - - - - - |
“Nakagami” |
Nakagami分布 | μ:形状参数 | ω:尺度参数 | - - - - - - | - - - - - - |
“nbin” 或“负二项” |
负二项分布 | r :成功的数量 |
p :成功的可能性在一个审判 |
- - - - - - | - - - - - - |
“规范” 或“正常” |
正态分布 | μ:是指 | σ:标准偏差 | - - - - - - | - - - - - - |
“波” 或“泊松” |
泊松分布 | λ:是指 | - - - - - - | - - - - - - | - - - - - - |
“瑞利” 或“瑞利” |
瑞利分布 | b :尺度参数 |
- - - - - - | - - - - - - | - - - - - - |
“Rician” |
Rician分布 | 年代 :非中心参数 |
σ:尺度参数 | - - - - - - | - - - - - - |
“稳定” |
稳定分布 | α:第一形状参数 | β:第二形状参数 | γ:尺度参数 | δ:位置参数 |
“tLocationScale” |
t Location-Scale分布 | μ:位置参数 | σ:尺度参数 | ν:形状参数 | - - - - - - |
“unif” 或“统一” |
均匀分布(连续) | 一个 :较低的端点(最小) |
b :上端点(最大) |
- - - - - - | - - - - - - |
“wbl” 或“威布尔” |
威布尔分布 | 一个 :尺度参数 |
b :形状参数 |
- - - - - - | - - - - - - |
例子:“rician”
pdf
- - - - - -定制的概率密度函数
函数处理
自定义概率分布函数,指定为一个函数处理使用@
。
这个自定义函数接受向量数据
和一个或多个个体分布参数作为输入参数,并返回一个向量的概率密度值。
例如,如果自定义概率密度函数的名称newpdf
,然后你就可以指定函数处理大中型企业
如下。
例子:@newpdf
数据类型:function_handle
提供
- - - - - -定制的累积分布函数
函数处理
定制的累积分布函数,指定为一个函数处理使用@
。
这个自定义函数接受向量数据
和一个或多个个体分布参数作为输入参数,并返回一个向量的累积概率值。
您必须定义提供
与pdf
如果数据被审查和使用“审查”
名称-值对的论点。如果“审查”
不存在,你不需要指定吗提供
在使用pdf
。
例如,如果定制的累积分布函数的名称newcdf
,然后你就可以指定函数处理大中型企业
如下。
例子:@newcdf
数据类型:function_handle
logpdf
- - - - - -自定义日志概率密度函数
函数处理
自定义日志概率密度函数,指定为一个函数处理使用@
。
这个自定义函数接受向量数据
和一个或多个个体分布参数作为输入参数,并返回一个向量的日志概率值。
例如,如果定制日志概率密度函数的名称customlogpdf
,然后你就可以指定函数处理大中型企业
如下。
例子:@customlogpdf
数据类型:function_handle
logsf
- - - - - -自定义日志生存函数
函数处理
自定义日志生存函数,指定为一个函数处理使用@
。
这个自定义函数接受向量数据
和一个或多个个体分布参数作为输入参数,并返回一个向量的日志生存概率值。
您必须定义logsf
与logpdf
如果数据被审查和使用“审查”
名称-值对的论点。如果“审查”
不存在,你不需要指定吗logsf
在使用logpdf
。
例如,如果自定义日志生存函数的名称logsurvival
,然后你就可以指定函数处理大中型企业
如下。
例子:@logsurvival
数据类型:function_handle
nloglf
- - - - - -自定义- loglikelihood函数
函数处理
自定义- loglikelihood函数,指定为一个函数处理使用@
。
该自定义函数接受下面的输入参数。
参数个数 |
向量的分布参数值。大中型企业 检测参数的数量从元素的数量开始 。 |
数据 |
矢量数据。 |
岑 |
审查值的布尔向量。 |
频率 |
向量整数数据的频率。 |
nloglf
必须接受四个参数,即使你不使用吗“审查”
或“频率”
名称-值对参数。你可以写“nloglf”
忽略岑
和频率
在这种情况下。
nloglf
返回一个标量负loglikelihood价值和可选地,消极loglikelihood梯度向量(参见“GradObj”
场“选项”
)。
如果定制的负对数似然函数的名称negloglik
,然后你就可以指定函数处理大中型企业
如下。
例子:@negloglik
数据类型:function_handle
名称-值对的观点
指定可选的逗号分隔条名称,值
参数。的名字
参数名称和吗价值
相应的价值。的名字
必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家
。
“审查”,岑,“阿尔法”,0.01,“选项”,选择
指定大中型企业
估计所指定的参数分布的审查数据数组岑
为参数,计算99%置信区间估计,并使用指定的算法控制参数结构选择
。
“审查”
- - - - - -指标审查
0年代的数组(默认)|0和1的数组
指标审查,指定为逗号分隔组成的“审查”
和一个布尔值数组的大小一样数据
。使用1的观察是正确的审查和0充分观察观察。默认是所有的观察都是完全遵守。
例如,如果审查数据信息的二进制数组审查
,那么您可以指定审查数据如下。
例子:审查,审查
大中型企业
金宝app支持审查以下分布:
Birnbaum-Saunders 毛刺 指数 极值 γ 逆高斯分布 内核 Log-Logistic |
物流 对数正态 Nakagami 正常的 Rician t Location-Scale 威布尔 |
数据类型:逻辑
“频率”
- - - - - -频率的观察
组1(默认)|向量的非负整数
频率的观测,指定为逗号分隔组成的“频率”
数组包含非负整数的数量,大小是一样的数据
。默认是一个观察的每个元素数据
。
例如,如果观察频率都存储在一个数组频率
,您可以指定频率如下。
例子:的频率,频率
数据类型:单
|双
“α”
- - - - - -显著性水平
0.05(默认)|标量值的范围(0,1)
显著性水平为参数的置信区间估计,一种总线标准
,指定为逗号分隔两人组成的“α”
和一个标量值的范围(0,1)。的置信水平一种总线标准
是100(1α)
%。默认值是0.05
有95%的信心。
例如,对于99%的置信区间,你可以指定如下的信心水平。
例子:“阿尔法”,0.01
数据类型:单
|双
“NTrials”
- - - - - -数量的试验
标量值|向量
试验的对应元素的数量数据
,指定为逗号分隔两人组成的“Ntrials”
和一个标量或矢量的大小一样数据
。
仅适用于二项分布。
例子:“Ntrials”,
数据类型:单
|双
“亩”
- - - - - -位置参数
0(默认)|标量值
half-normal分布位置参数,指定为逗号分隔组成的“亩”
和一个标量值。
仅适用于half-normal分布。
例子:“亩”,1
数据类型:单
|双
“选项”
- - - - - -拟合的算法控制参数
结构
合适的算法控制参数,指定为逗号分隔组成的“选项”
和一个返回的结构statset
。
没有适用于所有发行版。
使用“选项”
名称-值对参数控制最大似然的细节优化,当安装一个定制的分布。参数名称和默认值类型statset (“mlecustom”)
。你可以设置的选项下一个新的名字并使用名称-值对的论点。大中型企业
解释以下statset
自定义参数分布拟合。
参数 | 价值 |
---|---|
“GradObj” |
默认是
|
“DerivStep” |
默认是 的相对差异,指定为一个标量或矢量大小一样
|
“FunValCheck” |
默认是
一个贫穷的选择有时会导致这些函数返回起点 |
“TolBnd” |
默认是 当使用一个偏移量低和上界
|
例子:“选项”,statset (“mlecustom”)
数据类型:结构体
下界的
- - - - - -下界的分布参数
——∞(默认)|向量
下界的分布参数,指定为逗号分隔组成的下界的
和一个向量大小一样开始
。
这个名称-值对论证是有效的只有当你使用pdf
和提供
,logpdf
和logcdf
,或nloglf
输入参数。
例子:下界,0
数据类型:单
|双
输出参数
更多关于
生存函数
生存的生存函数的概率作为时间的函数。它也被称为幸存者函数。它给个人的生存时间的概率超过一定值。自从累积分布函数,F(t),的概率是生存时间小于或等于给定的时间点上,生存函数连续分布,年代(t),是补的累积分布函数:年代(t)= 1 -F(t)。
提示
当你供应分布函数,大中型企业
计算参数估计使用迭代算法最大化。一些模型和数据,会导致糟糕的选择起点大中型企业
收敛于局部最优,不是全球达到极大,或未能完全收敛。即使在情况下的对数似是全球最大附近很乖的,起点的选择往往是算法的收敛的关键。特别是,如果初始参数值远离ml下溢的分布函数会导致无限对数似。
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。