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 $$c$$和 $$k$$第十二毛刺类型的分布是3.7898和3.5722,分别。

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。

加载示例数据。

负载(“readmissiontimes.mat”);

数据包括ReadmissionTime100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

加载示例数据。

负载(“readmissiontimes.mat”);

数据包括ReadmissionTime100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。

加载示例数据。

负载(“readmissiontimes.mat”)

数据包括ReadmissionTime100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

产生100从二项分布的随机观测试验, $$n$$= 20,成功的概率, $$p$$= 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。

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。

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。

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 $$1/\mathrm{年代}$$因素相应的数据 $$\mathrm{年代}$$。

(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。