paramci

概率分布参数的置信区间

折叠所有页面

语法

ci = paramci (pd)

ci = paramci (pd、名称、值)

ci= paramci (pd）返回的数组ci包含概率分布中每个参数的95%置信区间的上下限pd．

ci= paramci (pd，名称,值）返回带有由一个或多个名称-值对参数指定的附加选项的置信区间。例如，您可以为置信区间指定不同的百分比，或者只计算选定参数的置信区间。

打开生活的脚本

加载示例数据。创建一个包含学生考试成绩数据第一列的向量。

负载examgradesx =成绩(:1);

对数据拟合一个正态分布对象。

pd = fitdist (x,“正常”）

正态分布mu = 75.0083 [73.4321, 76.5846] sigma = 8.7202 [7.7391, 9.98843]

参数估计旁边的区间是分布参数的95%置信区间。

你也可以使用这个函数来获得这些区间paramci．

ci = paramci (pd)

ci =2×273.4321 7.7391 76.5846 9.9884

第一列的ci包含mu参数的上下95%置信区间边界，第二列包含sigma参数的边界。

打开生活的脚本

加载示例数据。创建一个包含学生考试成绩数据第一列的向量。

负载examgradesx =成绩(:1);

对数据拟合一个正态分布对象。

pd = fitdist (x,“正常”）

正态分布mu = 75.0083 [73.4321, 76.5846] sigma = 8.7202 [7.7391, 9.98843]

计算分布参数的99%置信区间。

ci = paramci (pd,“α”. 01)

ci =2×27.4627 77.0922 10.4403

第一列的ci包含mu参数的上、下99%置信区间边界，第二列包含sigma参数的边界。

概率分布，指定为使用下列方法之一创建的概率分布对象。

功能或应用程序	描述
`makedist`	使用指定的参数值创建一个概率分布对象。
`fitdist`	拟合一个概率分布对象到样本数据。
分布更健康	使用交互式distribution Fitter应用程序拟合样本数据的概率分布，并将拟合对象导出到工作空间。

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“阿尔法”,0.01指定99%的置信区间。

置信区间的显著性级别，指定为逗号分隔的对，由“α”和范围(0,1)的标量值。的置信水平ci是100(1α)%．默认值０．０５对应于95%置信区间。

例子:“阿尔法”,0.01

数据类型:单|双

要计算置信区间的参数列表，指定为逗号分隔的对，由“参数”以及包含参数名称的字符向量、字符串数组或字符向量单元格数组。默认情况下,paramci计算所有分布参数的置信区间。

例子:“参数”,“亩”

数据类型:字符|字符串|细胞

置信区间的计算方法，指定为由逗号分隔的对组成“类型”和“准确”，“瓦尔德”,或“lr”．

“准确”使用精确方法计算置信区间，并可用于以下分布。

分布	计算方法
二项	使用基于精确概率计算的克洛珀-皮尔森方法计算。这种方法不能提供准确的覆盖概率。
指数	使用基于卡方分布的方法进行计算。这种方法为完整的和2型截尾样品提供了精确的覆盖范围。
正常的	基于t而非截尾数样本的卡方分布为非截尾数样本提供了精确的覆盖范围。审查样品,`paramci`使用Wald方法`类型`是`确切的`．
对数正态	基于t而未删减样本的卡方分布提供了准确的覆盖范围。审查样品,`paramci`使用Wald方法`类型`是`确切的`．
泊松	基于卡方分布的计算方法提供了精确的覆盖范围。对于大自由度，卡方近似为数值效率的正态分布。
瑞利	基于卡方分布的计算方法提供了精确的覆盖概率。