matlab去中心化方法标准正态法
㈠ 用两种方法使用MATLAB画出一维标准正态的分布密度函数图，并计算标准正态的分布密度函数在 x=3的值..
% 方法1
y = @(x) normpdf(x,0,1)
ezplot(y)
% 方法2
x=[-10:0.01:10];
y=normpdf(x,0,1); %正态分布函数。
figure;
axes1=axes('Pos',[0.1 0.1 0.85 0.85]);
plot(x,y);
set(axes1,'YLim',[-0.01 0.43],'XLim',[-3 3]);
% 标准正态的分布密度函数在 x=3的值
y = @(x) normpdf(x,0,1)
y(3)
..................
http://..com/question/348638889.html
http://..com/question/348923997.html#here
㈡ 如何在MATLAB中进行正态分布检验
正态性检验有两种，看样本大小，小于50可以使用SW检验，大于50可以使用KS检验，但是50这个标准并不固定，因为学术上并没有固定好标准。你也可以结合两个检验结果进行判断即可。另外个人建议你可以使用傻瓜化的数据分析软件SPSSAU进行分析，里面直接就出来这样的结果，拖拽下就好了，不用写代码，而且有自动化文字分析，非常智能。
㈢ 急！！！怎么用matlab把一组数据拟合成正态分布
data=[...];[a b]=normfit(data)
用上面语句即可。
㈣ 如何matlab取正态分布随机数
运用normrnd函数。
1. R＝normrnd(MU,SIGMA)：生成服从正态分布(MU参数代表均值，SIGMA参数代表标准差)的随机数。输入的向量或矩阵MU和SIGMA必须形式相同，输出R也和它们形式相同。标量输入将被扩展成和其它输入具有相同维数的矩阵。
2. R＝normrnd(MU,SIGMA,m,n)： 生成m×n形式的正态分布的随机数矩阵。
实例：生成均值为0，标准差为1的2*2正态分布随机矩阵。
拓展说明：
matlab中还有个函数randn，可以产生均值为0，方差σ^2 = 1，标准差σ = 1的正态分布的随机数或矩阵。
Y = randn(n）返回一个n*n的随机项的矩阵;
Y = randn(m,n) 或 Y = randn([m n])：返回一个m*n的随机项矩阵。
㈤ 急~~~~标准正态分布的Q函数用 matlab 怎么写
Matlab中本身有Q函数，即qfunc() 其反函数是qfuncinv()
--------------------------------
help qfunc
qfunc
Q function
Syntax
y = qfunc(x)
Description
y = qfunc(x) is one minus the cumulative distribution function of the standardized normal random variable, evaluated at each element of the real array x. For a scalar x, the formula is
The Q function is related to the complementary error function, erfc, according to
Examples
The example below computes the Q function on a matrix, element by element.
x = [0 1 2; 3 4 5];
format short e % Switch to floating point format for displays.
y = qfunc(x)
format % Return to default format for displays.
The output is below.
y =
5.0000e-001 1.5866e-001 2.2750e-002
1.3499e-003 3.1671e-005 2.8665e-007
--------------------------------------------
help qfuncinv
qfuncinv
Inverse Q function
Syntax
y = qfuncinv(x)
Description
y = qfuncinv(x) returns the argument of the Q function at which the Q function's value is x. The input x must be a real array with elements between 0 and 1, inclusive.
For a scalar x, the Q function is one minus the cumulative distribution function of the standardized normal random variable, evaluated at x. The Q function is defined as
The Q function is related to the complementary error function, erfc, according to
Examples
The example below illustrates the inverse relationship between qfunc and qfuncinv.
x1 = [0 1 2; 3 4 5];
y1 = qfuncinv(qfunc(x1)) % Invert qfunc to recover x1.
x2 = 0:.2:1;
y2 = qfunc(qfuncinv(x2)) % Invert qfuncinv to recover x2.
The output is below.
y1 =
0 1 2
3 4 5
y2 =
0 0.2000 0.4000 0.6000 0.8000 1.0000
㈥ matlab求解标准正态分布函数的值，是哪个函数
求概率密度值是 normpdf(x,mu,sigma),缺省为标准正态分布
从概率密度反查临界值是 norminv(P,mu,sigma)
㈦ 怎么用《matlab》验证正态分布,并给出正态分布的表达式
分布的正太性检验：
x为你要检验的数据。
load x
histfit(x);
normplot(x);
从这两个图中可以看出是否近似服从正太分布。
然后估计参数：
[muhat,sigmahat,muci,sigmaci]=normfit(x);
muhat , sigmahat,muci,sigmaci 分别表示均值、方差、均值的0.95置信区间、方差0.95置信区间。
现在可以用t检验法对其进行检验：
现在在方差未知的情况下，检验均值是否为mahat；
[h,sig,ci]=ttest(x,muhat);
其中h为布尔变量，h=0表示不拒绝零假设，说明均值为mahat的假设合理。若h=1则相反；
ci表示0.95的置信区间。
sig若比0.5大则不能拒绝零假设，否则相反。
㈧ 怎么用matlab验证正态分布,并给出正态分布的表达式
分布的正太性检验：
x为你要检验的数据。
load x
histfit(x);
normplot(x);
从这两个图中可以看出是否近似服从正太分布。
然后估计参数：
[muhat,sigmahat,muci,sigmaci]=normfit(x);
muhat , sigmahat,muci,sigmaci 分别表示均值、方差、均值的0.95置信区间、方差0.95置信区间。
现在可以用t检验法对其进行检验：
现在在方差未知的情况下，检验均值是否为mahat；
[h,sig,ci]=ttest(x,muhat);
其中h为布尔变量，h=0表示不拒绝零假设，说明均值为mahat的假设合理。若h=1则相反；
ci表示0.95的置信区间。
sig若比0.5大则不能拒绝零假设，否则相反。
㈨ 如何在MATLAB中进行正态分布检验
可以用JB( Jarque-Bera)检验, 即 h=jbtest(x)
例:
>> x=normrnd(0,1,1,100);
>> jbtest(x)
ans =
0
(正态分布)
>> x = rand(1,100);
>> jbtest(x)
ans =
1
(非正态分布)
㈩ 用matlab怎么求正态分布概率
用matlab求正态分布概率的函数是normpdf，使用格式为
Y = normpdf(X,mu,sigma)
mu——均值μ
sigma——标准偏差σ