1.normpdf
功能：正态分布概率密度函数
用法
Y = normpdf(X,mu,sigma) Y = normpdf(X) % (mu = 0, sigma = 1) Y = normpdf(X,mu) % (sigma = 1) 例子
% code1 % 画标准正态分布概率密度函数 x = -10:0.01:10; y = normpdf(x, 0, 1); plot(x,y); grid on; 结果：
自己写一个正态分布概率密度函数
% code2 % 画正态分布概率密度函数 % 写成了函数 function [] = normal_distribution() x = -10:0.01:10; y = fx(x, 0, 1); % 自写函数 plot(x,y); grid on; % 概率密度函数 function f = fx(x, miu, sig) f = (sqrt(2*pi)*sig).^(-1) * exp(-(x-miu).^2/(2*sig*sig)); 结果：
2.normcdf
功能：正态分布函数
用法
p = normcdf(x) % 标准正态分布 p = normcdf(x,mu,sigma) 例子
% code3 % 画正态分布函数 x = -10:0.01:10; y = normcdf(x, 0, 1); plot(x,y); grid on; 结果：
3.norminv
功能：正态分布分位数
用法
X = norminv(P,mu,sigma) 例子
norminv(1-0.05,0,1) 结果：1.6449
4.normrnd
功能：生成正态随机数
用法：
R = normrnd(mu,sigma) % 生成一个数 R = normrnd(mu,sigma,m,n,...) % 生成m*n列向量 例子：
>> normrnd(0,1) ans = 1.4122 >> normrnd(0,1,5,3) ans = 0.0226 0.9199 -0.7777 -0.0479 0.1498 0.5667 1.7013 1.4049 -1.3826 -0.5097 1.0341 0.2445 -0.0029 0.2916 0.8084 5.normfit
功能：正态分布参数估计
用法
[muhat,sigmahat] = normfit(data) % 点估计mu和sigma [muhat,sigmahat,muci,sigmaci] = normfit(data) % 区间估计，默认置信度95% [muhat,sigmahat,muci,sigmaci] = normfit(data,alpha) % 置信度100(1 - alpha) % 例子：
>> r=normrnd(0,1,100,2); % 生成100*2和标准正态分布 >> [muhat,sigmahat] = normfit(r) % 点估计mu和sigma muhat = -0.1214 -0.1076 sigmahat = 0.9723 1.0072 >> [muhat,sigmahat,muci,sigmaci] = normfit(r) % 区间估计，默认置信度95% muhat = % 点估计 -0.1214 -0.1076 sigmahat = 0.9723 1.0072 muci = -0.3143 -0.3074 0.0715 0.0923 sigmaci = % 区间估计 0.8537 0.8843 1.1295 1.1701 >> [muhat,sigmahat,muci,sigmaci] = normfit(r,0.05) % 置信度100(1 - alpha) % muhat = % 点估计 -0.1214 -0.1076 sigmahat = 0.9723 1.0072 muci = % 区间估计 -0.3143 -0.3074 0.0715 0.0923 sigmaci = 0.8537 0.8843 1.1295 1.1701 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/199180.html原文链接：https://javaforall.net
