matlab生成二维高斯分布
x = -5:0.1:5;
y = -5:0.1:5;
[X,Y] = meshgrid(x,y); %[X,Y] = meshgrid(x,y) transforms the domain specified by vectors x
and y into arrays X and Y
Z = exp(-X.^2-Y.^2); %生成二维高斯分布
surf(X,Y,Z);
matlab拟合工具箱的使用
matlab拟合工具箱使用 2011-06-17 12:53 1.打开CFTOOL工具箱。在Matlab 6.5以上的环境下，在左下方有一个"Start"按钮，如同Windows的开始菜单，点开它，在目录"Toolboxes"下有一个"Curve Fitting"，点开"Curve Fitting Tool"，出现数据拟合工具界面，基本上所有的数据拟合和回归分析都可以在这里进行。也可以在命令窗口中直接输入”cftool”，打开工具箱。 2.输入两组向量x，y。 首先在Matlab的命令行输入两个向量，一个向量是你要的x坐标的各个数据，另外一个是你要的y坐标的各个数据。输入以后假定叫x向量和y向量，可以在workspace里面看见这两个向量，要确保这两个向量的元素数一致，如果不一致的话是不能在工具箱里面进行拟合的。 例如在命令行里输入下列数据: x = [196,186, 137, 136, 122, 122, 71, 71, 70, 33]; y=[0.012605,0.013115,0.016866,0.014741,0.022353,0.019278,0.041803,0.0 38026,0.038128,0.088196]; 3.数据的选取。打开曲线拟合共工具界面，点击最左边的"Data..."按钮，出现一个Data对话框，在Data Sets页面里，在X Data选项中选取x向量，Y Data 选项中选取y向量，如果两个向量的元素数相同，那么Create data set按钮就激活了，此时点击它，生成一个数据组，显示在下方Data Sets列表框中。关闭Data对话框。此时Curve Fitting Tool窗口中显示出这一数据组的散点分布图。
分布的拟合与检验的matlab实现
%-------------------------------------------------------------------------- % 分布的拟合与检验 %-------------------------------------------------------------------------- %-------------------------------------------------------------------------- % 描述性统计量和统计图 %-------------------------------------------------------------------------- %读取文件中数据 % 读取文件examp02_14.xls的第1个工作表中的G2G52中的数据，即总成绩数据score = xlsread('examp02_14.xls','Sheet1','G2G52'); % 去掉总成绩中的0，即缺考成绩 score = score(score 0); %计算描述性统计量 score_mean = mean(score) % 计算平均成绩 s1 = std(score) % 计算(5.1)式的标准差 s1 = std(score,0) % 也是计算(5.1)式的标准差 s2 = std(score,1) % 计算(5.2)式的标准差 score_max = max(score) % 计算样本最大值 score_min = min(score) % 计算样本最小值 score_range = range(score) % 计算样本极差 score_median = median(score) % 计算样本中位数 score_mode = mode(score) % 计算样本众数 score_cvar = std(score)mean(score) % 计算变异系数 score_skewness = skewness(score) % 计算样本偏度 score_kurtosis = kurtosis(score) % 计算样本峰度 %绘制箱线图 figure; % 新建图形窗口 boxlabel = {'考试成绩箱线图'}; % 箱线图的标签 % 绘制带有刻槽的水平箱线图 boxplot(score,boxlabel,'notch','on','orientation','horizontal')
MATLAB中的曲线拟合与插值
MATLAB中的曲线拟合和插值 在大量的使用领域中，人们经常面临用一个分析函数描述数据（通常是测量值）的任务。对这个问题有两种方法。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。图11.1说明了这两种 方法。标有’0'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。 11.1 曲线拟合 曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用 许多不同的方法定义最佳拟合，并存在无穷数目的曲线。所以，从这里开始，我们走向何方？正如它证实的那样， 当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的。数 学上，称为多项式的最小二乘曲线拟合。如果这种描述使你混淆，再研究图11.1。虚线和标志的数据点之间的垂直距离是在该点的 误差。对各数据点距离求平方，并把平方距离全加起来，就是误差平方和。这条虚线是使 误差平方和尽可能小的曲线，即是最佳拟合。最小二乘这个术语仅仅是使误差平方和最小的省略说法。 图11.1 2阶曲线拟合 在MATLAB中，函数polyfit求解最小二乘曲线拟合问题。为了阐述这个函数的用法， 让我们以上面图11.1中的数据开始。 ? x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1]; ? y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; 为了用polyfit，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的 阶次或度。如果我们选择n=1作为阶次，得到最简单的线性近似。通常称为线性回归。相反，如果我们选择n=2 作为阶次，得到一个2阶多项式。现在，我们选择一个2阶多项式。 ? n=2; % polyno mial order ? p=polyfit(x, y, n)
matlab中插值拟合与查表
MATLAB中的插值、拟合与查表 插值法是实用的数值方法，是函数逼近的重要方法。在生产和科学实验中，自变量x与因变量y的函数y = f(x)的关系式有时不能直接写出表达式，而只能得到函数在若干个点的函数值或导数值。当要求知道观测点之外的函数值时，需要估计函数值在该点的值。 如何根据观测点的值，构造一个比较简单的函数y=φ(x)，使函数在观测点的值等于已知的数值或导数值。用简单函数y=φ(x)在点x处的值来估计未知函数y=f(x)在x点的值。寻找这样的函数φ(x)，办法是很多的。φ(x)可以是一个代数多项式，或是三角多项式，也可以是有理分式；φ(x)可以是任意光滑（任意阶导数连续）的函数或是分段函数。函数类的不同，自然地有不同的逼近效果。在许多应用中，通常要用一个解析函数（一、二元函数）来描述观测数据。 根据测量数据的类型： 1．测量值是准确的，没有误差。 2．测量值与真实值有误差。 这时对应地有两种处理观测数据方法： 1．插值或曲线拟合。 2．回归分析（假定数据测量是精确时，一般用插值法，否则用曲线拟合）。 MATLAB中提供了众多的数据处理命令。有插值命令，有拟合命令，有查表命令。 2.2.1 插值命令 命令1 interp1 功能一维数据插值（表格查找）。该命令对数据点之间计算内插值。它找出一元函数f(x)在中间点的数值。其中函数f(x)由所给数据决定。各个参量之间的关系示意图为图2-14。 格式 yi = interp1(x,Y,xi) %返回插值向量yi，每一元素对应于参量xi，同时由向量x 与Y的内插值决定。参量x指定数据Y的点。若Y为一矩阵，则按Y的每列计算。yi是阶数为length(xi)*size(Y,2)的输出矩阵。 yi = interp1(Y,xi) %假定x=1:N，其中N为向量Y的长度，或者为矩阵Y的行数。 yi = interp1(x,Y,xi,method) %用指定的算法计算插值： ’nearest’：最近邻点插值，直接完成计算；