lognfit
对数正态参数估计
语法
parmhat = lognfit(数据)
[parmhat, parmci] = lognfit(数据)
[parmhat, parmci] = lognfit(数据、α)
[…]= lognfit(数据、α审查)
[…)= lognfit(数据、α、审查、频率)
[…]= lognfit(数据、α、审查、频率、期权)
描述
parmhat = lognfit(数据)
返回一个向量的最大似然估计parmhat(1) =μ
和parmhat(2) =σ
对数正态分布拟合的参数数据
。μ
和σ
平均值和标准偏差,分别相关的正态分布。
[parmhat, parmci] = lognfit(数据)
返回参数的置信区间估计的95%μ
和σ
在2×2矩阵parmci
。矩阵的第一列包含参数的上下信心边界μ
,第二列包含参数的置信界限σ
。
[parmhat, parmci] = lognfit(数据、α)
返回(1 - 100α
)%的参数置信区间估计,α
是一个值的范围(0 - 1)
指定置信区间的宽度。默认情况下,α
是0.05
对应于95%置信区间。
[…]= lognfit(数据、α审查)
接受一个布尔向量审查
相同的大小数据
,也就是1的观测right-censored和0的观察观察。
[…)= lognfit(数据、α、审查、频率)
接受一个频率向量,频率
相同的大小数据
。通常情况下,频率
包含整数频率对应的元素数据
,但可以包含任何非负价值。通过[]
为α
,审查
,或频率
使用默认值。
[…]= lognfit(数据、α、审查、频率、期权)
接受一个结构,选项
,指定控制参数的迭代算法计算极大似然估计的函数使用时审查。对数正态函数接受一个适合选项
结构,可以使用函数创建statset
。输入statset (“lognfit”)
的名称和默认值的参数lognfit
接受的选项
结构。看到页面的引用statset
关于这些选项的更多信息。
请注意
没有审查,lognfit
计算σ
使用根方差的无偏估计量。审查,σ
最大似然估计。
例子
这个示例中生成100个独立的对数正态分布的样本数据与µ= 0和σ= 3。parmhat
估计µ和σparmci
有99%的置信区间parmhat
。请注意,parmci
包含µ的真实值和σ。
data = lognrnd (0, 3100, (1);[parmhat, parmci] = lognfit(数据,0.01)parmhat parmci = = -0.2480 2.8902 -1.0071 2.4393 0.5111 3.5262