normal + lognormal
- matlab命令
正态分布
[μ,σ]=normfit(x)\mu, \sigma]=normfit(x) \quadμ,σ]=normfit(x) %数据x来拟合正态分布,get分布参数
[μ,σ\mu, \sigmaμ,σ,,muCI,sigmaCI]=normfit(x,α)],muCI,sigmaCI] = normfit(x,\alpha) ] \quad,muCI,sigmaCI]=normfit(x,α)] %α\alphaα分位点,默认0.5
p=normcdf(x,μ,σ)p=normcdf(x,\mu, \sigma) \quadp=normcdf(x,μ,σ) %CDF得到p∈[0,1]p\in[0,1]p∈[0,1]
对数正态分布
r=lognrnd(mu,sigma,sz1,...,szN)r = lognrnd(mu,sigma,sz1,...,szN)r=lognrnd(mu,sigma,sz1,...,szN) %generate随机数
pHat=lognfit(x)pHat = lognfit(x)\quadpHat=lognfit(x) % pHat(1)pHat(1)pHat(1) 是参数μ\muμ, pHat(2)是参数σ\sigmaσ
[pHat,pCI]=lognfit(x)[pHat,pCI] = lognfit(x)\quad[pHat,pCI]=lognfit(x) %数据x,代表横坐标范围
[pHat,pCI]=lognfit(x,α)[pHat,pCI] = lognfit(x,\alpha)[pHat,pCI]=lognfit(x,α)
对数正态分布\textbf{对数正态分布}对数正态分布
两个parameters:μ,σ;\mu, \sigma; \quadμ,σ; 也称为 logrithmic的mean, std
均值与方差:m, v
联系:
m=eμ+σ22m=e^{\mu+\frac{\sigma^2}{2}}m=eμ+2σ2
v=e2μ+σ2(eσ2−1)v=e^{2\mu+\sigma^2}(e^{\sigma^2}-1)v=e2μ+σ2(eσ2−1)
附录:
(如果已知均值与方差之 m, v,可反推parameters μ,σ\mu, \sigmaμ,σ )
μ=lnm2v+m2\mu=\ln \frac{m^2}{\sqrt{v+m^2}}μ=lnv+m2m2
σ=lnvm2+1\sigma=\sqrt{\ln \frac{v}{m^2}+1}σ=lnm2v+1
- 计算
Assume r.v X~N(μ,σ2\mu, \sigma^2μ,σ2),可得到CDF中点(x已知‘=μ正态分布‘,0.5)(x_{已知}`=\mu_{正态分布}`, 0.5)(x已知‘=μ正态分布‘,0.5),纵坐标代表分位点;
如果希望再假设X~logN
则assumer.v X~logN(μ,σ\mu, \sigmaμ,σ),%parameters
3.1
为了s.t.同一组数据,两种不同分布拟合的0.5分位点重合,有:
p(XlogN≤x已知)=0.5p(X_{logN}\leq x_{已知})=0.5p(XlogN≤x已知)=0.5
Φ(ln(x已知)−μlogNσ)=0.5\Phi(\frac{\ln(x_{已知})-\mu_{logN}}{\sigma})=0.5 \quadΦ(σln(x已知)−μlogN)=0.5 %此时ln(x)~Normal dist
再结合正态分布拟合时测量点之CDF中点
(x已知,0.5)(x_{已知}, 0.5)(x已知,0.5)
查表,空号内=0=0=0,即 ln(x已知)−μlogN=0{ \ln (x_{已知})-\mu_{logN}=0}ln(x已知)−μlogN=0,得到待求参数μlogN=ln(x已知)\mu_{logN}= \ln (x_{已知})μlogN=ln(x已知)
3.2
标准差之sigmasigmasigma=定义初始值,再改变即可
normal + lognormal相关推荐
- 【Dakota】03 手册笔记
6.14用户手册 输入文件 变量 变量类型 design : 用于优化和率定 uncertain : 用于不确定性量化和灵敏度分析 state : 固定不变 continuous : 连续 discr ...
- pytorch中的所有随机数(normal、rand、randn、randint、randperm) 以及 随机数种子(seed、manual_seed、initial_seed)
torch的所有随机数官方已经整理在torch - PyTorch 1.10.0 documentation这个页面了,我又重新整理到了本blog中,用中文进行了部分解释,方便理解. 一.常用的 1. ...
- pytorch系列 -- 9 pytorch nn.init 中实现的初始化函数 uniform, normal, const, Xavier, He initialization...
本文内容: 1. Xavier 初始化 2. nn.init 中各种初始化函数 3. He 初始化 torch.init https://pytorch.org/docs/stable/nn.html ...
- Oracle开发:normal ,sysdba,sysoper区别
Oracle将用户分成两类:[system]和[sys] [system]用户只能用normal身份登陆em.(可以看成公司的普通成员) [sys]用户具有"SYSDBA"(可以看 ...
- (曲率系列2:)Paper6:Curvature Estimation of 3D Point Cloud Surfaces Through the Fitting of Normal
文献下载链接:https://download.csdn.net/download/m0_37957160/12919965 简单说明原理就是:用一个点邻域内点的法向量计算该点的法曲率,根据欧拉公式得 ...
- Pcl:Normal的定义结构及输出
1. pcl::Normal在pcl官网中的定义 /*brief A point structure representing normal coordinates and the surface ...
- mysql单列索引和多列索引_mysql索引类型 normal, unique, full text
问题1:mysql索引类型normal,unique,full text的区别是什么? normal:表示普通索引 unique:表示唯一的,不允许重复的索引,如果该字段信息保证不会重复例如身份证号用 ...
- npm should be run outside of the Node.js REPL, in your normal shell
错误: npm should be run outside of the Node.js REPL, in your normal shell 在搭建vue环境时报错, 设置缓存文件夹 npm con ...
- mysql complete_mysql 无意重启 [Note] /usr/sbin/mysqld: Normal shutdown
情况: 今早发现,昨天下午安装的4台mysql服务器,突然出现,由于在shell窗口 (root@localhost:mysql.sock) [(none)]> 190102 18:12:16 ...
最新文章
- 如何在超大分辨率的图片中检测目标?
- oracle中lock的解释
- Eclipse使用技巧收集
- java txtreader_一个简单的Java读写文件例子
- 直播 | 腾讯天衍实验室张子恒:详细解读天衍实验室知识图谱对齐技术
- 关于相对布局RelativeLayout的各种属性介绍
- 大数据量下高并发同步的讲解(不看,保证你后悔!)
- 依赖倒置原则_面向对象的设计原则你不要了解一下么?
- 我的第九个java程序--spring和mybatis整合(java project)
- induced pluripotent stem cell (iPSC) 诱导性多能干细胞
- 【从线性回归到BP神经网络】第二部分:线性回归
- 文件路径的正斜杠(/)与反斜杠(\)
- Typora下载及使用
- 电子元件识别 测量
- 王思聪喜欢的女生类型是这样的?
- 微型计算机的安装步骤,技嘉微型电脑BRIX BSi3H-6100黑苹果安装详细教程
- 基于matlab的频率特性测试仪,基于虚拟仪器的网络频率特性测试仪
- 帝国时代3手机单机版java_帝国时代3手游单机版
- 《求医不如求己》1,2,3全集下载(附人体穴位图)
- Dev C++的下载和使用