转自:http://blog.csdn.net/colddie/article/details/7773278

函数名称

函数说明

调用格式

正态总体的参数检验

ztest

单样本均值的z检验

(总体服从正态分布)

[h,sig,ci,zval] = ztest(x,mu0,sigma,alpha,tail)

ttest

单样本均值t检验

(总体服从正态分布)

[h,sig,ci,tval] = ttest(x,mu0,alpha,tail)

ttest2

双样本均值差t检验

(两个总体均服从正态分布)

[h,sig,ci,tval] = ttest2(x,y,alpha,tail)

jbtest

单样本正态分布Jarque-Bera检验

(H0: 样本来自正态分布)

[h,p,jbstat,cv]=jbtest(x,alpha)

lillietest

单样本正态分布Lilliefors检验

(H0: 样本来自正态分布)

[h,p,lstat,cv]= lillietest(x,alpha)

kstest

单样本分布的Kolmogorov-Smirnov检验

[h,p,ksstat,cv] = kstest(x,cdf,alpha,tail)

kstest2

双样本同分布Kolmogorov-Smirnov检验

(H0: 两样本来自同一连续分布)

h = kstest2(x1,x2,alpha,tail)

ranksum

双不匹配样本同分布Wilcoxon秩和检验

(H0: 两样本来自同一分布)

[p,h,stats] = ranksum(x,y,alpha)

绘图检验

normplot

单样本正态分布概率纸检验

(H0: 样本来自正态分布)

normplot(x)

qqplot

画双样本同分布检验的分位数—分位数图(简称qq图)

(H0: 两样本来自同一分布)

qqplot(x,y)

1、jbtest, lillietest与kstest的比较:

(1) jbtest与lillietest均是检验样本是否来自正态分布, 而kstest可检验样本来自任意指定的分布;

(2) jbtest是利用偏度峰度来检验, 适用于大样本; 而对于小样本, 则用lillietest来检验;

(3) lillietest与kstest的检验原理均是用x的经验分布函数与一个有相同均值与方差的正态分布的分布函数进行比较, 不同的是lisllietest中正态分布的参数是由x估计得来, 而kstest中正态分布的参数是事先指定的.

2、kstest2对应于斯米尔诺夫检验.

3、命令说明:

(1) [h,sig,ci,zval] = ztest(x,mu0,sigma,alpha,tail) 对已知方差的单个总体均值进行Z检验. 进行显著性水平为 的Z假设检验, 以检验标准差为 的正态分布样本的均值与 的关系. 并可通过指定tail的值来控制备择假设的类型. tail 的取值及表示意义如下:

tail=0 备择假设为  (缺省值);

tail=1备择假设为 ;

tail= -1备择假设为 .       (原假设则为 )

·输出变量含义:

h——如果h=0, 则接受 ; 如果h=1, 则拒绝 而接受备择假设 ;

sig——Z的观察值在 下较大或统计意义上较大的概率值;

ci——方差 未知时均值 的 的置信区间.

zval——Z统计量 的观测值.

·单边检验对应单侧区间估计.

(2) [h,sig,ci,tval] = ttest(x,mu0,alpha,tail) 格式调用中无“tval”这个输出变量, 但可加上此项.

tval——包含两个结果: tstat表示t统计量 的值; df表示t分布的自由度.

(3) [h,p,jbstat,cv] = jbtest(x,alpha) 对“单个总体服从正态分布(未指定均值和方差)”假设进行显著水平为 的Jarque-Bera检验. 此检验基于x的偏度与峰度. 对于真实的正态分布, 样本偏度应接近于0, 样本峰度应接近于3. Jarque-Bera检验通过 统计量来判定样本偏度和峰度是否与它们的期望值显著不同.

·输出变量含义:

h——如果h=0, 则接受“ : 认为x来自正态总体”; 如果h=1, 则接受备择假设“ : 认为x不是来自正态总体”;

p——检验的概率p-值;

jbstat——检验统计量的值;

cv——判断是否拒绝原假设的关键值.

(4) [h,p,ksstat,cv] = kstest(x,cdf,alpha,tail) 对“x的总体服从由两列矩阵cdf指定的分布G”假设进行显著水平为 的Kolmogorov-Smirnov检验. 矩阵cdf的第一列包含可能的x值, 第二列包含相应的理论累积分布函数值G(x0). 在可能的情况下, 应定义cdf使每一列包含x中的值. 如果cdf=[ ], kstest( )将使用标准正态分布.

(5) [h,p,ksstat] = kstest2(x,cdf,alpha,tail) 对“两个样本来自同一连续分布”假设进行显著水平为的Kolmogorov-Smirnov检验. 对于大容量的样本来说, p-值将很精确, 一般来说, 当样本容量N1和N2满足 时, p-值即可认为是精确的.

(6) normplot(x) 绘出x中数据的正态检验概率图. 如果x是一个矩阵, 则对每一列绘出一条线. 图中样本数据用符号‘+’来表示, 叠加在数据上的实线是数据的第一个与第三个四分位点之间的连线 (为样本顺序统计量的鲁棒线性拟合). 这条线延伸到样本数据的两端, 以便估计数据的线性度. 如果数据是来自一个正态分布,则‘+’线近似地在一直线上. 一般地, 中间的点离直线位置的偏差不能过大, 两头的点的偏差可以允许大一些. 当中间的点离直线位置偏差太大时, 就认为x来自其它分布.

(7) qqplot(x,y) 绘出两样本的分位数-分位数图. 图中样本数据用符号‘+’来表示, 叠加在数据上的实线是各分布的第一个与第三个四分位点之间的连线 (为两个样本顺序统计量的鲁棒线性拟合). 这条线延伸到样本数据的两端以便估计数据的线性度. 如果两个样本来源于同一个分布, 则‘+’线近似地在一直线上.

qqplot(x) 绘出样本x的分位数-正态分布的理论分位数图. 如x为正态分布, 则‘+’线近似地在一直线上.

【例3-1】(例3.4) 一台包装机装洗衣粉, 额定标准重量为500g, 根据以往经验, 包装机的实际装袋重量服从正态分布 , 其中 g, 为检验包装机工作是否正常, 随机抽取9袋, 称得洗衣粉净重数据如下 (单位: g):

497   506   518   524   488    517   510   515   516

若取显著性水平 , 问这包装机工作是否正常?

>> x=[497,506,518,524,488,517,510,515,516];

>> [h,sig,ci,zval]=ztest(x,500,15,0.01,0)

h =     0                          %接受

sig =    0.0432                         % 为真条件下P( )的值

ci =  497.2320  522.9903         % 未知时 的置信水平为0.95的双侧置信区间

zval =    2.0222                %Z统计量 的值.

所以认为包装机工作正常.

【例3-2】(例3.5) 某部门对当前市场的价格情况进行调查. 以鸡蛋为例, 所抽查的全省20个集市上, 售价分别为 (单位: 元/500克)

3.05,    3.31,    3.34,    3.82,    3.30,    3.16,    3.84,    3.10,    3.90,    3.18,

3.88,    3.22,    3.28,    3.34,    3.62,    3.28,    3.30,    3.22,    3.54,    3.30.

已知往年的平均售价一直稳定在3.25元/500克左右, 在显著性水平 下, 能否认为全省当前的鸡蛋售价明显高于往年?

>> x=[3.05,3.31,3.34,3.82,3.30,3.16,3.84,3.10,3.90,3.18,...

3.88,3.22,3.28,3.34,3.62,3.28,3.30,3.22,3.54,3.30];

>> [h,sig,ci,tval]=ttest(x,3.25,0.025,1)

h =     1

sig =    0.0114

ci =    3.2731       Inf

tval =     tstat: 2.4763       df: 19

所以认为全省当前的鸡蛋售价明显高于往年.

matlab 假设检验的更多相关文章

  1. MATLAB进行假设检验

    4.8.1  已知,单个正态总体的均值μ的假设检验(U检验法) 函数  ztest 格式  h = ztest(x,m,sigma)   % x为正态总体的样本,m为均值μ0,sigma为标准差,显著 ...

  2. MATLAB 成对T检验(paired-ttest)

    学过的统计知识忘光了,飞速恶补了一下能用到的,此篇多有错误今后看到再改= =||| 成对t检验(Paired ttest) 将两组测量值对应相减,再将所得差值看作服从正态分布的随机变量,然后再做关于差 ...

  3. MATLAB统计工具箱 转

    D:\Program Files\MATLAB\R2012b\toolbox\stats\stats MATLAB统计工具箱包括概率分布.方差分析.假设检验.分布检验.非参数检验.回归分析.判别分析. ...

  4. 用MATLAB做T检验(ttest)

    t-检验: t-检验,又称student‘s t-test,可以用于比较两组数据是否来自同一分布(可以用于比较两组数据的区分度),假设了数据的正态性,并反应两组数据的方差在统计上是否有显著差异. ma ...

  5. Matlab与数学建模

    一.学习目标. (1)了解Matlab与数学建模竞赛的关系. (2)掌握Matlab数学建模的第一个小实例—评估股票价值与风险. (3)掌握Matlab数学建模的回归算法. 二.实例演练. 1.谈谈你 ...

  6. [matlab工具箱] 神经网络Neural Net

    //目的是学习在BP神经网络的基础上添加遗传算法,蚁群算法等优化算法来优化网络,这是后话. 先简单了解了MATLAB中的神经网络工具箱,工具箱功能还是非常强大的,已经可以拟合出非常多的曲线来分析了. ...

  7. 数据质量、特征分析及一些MATLAB函数

    MATLAB数据分析工具箱 MATLAB工具箱主要含有的类别有: 数学类.统计与优化类.信号处理与通信类.控制系统设计与分析类.图像处理类.测试与测量类.计算金融类.计算生物类.并行计算类.数据库访问 ...

  8. Mathematica 和 MATLAB、Maple 并称为三大数学软件

    Mathematica是一款科学计算软件,很好地结合了数值和符号计算引擎.图形系统.编程语言.文本系统.和与其他应用程序的高级连接.很多功能在相应领域内处于世界领先地位,它也是使用最广泛的数学软件之一 ...

  9. Matlab 绘制三维立体图(以地质异常体为例)

    前言:在地球物理勘探,流体空间分布等多种场景中,定位空间点P(x,y,x)的物理属性值Q,并绘制三维空间分布图,对我们洞察空间场景有十分重要的意义. 1. 三维立体图的基本要件: 全空间网格化 网格节 ...

随机推荐

  1. request 对象和 response 对象

    Web服务器收到客户端的http请求,会针对每一次请求,分别创建一个用于代表请求的request对象.和代表响应的response对象 HttpServletResponse HttpServletR ...

  2. Ubuntu下的解压缩

    一. 命令: .tar 解包:tar xvf FileName.tar打包:tar cvf FileName.tar DirName(注:tar是打包,不是压缩!)———————————————.gz ...

  3. C#开发微信门户及应用(13)-使用地理位置扩展相关应用

    本文继续上一篇<C#开发微信门户及应用(12)-使用语音处理>,继续介绍微信的相关应用.我们知道,地理位置信息可以用来做很多相关的应用,除了我们可以知道用户所在的位置,还可以关联出一些地理 ...

  4. 随机数(random)

    需求 Random rd=new Random(); 需要十以内的随机数  (0---10) System.out.println((int)((rd.nextDouble()*100)/10)); ...

  5. Json CPP 中文支持与入门示例

    在每一个Json Cpp自带*.cpp文件头加上: #include "stdafx.h" 将Json Cpp对自带的头文件的引用修改为单引号方式,例如json_reader.cp ...

  6. ASP.NET MVC企业级实战目录

    电子书样稿 (关注最新进度,请加QQ群:161436236) ASP.NET MVC企业实战第1章 MVC开发前奏.pdf ASP.NET MVC企业实战第10章 站内搜索.pdf 已经好长一段时间没 ...

  7. java多态的理解

    面向对象语言中的类有三个特征,封装.继承.多态.封装与继承很好理解,那什么是多态呢? 1.什么是多态? 多态的定义:指允许不同类的对象对同一消息做出响应.即同一消息可以根据发送对象的不同而采用多种不同 ...

  8. JAVA的序列化和持久化的区别与联系

      持久化(Persistence) 即把数据(如内存中的对象)保存到可永久保存的存储设备中(如磁盘).持久化的主要应用是将内存中的对象存储在关系型的数据库中,当然也可以存储在磁盘文件中.XML数据文 ...

  9. Smart Tag——DevExpress WPF初探

    Smart Tag是一个设计时扩展,所有标准控件均自带这个功能,当然也包括 DevExpress WPF Controls .可以快速设置控件的值或者绑定最重要的属性.它还可以帮助你完成一些重复的工作 ...

  10. tableView显示第一个cell有偏移问题

    - (CGFloat)tableView:(UITableView *)tableView heightForHeaderInSection:(NSInteger)section { return 0 ...