MATLAB 标准差 均值
matlab标准差
matlab标准差
标准差是描述一组数据离散程度的统计量，它能够反映数据的波动程度和数据点与均值的偏离程度。在 MATLAB 中，我们可以使用内置函数来计算标准差，从而更好地理解数据的分布特征。
在 MATLAB 中，计算标准差的函数为 std，其语法格式为：
```matlab。
S = std(A, w, dim)。
```。
其中，A 表示输入的数据，w 表示权重向量（可选），dim 表示计算标准差的维度（可选）。如果不指定 w 和 dim，则函数默认计算 A 的所有元素的标准差。
下面，我们将通过一些示例来演示如何在 MATLAB 中计算标准差。
### 示例一，一维数据的标准差计算。
假设我们有一组一维数据 A，我们可以使用 std 函数来计算其标准差。比如：```matlab。
A = [1, 2, 3, 4, 5];
S = std(A);
```。
这样就可以得到数据 A 的标准差 S。
### 示例二，二维数据的标准差计算。
如果我们有一个矩阵 B，我们也可以使用 std 函数来计算其标准差。比如：
```matlab。
B = [1, 2, 3; 4, 5, 6; 7, 8, 9];
S = std(B, 0, 1);
```。
这里，我们指定了 dim 为 1，表示计算每一列数据的标准差。
### 示例三，加权标准差的计算。
有时候，我们可能需要对数据进行加权计算标准差。这时，我们可以指定权重向量 w，然后调用 std 函数来计算加权标准差。比如：
```matlab。
A = [1, 2, 3, 4, 5];
matlab 标准差函数
matlab 标准差函数
标准差是描述一组数据离散程度的统计量，它是数据偏离均值的平均距离。在Matlab中，我们可以使用std函数来计算一组数据的标准差。本文将详细介绍Matlab中标准差函数的使用方法，帮助读者更好地理解和应用这一函数。
首先，让我们来了解一下Matlab中标准差函数的基本语法。在Matlab中，计算一组数据的标准差非常简单，只需要使用std函数即可。其基本语法如下：```matlab。
S = std(A)。
```。
其中，A表示输入的数据，可以是向量、矩阵或多维数组；S表示计算得到的标准差值。在实际使用中，我们可以根据具体的数据类型和需求来灵活运用这一函数。
接下来，让我们通过一个具体的例子来演示标准差函数的使用方法。假设我们有一个包含10个数据的向量x，我们想要计算这组数据的标准差。我们可以按照以下步骤来实现：
```matlab。
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
S = std(x);
disp(S);
```。
运行以上代码，我们就可以得到向量x的标准差值。通过这个简单的例子，我们可以看到，在Matlab中使用标准差函数非常方便和高效。
除了计算一组数据的整体标准差之外，有时候我们还需要对数据进行分组计算
标准差。在Matlab中，我们可以使用std函数的另一种语法来实现这一目的。其语法如下：
```matlab。
S = std(A, w)。
```。
其中，A表示输入的数据，w表示权重向量。通过指定权重向量，我们可以实
现对数据的加权标准差计算。这为我们在实际应用中提供了更多的灵活性和选择空间。
matlab均值 标准差
matlab均值标准差
MATLAB均值和标准差。
在MATLAB中，均值和标准差是统计学中常用的两个概念，它们分别代表了
数据集的平均值和离散程度。在本文中，我们将介绍如何使用MATLAB计算均值
和标准差，并且通过实例演示它们在实际数据分析中的应用。
1. 均值的计算。
均值（mean）是一组数据的平均值，它可以用来描述数据的集中趋势。在MATLAB中，可以使用mean函数来计算一组数据的均值。例如，对于一个向量x，可以通过以下方式计算其均值：
```matlab。
m = mean(x);
```。
其中，m即为向量x的均值。如果想要计算矩阵的均值，可以指定计算的维度，例如计算每一列的均值：
```matlab。
m = mean(A, 1);
```。
这样可以得到一个包含每一列均值的向量m。
2. 标准差的计算。
标准差（standard deviation）是一组数据的离散程度的度量，它可以帮助我们了解数据的波动情况。在MATLAB中，可以使用std函数来计算一组数据的标准差。例如，对于一个向量x，可以通过以下方式计算其标准差：
```matlab。
s = std(x);
```。
其中，s即为向量x的标准差。同样地，如果想要计算矩阵的标准差，也可以指定计算的维度，例如计算每一列的标准差：
```matlab。
s = std(A, 1);
```。
这样可以得到一个包含每一列标准差的向量s。
3. 实例演示。
现在，让我们通过一个实例来演示均值和标准差在实际数据分析中的应用。假设我们有一组数据x，我们希望计算其均值和标准差，并且绘制出数据的直方图以观察数据的分布情况。我们可以通过以下MATLAB代码实现：
matlab 正态分布概率计算
正态分布是概率论和统计学中非常重要的分布之一。在实际的科学研究和工程应用中，经常需要对正态分布进行概率计算。Matlab作为一种功能强大的科学计算软件，提供了丰富的工具和函数用于正态分布的概率计算。本文将介绍在Matlab中进行正态分布概率计算的方法和步骤。
一、正态分布概率密度函数
正态分布的概率密度函数是
$$
f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-
\mu)^{2}}{2\sigma^2}}
$$
其中，$\mu$是均值，$\sigma$是标准差。
二、Matlab中生成正态分布随机数
在Matlab中，可以使用`randn`函数生成符合标准正态分布（均值为0，标准差为1）的随机数，也可以使用`normrnd`函数生成符合指定均值和标准差的正态分布随机数。生成均值为2，标准差为3的100个正态分布随机数的代码如下：
```matlab
data = normrnd(2, 3, 100, 1);
```
三、Matlab中计算正态分布的累积概率
在Matlab中，可以使用`normcdf`函数计算正态分布的累积概率。计算正态分布随机变量小于2的概率的代码如下：
```matlab
p = normcdf(2, 0, 1);
```
这将得到随机变量小于2的概率，即标准正态分布的累积概率。
四、Matlab中计算正态分布的百分位点
在Matlab中，可以使用`norminv`函数计算正态分布的百分位点。计算标准正态分布上侧5分位点的代码如下：
```matlab
x = norminv(0.95, 0, 1);
matlab 高斯随机数
matlab 高斯随机数
高斯随机数是一种常见的随机数生成方法，也被称为正态分布随机数。在matlab中，可以使用randn函数来生成高斯随机数。
randn函数的语法如下：
r = randn(n)
其中，n表示生成随机数的个数，r表示生成的随机数。
在生成高斯随机数时，需要指定均值和标准差。均值表示随机数的平均值，标准差表示随机数的离散程度。在matlab中，可以使用mean和std函数来计算均值和标准差。
下面是一个生成高斯随机数的示例代码：
n = 1000; % 生成1000个随机数
mu = 0; % 均值为0
sigma = 1; % 标准差为1
r = mu + sigma * randn(n, 1); % 生成高斯随机数
% 计算均值和标准差
m = mean(r);
s = std(r);
disp(['均值：', num2str(m)]);
disp(['标准差：', num2str(s)]);
运行上述代码，可以得到生成的1000个高斯随机数的均值和标准差。由于高斯随机数的分布是连续的，因此生成的随机数可能会有小数位。
高斯随机数在实际应用中有很多用途，例如在金融领域中用于模拟股票价格的波动，或者在信号处理中用于模拟噪声信号。在matlab 中，生成高斯随机数非常方便，可以帮助我们快速地进行模拟和实验。
高斯随机数是一种常见的随机数生成方法，matlab中的randn函数可以方便地生成高斯随机数。在实际应用中，高斯随机数有很多用途，可以帮助我们进行模拟和实验。
matlab标准差
matlab标准差
标准差（Standard Deviation）是描述一组数据离散程度的统计量，它能够衡量数据集合中各个数据与平均值之间的偏离程度。在Matlab中，我们可以利用现成的函数来计算标准差，也可以手动编写代码来实现标准差的计算。接下来，我将详细介绍在Matlab中如何计算标准差。
首先，我们来看一下Matlab中内置的计算标准差的函数。在Matlab中，可以使用std函数来计算一组数据的标准差。该函数的基本语法如下：
```matlab。
S = std(X)。
```。
其中，X是包含数据的向量或矩阵，S是计算得到的标准差。如果X是一个向量，则std函数将返回该向量的标准差；如果X是一个矩阵，则std函数将按列计算每一列数据的标准差，并返回一个包含每一列标准差的向量。
除了std函数，Matlab还提供了var函数用于计算方差。标准差和方差之间有着密切的关系，方差是标准差的平方。因此，我们也可以通过var函数来计算标准差，具体方法如下：
```matlab。
S = sqrt(var(X))。
```。
在这个公式中，var函数用于计算X的方差，然后再对结果取平方根，即可得到X的标准差。
除了使用内置函数，我们还可以手动编写代码来计算标准差。标准差的计算公
式如下：
```math。
S = sqrt(1/(N-1) Σ(xi x)²)。
```。
其中，N是数据的个数，xi是每个数据，x是数据的平均值，Σ表示对所有数
据进行求和。我们可以根据这个公式，编写一个简单的Matlab代码来计算标准差：```matlab。
matlab标准差
matlab标准差
标准差（Standard Deviation）是描述一组数据离散程度的统计量，它是各个数据与平均值之间的偏离程度的平均数。在 MATLAB 中，我们可以使用内置的函数来计算一组数据的标准差，下面我将详细介绍如何在 MATLAB 中使用标准差函数进行计算。
首先，我们需要准备一组数据，假设我们有一个包含 10 个元素的向量 x，我们可以通过以下代码来创建这个向量：
```matlab。
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
```。
接下来，我们可以使用 MATLAB 中的 std 函数来计算这组数据的标准差，代码如下：
```matlab。
std_dev = std(x);
```。
在这段代码中，std 函数会接受向量 x 作为输入，并返回这组数据的标准差，我们将结果保存在 std_dev 变量中。
除了计算整个向量的标准差之外，我们还可以指定计算某个维度上的标准差。假设我们有一个矩阵 A，我们可以通过以下代码来计算每一列数据的标准差：```matlab。
std_dev_col = std(A, 0, 1);
```。
在这段代码中，std 函数的第一个参数是输入的矩阵 A，第二个参数 0 表示我
们希望计算每一列数据的标准差，第三个参数 1 表示我们希望沿着第一个维度（即列维度）进行计算。
如果我们希望计算每一行数据的标准差，可以将第三个参数改为2，代码如下：```matlab。
std_dev_row = std(A, 0, 2);
```。
通过这样的操作，我们可以灵活地计算多维数据的标准差，以满足不同的需求。
matlab计算标准差的函数
matlab计算标准差的函数
MATLAB中计算标准差的函数为std。该函数用于计算一个向量或矩阵中各元素与其均值之差的平方和的平均数的平方根。
语法：
y = std(x) % 对x中所有元素计算标准差
y = std(x,w) % 对x中所有元素按权重w计算标准差
y = std(x,1) % 对x中每一列的元素计算列标准差
y = std(x,0) % 对x中每一行的元素计算行标准差
示例：
假设有一个向量v，需要计算它的标准差
v = [3, 7, 2, 8, 4];
std(v) % 输出为2.2913
假设有一个矩阵M，需要计算其每一列的标准差
M = [1 2 3; 4 5 6; 7 8 9];
std(M,1) % 输出为[2.4495, 2.4495, 2.4495]
假设有一个向量v和权重向量w，需要对v按权重w计算标准差
v = [3, 7, 2, 8, 4];
w = [1, 2, 3, 4, 5];
std(v,w) % 输出为2.6827
matlab拟合正态分布
matlab拟合正态分布
在Matlab中，拟合正态分布可以使用正态拟合函数normfit()，该函数可以帮助我们对数据进行正态分布拟合并返回其均值和标准差。此外，还可以使用拟合工具箱中的拟合函数fitdist()来拟合正态分布。
下面我将详细介绍如何使用这两种拟合方法。
1. normfit()函数
这个函数主要用于对已有数据进行正态拟合。假设我们有一组数据如下：
x = [1.2, 2.9, 3.5, 4.2, 5.1, 6.7, 8.3, 9.9];
接着，我们可以调用normfit()函数来进行拟合：
[mu, sigma] = normfit(x)
拟合结果会被保存在mu和sigma变量中。其中，mu表示拟合得到的正态分布的均值，sigma表示标准差。
如果需要自定义置信度，可以通过增加第三个参数来实现：
[mu, sigma, muci, sigmaci] = normfit(x, alpha)
其中，muci和sigmaci分别是均值和标准差的置信区间。
另外，如果需要查看拟合后的正态分布在数据中的图像，可以使用如下代码：
histfit(x)
其中，histfit()函数默认使用normfit()函数拟合数据。
2. fitdist()函数
该函数可用于拟合多种分布，包括正态分布。与normfit()函数不同，fitdist()函数需要先选择分布类型，之后再进行拟合。
例如，要使用正态分布拟合上文中的数据，可以使用如下代码：
pd = fitdist(x, 'Normal')
这里pd表示已经得到的正态分布对象。如果需要查看拟合效果，可以使用如下代码：
matlab拟合正态分布曲线
matlab拟合正态分布曲线
在统计学和数据分析领域中，正态分布是一种非常重要的概率分布。而在处理数据以及进行模拟和预测时，拟合正态分布曲线是一项常见
的任务。MATLAB作为一款强大的数学软件，提供了丰富的工具和函数，可以方便地进行正态分布曲线的拟合。
首先，在使用MATLAB进行正态分布拟合之前，我们需要先了解
正态分布的特点和参数。正态分布的概率密度函数可以用如下的数学
表达式表示：
f(x; μ, σ) = (1 / (σ * sqrt(2π))) * exp(-((x - μ)² / (2 * σ²)))
其中，μ为均值，σ为标准差。均值决定了正态分布的中心位置，
标准差则决定了分布的幅度和变化程度。
接下来，我们将具体介绍一下MATLAB中常用的正态分布拟合函
数和方法。
1. histfit函数
histfit函数是MATLAB中用于拟合数据并显示拟合结果的函数之一。它可以绘制数据的直方图，并拟合正态分布曲线，并将曲线添加到直
方图上。使用histfit函数非常简单，只需要将数据作为输入参数传入即可。
```matlab
data = [1.2, 2.3, 3.4, 4.5, 5.6, 6.7, 7.8, 8.9, 9.0];
histfit(data)
```
上述代码将给定的数据data进行正态分布拟合，并绘制直方图和拟合曲线。
2. fitdist函数
fitdist函数是MATLAB中用于对一组数据进行分布拟合的函数。通过fitdist函数可以选择不同的分布族进行拟合，包括正态分布、指数分布、伽玛分布等。对于正态分布的拟合，只需要指定分布类型为
MATLAB中均值、方差、均方差的计算方法
MATLAB中均值、⽅差、均⽅差的计算⽅法
MATLAB中均值、⽅差、均⽅差的计算⽅法
1、均值
数学定义：
Matlab函数：mean
>>X=[1,2,3]
>>mean(X)=2
如果X是⼀个矩阵，则其均值是⼀个向量组。mean(X,1)为列向量的均值，mean(X,2)为⾏向量的均值。
>>X=[1 2 3
4 5 6]
>>mean(X,1)=[2.5, 3.5, 4.5]
>>mean(X,2)=[2
5]
若要求整个矩阵的均值，则为mean(mean(X))。
>>mean(mean(X))=3.5
也可使⽤mean2函数：
>>mean2(X)=3.5
median，求⼀组数据的中值，⽤法与mean相同。
>>X=[1,2,9]
>>mean(X)=4
>>median(X)=2
2、⽅差
数学定义：
均⽅差：
Matlab 函数：var
要注意的是var函数所采⽤公式中，分母不是，⽽是。这是因为var函数实际上求的并不是⽅差，⽽是误差理论中“有限次测量数据的标准偏差的估计值”。
>>X=[1,2,3,4]
>>var(X)=1.6667
>> sum((X(1,:)-mean(X)).^2)/length(X)=1.2500
>> sum((X(1,:)-mean(X)).^2)/(length(X)-1)=1.6667
var没有求矩阵的⽅差功能，可使⽤std先求均⽅差，再平⽅得到⽅差。std，均⽅差，std(X,0,1)求列向量⽅差，std(X,0,2)求⾏向量⽅差。
matlab标准差函数
matlab标准差函数
Matlab标准差函数。
标准差是描述数据离散程度的一种统计量，它能够衡量数据集合中各个数据与平均值的偏离程度。在Matlab中，我们可以利用内置的函数来计算标准差，从而更好地理解数据的分布特征。本文将介绍Matlab中标准差函数的基本用法，并结合实例进行说明。
在Matlab中，计算标准差的函数为std，其基本语法格式为：
```matlab。
s = std(A)。
```。
其中，A为输入的数据集合，s为计算得到的标准差值。在实际使用中，我们还可以通过指定维度来计算多维数组的标准差，语法格式为：
```matlab。
s = std(A, dim)。
```。
其中，dim表示计算标准差的维度。接下来，我们将通过一个简单的实例来演示标准差函数的使用。
假设我们有一个包含10个数据的数组A，我们首先可以计算其平均值和标准差：
```matlab。
A = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10];
avg_A = mean(A);
std_A = std(A);
```。
通过上述代码，我们可以得到数组A的平均值avg_A和标准差
std_A。除了一维数组外，我们还可以计算多维数组的标准差，例如： ```matlab。
B = [1, 2, 3; 4, 5, 6; 7, 8, 9];
std_B = std(B, 0, 1);
```。
在上述代码中，我们计算了一个3x3的二维数组B在第一个维
度上的标准差，即每一列的标准差。通过指定dim参数，我们可以
灵活地计算多维数组的标准差，从而更好地理解数据的分布特征。
Matlab 标准差 均值
Matlab标准差std函数
std(x) 算出x的标准偏差。x可以是一行的matrix或者一个多行matrix矩阵；
如果只有一行，那么就是算一行的标准偏差，如果有多行，就是算每一列的标准偏差。
std（x，a）也是x的标准偏差但是a可以＝0或者1.如果是0和前面没有区别，如果是1就是最后除以n，而不是n－1. （你参考计算标准偏差的公式，一般都用除以n－1的公式。）
std (x, a,b)这里a表示是要用n还是n－1，如果是a是0就是除以n －1，如果是1就是除以n。
b这里是维数，比如说
1 2 3 4
4 5 6 1
如果b 是1，就是按照行分，如果b是2就是按照列分
如果是三维的矩阵，b＝3就按照第三维来分数据。
Matlab均值Mean函数
函数功能
求数组的平均数或者均值
使用方法
M = mean(A)
返回沿数组中不同维的元素的平均值。
如果A是一个向量，mean(A)返回A中元素的平均值。
如果A是一个矩阵，mean(A)将其中的各列视为向量，把矩阵中的每列看成一个向量，返回一个包含每一列所有元素的平均值的行向量。如果A是一个多元数组，mean(A)将数组中第一个非单一维的值看成一个向量，返回每个向量的平均值。
M = mean(A,dim)
返回A中沿着标量dim指定的维数上的元素的平均值。对于矩阵，mean(A,2)就是包含每一行的平均值的列向量。
《Simulink与信号处理》
应用举例编辑本段回目录
A = [1 2 3; 3 3 6; 4 6 8; 4 7 7];
mean(A)
ans =
3.0000
matlab 标准差公式
matlab 标准差公式
标准差（Standard Deviation）是用来衡量一组数据的离散程度
的指标，它描述了数据的分布相对于其均值的偏离程度。在MATLAB中，可以使用内置函数`std`来计算标准差。标准差
的计算公式如下：
1. 首先，计算数据集的均值，表示为μ（读作“mu”）。
μ = (x1 + x2 + ... + xn) / n
其中，x1, x2, ..., xn为数据集中的数据值，n为数据集的大小。
2. 然后，计算每个数据值与均值之间的偏差（或差异），表示为di。
di = xi - μ
3. 接下来，计算偏差的平方，表示为di²。
di² = (xi - μ)²
4. 然后，将所有偏差的平方求和，表示为Σ(di²)。
Σ(di²) = (x1 - μ)² + (x2 - μ)² + ... + (xn - μ)²
5. 最后，计算标准差，表示为σ（读作“sigma”）。
σ = sqrt(Σ(di²) / n)
标准差衡量了数据分布的离散程度，数值越大表示数据的分布越离散。标准差的计算过程可以概括为：计算每个数据与均值之间的差异，然后对差异的平方进行平均，并取平均值的平方根。
MATLAB中的`std`函数可以直接计算一组数据的标准差。使
用方法如下：
```
data = [x1, x2, ..., xn]; % 将数据存储在一个数组中
std_dev = std(data); % 计算标准差
```
其中，`data`是存储数据值的数组，`std`是MATLAB的标准差
函数，`std_dev`是计算得到的标准差值。
残差标准化处理matlab -回复
残差标准化处理matlab -回复
残差标准化是一种常用的信号处理技术，用于对信号进行归一化处理。在Matlab中，可以使用一些内置的函数和方法来实现残差标准化。本文将详细介绍残差标准化的原理及在Matlab中的具体实现步骤。
一、残差标准化的原理
残差标准化是对信号进行归一化处理的一种方法。它的基本原理是计算信号的残差（即信号与信号的均值之间的差异），然后对残差进行标准化处理，使得残差的均值为0，方差为1。这样可以将信号的幅度统一到一个标准的范围内，方便后续处理和分析。
具体来说，残差标准化的步骤如下：
1. 计算信号的均值（即信号的平均值）和标准差（即信号均值与信号各个样本值之间的差异的平方差的平均值的平方根）。
2. 根据均值和标准差，计算信号的残差。残差的计算方式是将信号的每个样本值减去信号的均值，以便得到信号与均值之间的差异。
3. 根据残差，计算信号的残差均值和残差标准差。残差标准差的计算方式与信号的标准差相同。
4. 对信号的每个样本值，减去信号的均值，然后除以信号的标准差，得到信号的残差标准化值。
二、在Matlab中实现残差标准化的步骤
在Matlab中，可以使用一些内置的函数和方法来实现残差标准化。下面将介绍在Matlab中实现残差标准化的具体步骤。
1. 计算信号的均值和标准差：可以使用matlab中的`mean`和`std`函数来计算信号的均值和标准差，例如：
matlab
signal = [1, 2, 3, 4, 5]; 假设信号为[1, 2, 3, 4, 5]
mean_value = mean(signal); 计算信号的均值
matlab求标准差
matlab求标准差
标准差是用来衡量数据的离散程度的统计量，它可以帮助我们了解数据的分布
情况，对于数据分析和统计建模非常重要。在Matlab中，我们可以使用内置的函
数来求解标准差，下面我将介绍如何在Matlab中使用这些函数来求解标准差。
首先，我们需要明确标准差的计算公式：
标准差 = sqrt(1/n Σ(xi x)²)。
其中，n表示样本数量，xi表示每个样本数据，x表示样本均值，Σ表示求和。
在Matlab中，我们可以使用std函数来计算标准差。std函数的语法如下：
std(X)。
其中，X表示输入的数据，可以是向量、矩阵或多维数组。
接下来，我将通过一个具体的例子来演示如何在Matlab中求解标准差。假设
我们有一个向量x，其中存储了一组数据，我们想要求解这组数据的标准差。
```matlab。
x = [3, 5, 7, 9, 11];
std_dev = std(x);
disp(['The standard deviation of x is: ', num2str(std_dev)]);
```。
在这段代码中，我们首先定义了一个包含5个数据的向量x，然后使用std函
数来计算x的标准差，并将结果存储在std_dev变量中。最后，我们使用disp函数
来显示标准差的值。
除了使用std函数外，Matlab还提供了其他一些用于计算标准差的函数，例如var函数用于计算方差，可以通过对方差求平方根来得到标准差。此外，如果我们想要对矩阵或多维数组的某个维度求解标准差，可以使用std函数的附加参数来指定维度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Matlab标准差std函数
std(x)算出x的标准偏差。x可以是一行的matrix或者一个多行matrix矩阵；
如果只有一行，那么就是算一行的标准偏差，如果有多行，就是算每一列的标准偏差。
std（x，a）也是x的标准偏差但是a可以＝0或者1.如果是0和前面没有区别，如果是1就是最后除以n，而不是n－1.（你参考计算标准偏差的公式，一般都用除以n－1的公式。）
std(x,a,b)这里a表示是要用n还是n－1，如果是a是0就是除以n －1，如果是1就是除以n。
b这里是维数，比如说
1234
4561
如果b是1，就是按照行分，如果b是2就是按照列分
如果是三维的矩阵，b＝3就按照第三维来分数据。
Matlab均值Mean函数
函数功能
求数组的平均数或者均值
使用方法
M=mean(A)
返回沿数组中不同维的元素的平均值。
如果A是一个向量，mean(A)返回A中元素的平均值。
如果A是一个矩阵，mean(A)将其中的各列视为向量，把矩阵中的每列看成一个向量，返回一个包含每一列所有元素的平均值的行向量。如果A是一个多元数组，mean(A)将数组中第一个非单一维的值看成一个向量，返回每个向量的平均值。
M=mean(A,dim)
返回A中沿着标量dim指定的维数上的元素的平均值。对于矩阵，mean(A,2)就是包含每一行的平均值的列向量。
《Simulink与信号处理》
应用举例编辑本段回目录
A=[123;336;468;477];
mean(A)
ans=
3.0000
4.50006.0000
mean(A,2)
ans=
2.0000
4.0000
6.0000
6.0000
mean(A)
当A为向量时，那么返回值为该向量所有元素的均值当A为矩阵时，那么返回值为该矩阵各列向量的均值mean(A,2)
返回值为该矩阵的各行向量的均值。