MATLAB绘制威布尔分布曲线

合集下载

威布尔分布在Matlab中的命令

威布尔分布在Matlab中的命令

Uniform (Continuous) DistributionQuantile-Quantile Plots Empirical Cumulative Distribution Function (CDF)Hidden Markov Model Functions New Functions for Extreme Value DistributionsStatistics Toolbox wblcdfWeibull cumulative distribution function (cdf)SyntaxP = wblbcdf(X, A, B)[P, PLO, PUP] = wblcdf(X, A, B, PCOV, alpha)DescriptionP = wblbcdf(X, A, B) computes the cdf of the Weibull distribution with scale parameter A and shape parameter B, at each of the values in X. X, A, and B can be vectors, matrices, or multidimensional arrays that all have the same size. A scalar input is expanded to a constant array of the same size as the other inputs. The default values for A and B are both 1. The parameters A and B must be positive.[P, PLO, PUP] = wblcdf(X, A, B, PCOV, alpha) returns confidence bounds for P when the input parameters A and B are estimates. PCOV is the 2-by-2 covariance matrix of the estimated parameters. alpha has a default value of 0.05, and specifies 100(1 - alpha)% confidence bounds. PLO and PUP are arrays of the same size as P containing the lower and upper confidence bounds.The function wblcdf computes confidence bounds for P using a normal approximation to the distribution of the estimateand then transforms those bounds to the scale of the output P. The computed bounds give approximately the desired confidence level when you estimate m u, sigma, and PCOV from large samples, but in smaller samples other methods of computing the confidence bounds might be more accurate.The Weibull cdf isExamplesWhat is the probability that a value from a Weibull distribution with parameters a = 0.15 and b =0.8 is less than 0.5?probability = wblcdf(0.5, 0.15, 0.8)probability =0.9272How sensitive is this result to small changes in the parameters?[A, B] = meshgrid(0.1:0.05:0.2,0.2:0.05:0.3);probability = wblcdf(0.5, A, B)probability =vartestn wblfitwblcdf wblinvStatistics Toolbox wblinvInverse of the Weibull cumulative distribution functionSyntaxX = wblinv(P, A, B)[X, XLO, XUP] = wblinv(P, A, B, PCOV, alpha)DescriptionX = wblinv(P, A, B) returns the inverse cumulative distribution function (cdf) for a Weibull distribution with scale parameter A and shape parameter B, evaluated at the values in P. P, A, and B can be vectors, matrices, or multidimensional arrays that all have the same size. A scalar input is expanded to a constant array of the same size as the other inputs. The default values for A and B are both 1.[X, XLO, XUP] = wblinv(P, A, B, PCOV, alpha) returns confidence bounds for X when the input parameters A and B are estimates. PCOV is a 2-by-2 matrix containing the covariance matrix of the estimated parameters. alpha has a default value of 0.05, and specifies 100(1 - a lpha)% confidence bounds. XLO and XUP are arrays of the same size as X containing the lower and upper confidence bounds.The function wblinv computes confidence bounds for X using a normal approximation to the distribution of the estimatewhere q is the P th quantile from a Weibull distribution with scale and shape parameters both equal to 1. The computed bounds give approximately the desired confidence level when you estimate mu, sigma, and PCOV from large samples, but in smaller samples other methods of computing the confidence bounds might be more accurate.The inverse of the Weibull cdf isExamplesThe lifetimes (in hours) of a batch of light bulbs has a Weibull distribution with parameters a = 200 and b = 6. What is the median lifetime of the bulbs?life = wblinv(0.5, 200, 6)life =188.1486What is the 90th percentile?life = wblinv(0.9, 200, 6)life =wblfit wbllikewblinv wblpdfwbllike wblplotwblpdf wblrndwblplot wblstatwblrnd wishrnd。

MATLAB曲线绘制大全

MATLAB曲线绘制大全

一、二维数据曲线图1.1绘制单根二维曲线plot函数的基本调用格式为:plot(x,y)其中x和y为长度相同的向量,分别用于存储x坐标和y坐标数据。

例1-1在0x2p区间内,绘制曲线y=2e-0.5xcos(4x)程序如下:x=0:pi/100:2*pi;y=2*exp(-0.5*x).*cos(4*pi*x);plot(x,y)例1-2绘制曲线。

程序如下:t=0:0.1:2*pi;x=t.*sin(3*t);y=t.*sin(t).*sin(t);plot(x,y);plot函数最简单的调用格式是只包含一个输入参数:plot(x)在这种情况下,当x是实向量时,以该向量元素的下标为横坐标,元素值为纵坐标画出一条连续曲线,这实际上是绘制折线图。

1.2绘制多根二维曲线1.plot函数的输入参数是矩阵形式(1)当x是向量,y是有一维与x同维的矩阵时,则绘制出多根不同颜色的曲线。

曲线条数等于y矩阵的另一维数,x被作为这些曲线共同的横坐标。

(2)当x,y是同维矩阵时,则以x,y对应列元素为横、纵坐标分别绘制曲线,曲线条数等于矩阵的列数。

(3)对只包含一个输入参数的plot函数,当输入参数是实矩阵时,则按列绘制每列元素值相对其下标的曲线,曲线条数等于输入参数矩阵的列数。

当输入参数是复数矩阵时,则按列分别以元素实部和虚部为横、纵坐标绘制多条曲线。

2含多个输入参数的plot函数调用格式为:plot(x1,y1,x2,y2,,xn,yn)(1)当输入参数都为向量时,x1和yl,x2和y2,,xn和yn分别组成一组向量对,每一组向量对的长度可以不同。

每一向量对可以绘制出一条曲线,这样可以在同一坐标内绘制出多条曲线。

(2)当输入参数有矩阵形式时,配对的x,y按对应列元素为横、纵坐标分别绘制曲线,曲线条数等于矩阵的列数。

例1-3分析下列程序绘制的曲线。

x1=linspace(0,2*pi,100);x2=linspace(0,3*pi,100);x3=linspace(0,4*pi,100);y1=sin(x1);y2=1+sin(x2);y3=2+sin(x3);x=[x1;x2;x3]';y=[y1;y2;y3]';plot(x,y,x1,y1-1)3.具有两个纵坐标标度的图形在MATLAB中,如果需要绘制出具有不同纵坐标标度的两个图形,可以使用plotyy绘图函数。

基于Matlab和GM(1,1)模型的Weibull分布参数估计

基于Matlab和GM(1,1)模型的Weibull分布参数估计

基于Matlab和GM(1,1)模型的W eibull分布参数估计第28卷第3期20l0年6月江西科学LjIANGXiSCNCEV o1.28No.3Jun.2()lO文章编号:IO01—3679(2010)03—029l一04基于Matlab和GM(1,1)模型的Weibul1分布参数估计史景钊,陈新昌,张峰(河南农业大学f』【电工程学院,河南郑州450002)摘要:介绍了随机截尾情况下计算样蕾失效概率的Johnson算法和GM(1,1)模型估计三参数Weibul1分布参数的方法;提出了结合JollrlSOi'l搏法币,CM,1,1,模型估计随机栽黾情况下Weibul1分布参数的方法,编写了相应的Matlab函数,实例计算表明这种方法的计算精度可满足工程需要.关键词:可靠性;Weibu]1分布;参数估什:GM(1,1)模型;Matlab中图分类号:TB114.3文献标识码:A3.ParameterWeibullDistributionParameterEstimationBasedonMatlabandGM(1,I)ModelSHIJing—zhao,CHENXin—chang,ZHANGFeng (HenanAgriculturaJUniversity,HenanZhengzhou450002PRC)Abstract:Introducedarandomsampleofcensoredcases,thefailureprobabilitycalculationof John—sonalgorithmandtheuseofGM(1,1)model,Weibulldistributionparametersestimationtheory,proposedcombinationofJohnsonalgorithmandGM(1,1)modeltoestimateWeibulldistribu tionpa—rametersofthemethod,preparationofMatlabfunction,aninstanceofestimatedresultsshowt hatthemethodiSreliable.Keywords:Reliability.WeibulldistIibution,Parameterestimation,GM(1,1)model,Matlab O前言在产品的寿命试验中有完全寿命试验和截尾寿命试验2种类型.其中截尾寿命试验又分为定时截尾,定数截尾和随饥截尾等.参加试验的部分产品由于某种原因(如人为因素造成产品损坏,统计数据丢失,试验设备失效,根据试验计划有意撤出等)还没有失效就巾途退出试验,这样得到的数据即为随机戳尾数据(也称为右删失数据).随机截尾寿命试验是可靠性寿命试验中最一般的情况,其他寿命试验都可看作它的一个特例.Weibul1分布模型能够根据形状参数的变化表现为各种不同的形状,较好地适用于各类寿命试验,因而在可靠性分析中应用十分广泛.对于服从Weibul1分布的随机截尾寿命数据的参数估计,国内外学者进行了大量的研究,提出了一些参数估计方法,主要有极大似然估计法¨"J,贝叶斯估计法],最小二乘法j,图估计法u叫等.本文根据文献[11]介绍的方法计算样本失效概率,收稿日期:2010—03—23;修订日期:2010—04一】4作者简介:史景钊(1963一),男,河南柘城人,副教授,主要从事农业装备可靠性方面的研究工作.基金项目:河南农业大学博士基金项目(30500022).292?结合文献[12]介的cM(J,J)十I!逊啦饥截尾条件下的三参数weibul1分m参数估计,并征Matlab中实现了这一算法.l样本失效概率的计算假设投入寿命试验的产品数量(即样本容量)为n,产品的寿命为随机变量71,其分布函数为F(t),相应的样本失效概率为F(t),在试验结束时其中有r个产品发生了失效,其失效时间为1s2…,,有=几一r个产品由于各种原因中途撤出了试验,其撤出时间分别为Ys…Y,则观察到的随机截尾寿命数据其时间按从小到大排序后可表示为:f,产品失效时,:l,2,…,r.,【Y产品撤出时,m=1,2t,…,,'.={=1.2.….n显然这类数据不能按照完全样本数据的处理方法计算样本失效概率,必须寻找其他合适的方法.常用的方法有平均次序号法口¨和残存比率法,以下介绍平均次序号法.Johnson认为中途撤出试验的产品会造成失效产品的时问次序发生变化,应该计算失效产品的平均次序号,第r个失效产品的平均次序号为: J=J+,,(1),:(2)2i'+一\一/式中,r为产品的失效序号;J,为第r个失效数据的平均次序号,并假定Jo=0;,,为第r个失效数据平均次序号的增量;i为第r个失效数据的自然序号(包括中途撤出的数据).计算出平均次序号.,后,再以.,,通过中位秩算法或平均秩算法计算失效数据的样本失效概率.中位秩算法:(3)平均秩算法:()(4)实现这一算法的Matlab函数(Johnson.111)为:function[Fn]=Johnson(t,state)=length(t);r=0;fori=1:nif(state(i)==1)r=r+1:20l0年第28卷it(r==1)./(r)=(n+I)/(tl+2一i);%t,(r)为甲均次序数else.,(r)=_,(r—1)+(+l一(r~1))/(n+2一i);end(r)=£(i);(r)=(J(r)-0.3)/(17,+0.4);%此处也可使用平均秩算法(r)=J(r)/(十1);endend在上述函数中,t为寿命试验数据向量,包括失效数据及中途撤出数据;state为状态向量,失效时state(i)=1,撤出时state(i)=0;输出参数为失效数据向量及其中位秩向量.2利用GM(1,1)模型估计Weibul1分布参数2.1Weibul1分布参数与GM(1,1)模型的关系Weibul1分布的寿命分布函数由下式给出()=1一exp[一()](5),式中,m称为形状参数,m>0;77称为尺度参数,叼>0;y称为位置参数,对于产品寿命有O,=0时即是二参数Weibul1分布;是产品的工作时间,.式(5)经过变形处理也可表示为:=y+~Texp(1止)(6)令=In[一ln(1一F())],i=1,2,…,r,并记77=c,n:一1/m,:6,则式(6)可转化为:=cexp(一.tr)+b(7)灰色系统GM(1,1)模型的微分方程为:(f)(∈R)(8)其时间响应模型为:(£):cexp(一口£)+_(9)显然,方程(7)和方程(9)具有相同的形式,若视(,)为一时间序列,则可用GM(1,1)模型对参数a,,进行估计,进而得到m,叩的估计值.CM(1,1)模型各参数的估计值可用最小二乘法得到:3icj】景钏等:Matlabf1jGM(1,1)馍的Weltrol1分币参数汁.293. ,=(10)D=exp(一Ⅲz(1).£(),%汁D;polyf]t(B,】'IZ,1),%求形状参数千¨…..,一7-—1[bc=(DD)DX(11)式中,.:[】":::"】,-Y=[…,].由式(10)得到a和u,由式(11)得到c,比较式(7)和式(9)可知Weibul1分布参数与n,",C的关系],即m=一1/a,y:b:u/a,'7=c,式(11)算出的b是的进一步优化值.2.2参数估计以下以具体实例说明参数估计的过程.考察某机械零件的可靠性,投人10件产品进行寿命试验,试验过程中6件发生了失效,中途有4件撤出试验,失效时问及撤出时问按先后顺序排列如表1所示.表1某机械零件寿命试验表根据式(10)和式(11),编写Matlab函数(Gray.m)完成参数估计.函数代码为:functionP=Gray(,Fn)r=length();%r为失效数;tau:log(1og(1./(1一Fn))),%计算,此处用tau表示;B=一0.5.diff()一([1:r一1]),%计算B;gn=diff()./d~fr(tau),%汁算;位嚣参数初值;bc=polyfit(D,X,1),%优化位黄参数,求尺度参数;P=[一1/au(1),bc(1),bc(2)j.函数的输入为失效时问向量_干IJ佯本失效概率向量F,输出为威布尔分布参数向量P,其中P (1:1为形状参数m,P(2)为尺度参数叼,P(3)为位置参数y.在Marlab的命令窗口中输人试验数据向量及状态向量:t=[544,663,702,727,807,914,939,1084,1199,l265];state=[1,1,0,0,1,1,0,1,1,0];用[,F]=Johnson(t,state)的形式调用样本失效概率的计算函数,计算结果如表1所示. 然后用P:Gray(,F)的形式调用Gray函数即可得到估计结果.上例若用Johnson中位秩法计算样本失效概率, 得到的估计结果为P=[3.086,1026.408,92.699], 即该批零件服从形状参数为3.086,尺度参数为1026.408,位置参数为92.699的Weibul1分布. 各失效数据减去位置参数后在Weibu|l概率纸上描点(图1),可看到各点基本在一条直线上,说明试验数据确实服从三参数威布尔分布,计算结果是正确的.//.,/,夕///,/r图1用Weibull概率纸进行分布检验3结语与讨论有中途撤出的服从Weibul1分布的随机截尾数据的参数估计是比较复杂的,用Matlab强大的数学运算功能仅需不多代码即可完成,大大减轻了编程负担,提高了运算效率.实例计算表明,结合Johnson算法与GM(1,—l一"¨~+.:一ll一一,_r●●●●l"lJn式294?1)模型估l}I'三参数Wcil川¨的参敦址f,的,¨既可州于完全样本.吖川J:随饥样小.试验数据能较好地服从Weibul1分布时,仙汁结具有较高的精度,完全可满足一股f程需要.GM(1,1)模型一次性计算出3个参数,且无需迭代计算,快捷,方便,仉无法应』r参数Weibul1分布.参考文献:[1]李海波,张正平,胡彦平,等.基于随机战尾数下Weibul1分布的参数极大似然估汁与应片】[J强度与环境,2009,36(4):6O一64.[2]陈家鼎.随机裁尾情形下Weibul1分布参数的最大似然估计的相合性[J].应用概率统计,1989,5(3): 226—233.[3]师义民,杨昭军.随机截尾寿命试验三参数Weibul1 分布的统计分析[J].西北大学(自然科学版),1996,26(4):285—288.[4]BalakrishnanaN,KateriM.Onthemaxinmmlikelihood estimationofparametersofWeibulldistributionbased oncompleteandcensoreddata.StatisticsandProba~bilityLetters[J].2008,78:2971—2975.[5]林静,韩玉启,朱慧明.一种随机截尾恒加寿命试验的贝叶斯评估[J].系统工程与电子技术,2007,29(2):320—323.20l()年第2};卷[6,J恍,汤/j',必鹤R.删失效f{I戚布尔分币参数的【j!叶断挽汁分忻[J].上海帅池火学(自然科学舨),2008,37(1):28—34.[7关云,术乾坤.一参数WeibuI1分布下随机敲尾恒加寿命试验的Bayes统汁分忻[J].西南民族学院(自然科学版),1997,23(2):l44—148.f8]AlMel~WahidAA,\VinterbottomA.Approximate BayesianestimatesfortheWeibullreliabilityfunctionandhazardratefromcensoreddata『J].JournalofSta. tisticalPlanningandInference,1987.16:277—283.[9]Zhang1F,XieM,TangLC.Biascorrectionforthe]eastsquaresestimatorofWeibullshapeparameterwith completeandL.ensoreddata[J].ReliabilityEngineer- ingandSystemSafety,2006,91:930—939.[10]ZhangLF,XieM,TangLC.Astudyoftwoestimation approachesforparametersofWeibulldistributionbased onWPP[J].ReliabilityEngineeringandSystemSafe-ty,2007,92:360—368.[11]JohnsonLG.TheoryandTechniqueofV ariableRe. search[M].NewY ork:ElsevierPublishingCo.,l964.[12]邓聚龙.灰色系统基本方法[M].武汉:华中理工大学出版社,2Oo5.[13]郑荣跃,秦子增.Weibul1分布参数估计的灰色方法[J].强度与环境,1989,(2):34—4O.(上接第284页)的爆破[J].华东交通大学,2009,26(2):111—114.[3]ZhuXu—sheng,WangGuangchao.TheglobalExj:denee oftheregularsolutionsofthecompressibleEulerequa—tionswithdegeneratelineardamping[J].Journalof Mathematics,2009,29(4):401—408.[4]ThomasC.Sideris.Formationofsingularitiesinthree—di—mensionalcompressiblefluids『J].Communicationsin MathematicalPhysics,1985,10l:475—485.[5]ZhuXu—sheng,WangWei—ke.Theregularsolutionsof theisentropicEulerequationswithdegeneratelinear damping[J].ChineseAnnalsofMathematics,2005,26B(4):583—598[6]SergeA,Blowupnonlinearhyperbolicequations[M]. Boston:BrikhuserPress,1995.[7]WangWei—ke,Y angTong.Thepointwiseeatimatesofso- lutionsforEulerequationswithdmpinginmulti—,dimen?- sions[J].JournalofDifferentialEquations,2000,173,4l0—450.。

双参数威布尔分布函数的确定及曲线拟合(精)

双参数威布尔分布函数的确定及曲线拟合(精)

2007.NO.4. CN35-1272/TK图 1威布尔函数拟合曲线的仿真系统模块作者简介 :包小庆 (1959~ , 男 , 高级工程师 , 从事可再生能源的研究。

大型风电场的建设不但可以减缓用电短缺情况 , 而且并网后还能为电网提供很大一部分电能。

而大型风电场的选址 , 与该地的风速分布情况有关。

用于描述风速分布的模型很多 , 如瑞利分布、对数正态分布、 r 分布、双参数威布尔分布、 3参数威布尔分布 , 皮尔逊曲线拟合等。

经过大量的研究表明 , 双参数威布尔分布函数更接近风速的实际分布。

本文采用 4种方法计算威布尔分布函数的参数 , 并利用计算出的参数确定威布尔分布函数的实际数学模型进行曲线拟合。

最后以白云鄂博矿区风电场拟选址为例 , 使用计算机软件 (MATLAB 对该地区风速威布尔分布函数进行曲线拟合 , 得到该地区不同高度的风速分布函数曲线。

1双参数威布尔分布函数的确定双参数威布尔分布是一种单峰的正偏态分布函数 , 其概率密度函数表达式为 :p(x=kx " exp-x "(1式中 :k ———形状参数 , 无因次量 ;c ———尺度参数 , 其量纲与速度相同。

为了确定威布尔分布函数的实际模型 , 需计算出实际情况下对应函数的 2个参数。

估算风速威布尔参数的方法很多 , 本文给出4种有效的方法以确定 k 和 c 值。

1.1HOMER 软件法HOMER 是一个对发电系统优化配置与经济性分析的软件。

通过输入 1a 逐时风速数据或者月平均风速数据 , 根据实际情况设置相应参数 , 即可计算得到 k 和c 值 , 此时计算出的 k 和 c 值是计算机系统认为的最佳值。

1.2Wasp 软件法Wasp 是一个风气候评估、计算风力发电机组年发电量、风电场年总发电量的软件。

通过输入风速统计资料 , 计算机可以直接计算出 k 和 c 值。

1.3最小二乘法通过风速统计资料计算出最小二乘法拟合直线 y=ax+b 的斜率 a 和截距 b 。

详尽全面的matlab绘图教程

详尽全面的matlab绘图教程

详尽全⾯的matlab绘图教程Matlab绘图强⼤的绘图功能是Matlab的特点之⼀,Matlab提供了⼀系列的绘图函数,⽤户不需要过多的考虑绘图的细节,只需要给出⼀些基本参数就能得到所需图形,这类函数称为⾼层绘图函数。

此外,Matlab还提供了直接对图形句柄进⾏操作的低层绘图操作。

这类操作将图形的每个图形元素(如坐标轴、曲线、⽂字等)看做⼀个独⽴的对象,系统给每个对象分配⼀个句柄,可以通过句柄对该图形元素进⾏操作,⽽不影响其他部分。

本章介绍绘制⼆维和三维图形的⾼层绘图函数以及其他图形控制函数的使⽤⽅法,在此基础上,再介绍可以操作和控制各种图形对象的低层绘图操作。

⼀.⼆维绘图⼆维图形是将平⾯坐标上的数据点连接起来的平⾯图形。

可以采⽤不同的坐标系,如直⾓坐标、对数坐标、极坐标等。

⼆维图形的绘制是其他绘图操作的基础。

⼀.绘制⼆维曲线的基本函数在Matlab中,最基本⽽且应⽤最为⼴泛的绘图函数为plot,利⽤它可以在⼆维平⾯上绘制出不同的曲线。

1. plot函数的基本⽤法plot函数⽤于绘制⼆维平⾯上的线性坐标曲线图,要提供⼀组x坐标和对应的y坐标,可以绘制分别以x和y为横、纵坐标的⼆维曲线。

plot函数的应⽤格式plot(x,y) 其中x,y为长度相同的向量,存储x坐标和y坐标。

例51 在[0 , 2pi]区间,绘制曲线程序如下:在命令窗⼝中输⼊以下命令>> x=0:pi/100:2*pi;>> y=2*exp(-0.5*x).*sin(2*pi*x);>> plot(x,y)程序执⾏后,打开⼀个图形窗⼝,在其中绘制出如下曲线注意:指数函数和正弦函数之间要⽤点乘运算,因为⼆者是向量。

例52 绘制曲线这是以参数形式给出的曲线⽅程,只要给定参数向量,再分别求出x,y向量即可输出曲线:>> t=-pi:pi/100:pi;>> x=t.*cos(3*t);>> y=t.*sin(t).*sin(t);>> plot(x,y)程序执⾏后,打开⼀个图形窗⼝,在其中绘制出如下曲线以上提到plot函数的⾃变量x,y为长度相同的向量,这是最常见、最基本的⽤法。

MATLAB绘制威布尔分布曲线

MATLAB绘制威布尔分布曲线

MATLAB 绘制威布尔分布曲线威布尔分布概率密度函数:1(/)(,,)()a a x m a x f x m a e m m--=威布尔分布概率分布函数: ()()1amx F x e -=-其中m>0,是尺度参数也叫比例参数,a>0是形状参数。

X 是随机变量,是未知参数,表示时间延滞。

图1:设定尺度参数m 值为1,取五个形状参数a ,自变量x 代码如下:m=[1 1 1 1 1,2];a=[0.5 1 1.5 2.5 5,5];x=linspace(0,5);linecolor=['r','b','g','k','y'];for n=1:5y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n))); y=1-exp(-(m(n)*x).^a(n));subplot(1,2,2)title('图1:概率分布函数');plot(x,y);hold on;subplot(1,2,1)type=linecolor(n);title('图1:概率密度函数');plot(x,y1,type);hold on;legend('m=1,a=0.5','m=1,a=1','m=1,a=1.5','m=1,a=2.5','m=1,a=5'); end图2:设定形状参数a 值为2,取五个尺度参数m ,自变量x 代码如下:m=[0.5 0.75 1 1.5 1.75,2];a=[2 2 2 2 2.5];x=linspace(0,5);linecolor=['r','y','b','g','k'];for n=1:5y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n)));y=1-exp(-(m(n)*x).^a(n));subplot(1,2,2)title('图2:概率分布函数');plot(x,y);hold on;subplot(1,2,1)type=linecolor(n);title('图2:概率密度函数');plot(x,y1,type);hold on;legend('m=0.5,a=2','m=0.75,a=2','m=1,a=2','m=1.5,a=2','m=1.75,a=2'); end图3:设定尺度参数m值为1,自变量为x,a的三维概率分布图代码如下:m=1;[x,a]=meshgrid(0:0.05:4,0:0.05:5);fx=m.*a.*(m.*x).^(a-1).*(exp(-(m.*x).^a));Fx=1-exp(-(m.*x).^a);subplot(1,2,1)mesh(x,a,fx);title('图3:m=1,a,x三维概率密度分布');subplot(1,2,2)mesh(x,a,Fx);title('图3:m=1,a,x三维概率分布图');图4:设定形状参数a值为2,自变量为x,m的三维概率分布图代码如下:a=2;[x,m]=meshgrid(0:0.05:5,0:0.05:2);fx=m.*a.*(m.*x).^(a-1).*(exp(-(m.*x).^a));Fx=1-exp(-(m.*x).^a);subplot(1,2,1)mesh(x,m,fx);title('图4:a=2,m,三维概率密度分布');subplot(1,2,2)mesh(x,m,Fx);title('图4:a=2,m,x三维概率分布图');。

Matlab绘制三维图

Matlab绘制三维图

二.三维绘图一.绘制三维曲线的基本函数最基本的三维图形函数为plot3,它将二维绘图函数plot的有关功能扩展到三维空间,可以用来绘制三维曲线。

其调用格式为:plot3(x1,y1,z1,选项1,x2,y2,z2,选项2,…)其中每一组x,y,z组成一组曲线的坐标参数,选项的定义和plot的选项一样。

当x,y,z是同维向量时,则x,y,z对应元素构成一条三维曲线。

当x,y,z是同维矩阵时,则以x,y,z对应列元素绘制三维曲线,曲线条数等于矩阵的列数。

例513 绘制空间曲线该曲线对应的参数方程为t=0:pi/50:2*pi;x=8*cos(t);y=4*sqrt(2)*sin(t);z=-4*sqrt(2)*sin(t);plot3(x,y,z,'p');title('Line in 3-D Space');text(0,0,0,'origin');xlabel('X');ylabel('Y');zlabel('Z');grid;二.三维曲面1.平面网格坐标矩阵的生成当绘制z=f(x,y)所代表的三维曲面图时,先要在xy平面选定一矩形区域,假定矩形区域为D=[a,b]×[c,d],然后将[a,b]在x方向分成m份,将[c,d]在y方向分成n份,由各划分点做平行轴的直线,把区域D分成m×n个小矩形。

生成代表每一个小矩形顶点坐标的平面网格坐标矩阵,最后利用有关函数绘图。

产生平面区域内的网格坐标矩阵有两种方法:利用矩阵运算生成。

x=a:dx:b;y=(c:dy:d)’;X=ones(size(y))*x;Y=y*ones(size(x));经过上述语句执行后,矩阵X的每一行都是向量x,行数等于向量y的元素个数,矩阵Y的每一列都是向量y,列数等于向量x的元素个数。

利用meshgrid函数生成;x=a:dx:b;y=c:dy:d;[X,Y]=meshgrid(x,y);语句执行后,所得到的网格坐标矩阵和上法,相同,当x=y时,可以写成meshgrid(x)2.绘制三维曲面的函数Matlab提供了mesh函数和surf函数来绘制三维曲面图。

MATLAB各种概率分布画图

MATLAB各种概率分布画图

对全部高中资料试卷电气设备,在安装过程中以及安装结束后进行高中资料试卷调整试验;通电检查所有设备高中资料电试力卷保相护互装作置用调与试相技互术关,系电,通力根1保过据护管生高线产中敷工资设艺料技高试术中卷0资不配料仅置试可技卷以术要解是求决指,吊机对顶组电层在气配进设置行备不继进规电行范保空高护载中高与资中带料资负试料荷卷试下问卷高题总中2体2资,配料而置试且时卷可,调保需控障要试各在验类最;管大对路限设习度备题内进到来行位确调。保整在机使管组其路高在敷中正设资常过料工程试况1卷中下安,与全要过,加度并强工且看作尽护下可1都关能可于地以管缩正路小常高故工中障作资高;料中对试资于卷料继连试电接卷保管破护口坏进处范行理围整高,核中或对资者定料对值试某,卷些审弯异核扁常与度高校固中对定资图盒料纸位试,置卷编.工保写况护复进层杂行防设自腐备动跨与处接装理地置,线高尤弯中其曲资要半料避径试免标卷错高调误等试高,方中要案资求,料技编试术写5、卷交重电保底要气护。设设装管备备置线4高、调动敷中电试作设资气高,技料课中并3术试、件资且中卷管中料拒包试路调试绝含验敷试卷动线方设技作槽案技术,、以术来管及避架系免等统不多启必项动要方高式案中,;资为对料解整试决套卷高启突中动然语过停文程机电中。气高因课中此件资,中料电管试力壁卷高薄电中、气资接设料口备试不进卷严行保等调护问试装题工置,作调合并试理且技利进术用行,管过要线关求敷运电设行力技高保术中护。资装线料置缆试做敷卷到设技准原术确则指灵:导活在。。分对对线于于盒调差处试动,过保当程护不中装同高置电中高压资中回料资路试料交卷试叉技卷时术调,问试应题技采,术用作是金为指属调发隔试电板人机进员一行,变隔需压开要器处在组理事在;前发同掌生一握内线图部槽 纸故内资障,料时强、,电设需回备要路制进须造行同厂外时家部切出电断具源习高高题中中电资资源料料,试试线卷卷缆试切敷验除设报从完告而毕与采,相用要关高进技中行术资检资料查料试和,卷检并主测且要处了保理解护。现装场置设。备高中资料试卷布置情况与有关高中资料试卷电气系统接线等情况,然后根据规范与规程规定,制定设备调试高中资料试卷方案。

matlab中曲线样式

matlab中曲线样式

matlab中曲线样式
在MATLAB中,可以使用不同的线型、颜色等来改变曲线的样式。

1. 线型:MATLAB中提供了多种线型供选择,例如实线、虚线、点虚线、点划线、点型点号、加号、星号和圆圈等。

可以通过在plot函数中添
加选项来选择不同的线型。

例如,使用plot(t,y(1,:)
'o',',t,y(2,:),'*')命令可以分别用圆圈和星号绘制两条曲线。

2. 颜色:MATLAB中可以使用的颜色有很多种,例如红色、绿色、蓝色、白色等。

可以通过在plot函数中添加选项来选择不同的颜色。

例如,
使用plot(t,y(1,:)'og',',t,y(2,:),'*r')命令可以分别用绿色
和红色绘制两条曲线。

3. 图形输出:使用subplot函数可以将图形输出到不同的绘图区。


函数的调用格式为subplot(m,n,p),其中m表示行数,n表示列数,p
表示选定当前活动区的区号。

例如,使用subplot(2,1,1)命令可以将
图形输出到2行1列的第一个绘图区。

双参数威布尔分布函数的确定及曲线拟合

双参数威布尔分布函数的确定及曲线拟合

ISSN1672-9064CN35-1272/TK图1威布尔函数拟合曲线的仿真系统模块作者简介:包小庆(1959~),男,高级工程师,从事可再生能源的研究。

大型风电场的建设不但可以减缓用电短缺情况,而且并网后还能为电网提供很大一部分电能。

而大型风电场的选址,与该地的风速分布情况有关。

用于描述风速分布的模型很多,如瑞利分布、对数正态分布、r分布、双参数威布尔分布、3参数威布尔分布,皮尔逊曲线拟合等。

经过大量的研究表明,双参数威布尔分布函数更接近风速的实际分布。

本文采用4种方法计算威布尔分布函数的参数,并利用计算出的参数确定威布尔分布函数的实际数学模型进行曲线拟合。

最后以白云鄂博矿区风电场拟选址为例,使用计算机软件(MATLAB)对该地区风速威布尔分布函数进行曲线拟合,得到该地区不同高度的风速分布函数曲线。

1双参数威布尔分布函数的确定双参数威布尔分布是一种单峰的正偏态分布函数,其概率密度函数表达式为:p(x)=kcxc!"exp-xc!"(1)式中:k———形状参数,无因次量;c———尺度参数,其量纲与速度相同。

为了确定威布尔分布函数的实际模型,需计算出实际情况下对应函数的2个参数。

估算风速威布尔参数的方法很多,本文给出4种有效的方法以确定k和c值。

1.1HOMER软件法HOMER是一个对发电系统优化配置与经济性分析的软件。

通过输入1a逐时风速数据或者月平均风速数据,根据实际情况设置相应参数,即可计算得到k和c值,此时计算出的k和c值是计算机系统认为的最佳值。

1.2Wasp软件法Wasp是一个风气候评估、计算风力发电机组年发电量、风电场年总发电量的软件。

通过输入风速统计资料,计算机可以直接计算出k和c值。

1.3最小二乘法通过风速统计资料计算出最小二乘法拟合直线y=ax+b的斜率a和截距b。

由下式确定k和c的值:k=b(2)c=espab(3)1.4平均风速和最大风速估计法从常规气象数据获得平均风速和时间T观测到的10min平均最大风速Vmax,设全年的平均风速为V通过下式计算k和c值:k=ln(lnT)0.90Vmax(4)c=1+1/!"K(5)计算过程中,为了减小Vmax的抽样随机误差,一般情况Vmax取多年平均值(10a以上)进行计算。

matlab 三参数威布尔随机数生成-概述说明以及解释

matlab 三参数威布尔随机数生成-概述说明以及解释

matlab 三参数威布尔随机数生成-概述说明以及解释1.引言1.1 概述概述:随机数生成在统计学、概率论、机器学习等领域广泛应用。

而威布尔分布是一种描述可靠性或生命寿命的分布模型,常用于可靠性分析、寿命测试等领域。

在Matlab中,可以通过内置的随机数生成函数生成符合威布尔分布的随机数。

本文旨在介绍Matlab中如何生成符合三参数威布尔分布的随机数,并探讨其在实际应用中的意义和应用前景。

通过本文的阐述,读者可以了解到威布尔分布的特点、Matlab中随机数生成函数的使用方法,以及三参数威布尔分布的生成方法。

我们希望读者在阅读完本文后,能够更加深入地理解和应用威布尔分布,为实际问题的解决提供有力支持。

"1.2 文章结构"部分会介绍本文的章节安排和整体结构,帮助读者了解文章的布局和内容安排。

本文将分为引言、正文和结论三个主要部分。

在引言部分,首先会对matlab三参数威布尔随机数生成这一主题进行概述,介绍读者对该主题的背景和基本概念。

接着会介绍本文的结构和目的,让读者知道本文的组织架构和写作意图。

在正文部分,首先会介绍Matlab中的随机数生成函数,让读者了解Matlab中可用的随机数生成方法和工具。

然后会介绍威布尔分布的特点,帮助读者理解威布尔分布的基本概念和性质。

最后会详细介绍三参数威布尔分布的生成方法,包括生成算法和实现步骤。

在结论部分,将对全文进行总结,回顾本文的主要内容和讨论重点。

接着探讨matlab三参数威布尔随机数生成的应用前景,指出该方法的实际意义和潜在用途。

最后给出文章的结论,强调本文的主要观点和重要结论,为读者提供深入思考和继续研究的启示。

1.3 目的本文旨在介绍在Matlab中如何生成三参数威布尔随机数,首先将简要介绍Matlab中的随机数生成函数,然后深入探讨威布尔分布的特点,最后详细讨论三参数威布尔分布的生成方法。

通过本文的阐述,读者将能够掌握在Matlab中生成三参数威布尔随机数的技术要点,为进一步研究和应用威布尔分布提供有益的参考。

MATLAB各种概率分布画图

MATLAB各种概率分布画图
boxplot(X,notch) %当notch=1时,产生一凹盒图,notch=0时产生一矩箱图。
boxplot(X,notch,'sym') %sym表示图形符号,默认值为“+”。
boxplot(X,notch,'sym',vert) %当vert=0时,生成水平盒图,vert=1时,生成竖直盒图(默认值vert=1)。
例4-56
>>y = [3.2 2.6 3.1 3.4 2.4 2.9 3.0 3.3 3.2 2.1 2.6]';
>>plot(y,'+')
>>refline(0,3)
图4-15
4.6.8在当前图形中加入一条多项式曲线
函数refcurve
格式h = refcurve(p) %在图中加入一条多项式曲线,h为曲线的环柄,p为多项式系数向量,p=[p1,p2, p3,…,pn],其中p1为最高幂项系数。
0.0026
0.0081
MU =
6.6640
SIGMA =
0.0030
MUCI =
6.6611
6.6669
SIGMACI =
0.0019
0.0071
由上可知,金球测定的μ估计值为6.6782,置信区间为[6.6750,6.6813];
σ的估计值为0.0039,置信区间为[0.0026,0.0081]。
4.6统计作图
4.6.1正整数的频率表
命令正整数的频率表
函数tabulate
格式table = tabulate(X) %X为正整数构成的向量,返回3列:第1列中包含X的值第2列为这些值的个数,第3列为这些值的频率。

基于Matlab_Simulink的Weibull分布的极大似然估计

基于Matlab_Simulink的Weibull分布的极大似然估计

基于Matlab_Simulink的Weibull分布的极大似然估计第29卷第4期2011年4月河南科学HENAN SCIENCEVol.29No.4Apr.2011收稿日期:2011-01-28基金项目:河南农业大学博士基金项目(30500022)作者简介:史景钊(1963-),男,河南柘城人,副教授,主要从事农业装备及其可靠性方面的研究.文章编号:1004-3918(2011)04-0466-03基于Matlab/Simulink 的Weibull 分布的极大似然估计史景钊,邵瑞娜,陈新昌(河南农业大学机电工程学院,郑州450002)摘要:介绍了三参数Weibull 分布的MLE ,利用Simulink 的图形化建模方法,直接“画”出MLE 的方程组模型,修改各模块的参数,完成三参数Weibull 分布的MLE ,并用实例验证了这种方法的可行性.模型同时也可用于二参数Weibull 分布参数的MLE .关键词:可靠性;Weibull 分布;极大似然估计;Matlab ;Simulink 中图分类号:TB 114.3文献标识码:AWeibull 分布是瑞典物理学家Weibull W.在分析材料强度时在实际经验的基础上推导出来的分布形式[1],在强度与环境研究领域及机械零件磨损寿命评价中比二参数Weibull 分布有更好的适应性,用三参数Weibull 分布拟合产品寿命分布比用二参数Weibull 分布拟合精度更高,但三参数Weibull 分布的参数比二参数Weibull 分布复杂得多.极大似然估计法(MLE )是常用的参数估计方法之一,它是一种十分有效和通用的参数估计方法,有许多优良性质,在二参数Weibull 分布的参数估计中已广泛应用[2].三参数Weibull 分布的MLE 由于需要求解十分复杂的非线性超越方程组,以前较少使用,现在多利用计算机语言编程求解.许多学者就其解法的优化提出了多种不同的方法[3-9],获得了不同的成果,优化了求解方法,但编程求解仍然比较复杂.Simulink 是一个图形化的建模工具,它提供一个动态系统建模、仿真和综合分析的集成环境.Simulink 为用户提供了一些基本模块,用户只需通过简单的鼠标操纵模块浏览器中复制所需模块到模型窗口,并把这些模块连接起来,再修改模块参数,就可构造出复杂的系统模型[10].本文利用Simulink 的这种图形化的建模功能,把三参数Weibull 分布的MLE 方程组在Simulink 的模型窗口中“画”出来,不用编程即可进行参数估计,从而使三参数Weibull 分布的MLE 的求解变得简单直观.1Weibull 分布的极大似然估计Weibull 分布的概率密度函数由下式给出:f (t )=mηt -γηm -1·exp -t -γηm,t ≥γ,(1)式中:m 称为形状参数,m >0;η称为尺度参数,η>0;γ称为位置参数,对于产品寿命有,γ≥0,γ=0时退化为二参数Weibull 分布;t 为产品的工作时间,t ≥γ.若随机从一批寿命服从三参数Weibull 分布的产品中任意抽取n 件进行寿命试验到全部产品失效,获得各产品的失效时间为t 1≤t 2≤…≤t n .根据极大似然估计原理,Weibull 分布的的对数似然函数为:ln L (t ;m ,η,γ)=n (ln m -ln η)+(m -1)n i =1Σlnt i -γη -ni =1Σt i-γη m,(2)分别求坠ln L 坠m ,坠ln L 坠γ,坠ln L 坠η,并经整理得对数似然方程组为:2011年4月1-ni =1Σ(t i-γ)mln (t i-γ)i =1Σ(t i-γ)m+1ni =1Σln (t i-γ)=0,m -1m ni =1Σ1t i -γ-n ni =1Σ(t i -γ)m -1ni =1Σ(t i-γ)m=0,ηm=1nni =1Σ(t i-γ)mΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣΣ.若有m 赞,η赞,γ赞满足方程(3)~(5),则m 赞,η赞,γ赞即为所求的形状参数、尺度参数、位置参数的极大似然估计值.2Weibull 分布MLE 的Simulink 实现2.1Simulink 模型的建立Simulink 为各种数学运算、求解代数方程提供了相应的模块.考察方程(3)~(5),分析各元素之间的数学关系,在Simulink 中浏览器中找到相应的模块,并复制到Simulink 模型窗口中,合理安排各个模块的位置和方向,按照方程中各元素的关系把它们连接起来,得到如图1所示的仿真模型.模型中失效时间的输入采用Constant 模块,其值可从Matlab 命令窗口输入,格式为t =[t 1,t 2,…,t n ];方程(3)和方程(4)则用两个Algebraic Constraint 模块表示,其输入是方程的左边,输出是形状参数和位置参数的估计值m赞,γ赞;Switch 模块用于切换Weibull 分布的参数个数,当控制端的输入大于2(图中为3)时,将按三参数Weibull 分布估计参数,否则按二参数Weibull 分布估计参数(直接输入0作为位置参数);Display 模块用于显示m赞,η赞,γ赞,即三个参数的估计结果,可根据需要设置显示的精度.由于Simulink 的很多不同模块可以实现相同的功能,同时由于方程组本身的可变性,上述仿真模型并不是惟一的.图1Weibull 分布MLE 的Simulink 模型Fig.1Simulink model of Weibull distribution of MLE2.2计算实例例:一组铝合金试件,疲劳寿命试验结果如下:35,38,40,43,45,47,48,50,52,54,55,57,60,61,63,65,(3)(4)(5)史景钊等:基于Matlab/Simulink 的Weibull 分布的极大似然估计467--第29卷第4期河南科学67,73,77,84(单位:104次)[11].假设寿命数据是服从Weibull 分布的,试估计Weibull 分布的模型参数.启动Mtalab 和Simulink ,打开上述模型文件,在Mtalab 的命令窗口中输入失效时间向量,命令如下:>>t=[35,38,40,43,45,47,48,50,52,54,55,57,60,61,63,65,67,73,77,84]在Simulink 的模型窗口中,分别双击两个“Algebraic Constraint ”模块,输入仿真的迭代初值,这里形状参数的初值设为1,位置参数的初值设为30.单击“Start simulation ”按钮进行仿真求解,可得形状参数、尺度参数、位置参数的估计值分别为m 赞=1.857,η赞=26.21,γ赞=32.38,这与编程求解的结果是一致的.3结语与讨论Matlab 为Weibull 分布的参数估计提供了专门的计算函数wblfit (),该函数采用MLE 估计参数,但只能用于二参数Weibull 分布.用Simulink 的图形化建模方法进行Weibull 分布的参数估计,通过开关选择,既可以用于二参数Weibull 分布,也可用于三参数Weibull 分布,为Weibull 分布的参数估计提供了一种新思路,通过实例证明这种方法是可行的,无需了解迭代方法和迭代过程,也无需复杂的代码.二参数Weibull 分布的MLE 是惟一的,但三参数Weibull 分布的MLE 有时不存在或有多个解[12-13],所以设置迭代初值至关重要,设置不好可能无法迭代成功或得到的不是可行解.可以用图估计法或文献[2]介绍的方法设置迭代初值,并把估计结果与其他方法加以比较.如有多个解的情况,可用W bllike 函数求解对数似然函数的负值,以该值最小者作为估计结果.参考文献:[1]Hallinan A J.A review of the Weibull Distribution [J ].Journal of Quality Technology ,1993,25(2):85-93.[2]戴树森,费鹤良.可靠性试验及其统计分析:下[M ].北京:国防工业出版社,1984.[3]Qiao H Z ,Tsokos C P.Estimation of the three parameter Weibull probability distribution [J ].Mathematics and Computers inSimulation ,1995,39(1-2):173-185.[4]Gove J H ,Fairweather S E.Maximum likelihood estimation of Weibull function parameters using a general interactive optimizerand grouped data [J ].Forest Ecology and Management ,1989,28(1):61-69.[5]曲延碌,张程道,阎书源.三参数Weibull 分布的参数估计[J ].气象学报,1987,45(3):374-375.[6]王华胜,李忠厚,林荣文.耗损故障的三参数Weibull 分布的极大似然估计方法[J ].中国铁道科学,2004,25(5):39-42.[7]杨谋存,聂宏.三参数Weibull 分布参数的极大似然估计数值解法[J ].南京航空航天大学学报,2007,39(1):31-34.[8]方华元,胡昌华,李瑛.基于遗传算法的威布尔分布的参数估计及MATLAB 实现[J ].战术导弹控制技术,2007,1:100-103.[9]Tan Zhibin.A new approach to MLE of Weibull distribution with interval data [J ].Reliability Engineering &System Safety ,2009,94(1):394-403.[10]黄永安,马路,刘慧敏.Matlab 7.0/Simulink 6.0建模仿真开发与高级工程应用[M ].北京:清华大学出版社,2005.[11]颜永年,俞新陆,郑楚鸿.疲劳绝对尺寸效应的统计分布[J ].机械工程学报,1986,22(4):85-87.[12]Lemon G H.Maximum likelihood estimations for the three parameters Weibull distribution based on censored samples [J ].Techn metrics ,1975,17(2):247-254.[13]费鹤良,陈迪.三参数威布尔分布的参数估计方法[J ].上海师范大学学报:自然科学版,1996,25(2):1-8.Maximum Likelihood Estimation with Weibull DistributionBased on Matlab /SimulinkShi Jingzhao ,Shao Ruina ,Chen Xinchang(Henan Agricultural University ,Zhengzhou 450002,China )Abstract :In this paper ,using Simulink graphical modeling method ,directly paints a Weibull distribution of MLE model ,and modify the parameters of each module to complete the 3parameter Weibull distribution of MLE.The example shows that the approach is feasible and the result is reliable.Model also used as 2parameters Weibull distribution.Key words :reliability ;Weibull distribution ;m aximum likelihood estimation ;Matlab ;Simulink468--。

Matlab绘制曲线方法

Matlab绘制曲线方法
X、Y、Z 是向量时,绘制以向量 X、Y、Z 的元素为 x、y、z 坐标的三 维曲线。 X、Y、Z 是矩阵时,以 X、Y、Z 对应列元素为 x、y、z 坐标分别绘制 曲线。
第4章 Matlab的图形功能
x、y、z 是向量时,plot3 命令的使用
t=0:0.1:8*pi; plot3(sin(t),cos(t),t) title(’绘制螺旋线’) %用命令 title 对图形主题进行标注 xlabel(’sin(t)’,’FontWeight’,’bold’,’FontAngle’,’italic’) ylabel(’cos(t)’,’FontWeight’,’bold’,’FontAngle’,’italic’) zlabel(’t’,’FontWeight’,’bold’,’FontAngle’,’italic’) %命令 zlabel 用来指定 z 轴的数据名称 grid on
在窗口中同时绘制两条曲线:(x1,y1)和(x2,y2),曲线(x1,y1)用左侧的 y 轴,曲 线(x2,y2)用右侧的 y 轴。
plotyy(x1,y1,x2,y2, ‘fun’)
’fun’是字符串,用来指定绘图的函数名,如 plot、semilogx、semilogy 等 。
plotyy(z1,y1,x2,y2, ‘fun1’, ‘fun2’)
fplot 函数命令的调用格式为: [X,Y]=fplot(fun,lims,tol,n, ‘linespec’,p1,p2…)
fun:函数名字符串; lims:定义 x 的取值区间,lims=[xmin,xmax]; tol:相对误差(默认值为 2e-3); n:绘图的最少点数( n+1); ‘linespec’:线性设置; p1,p2,…:函数传递参数; X,Y :数组数据点坐标。

MATLAB应用第5章第2板

MATLAB应用第5章第2板

第5章MATLAB绘图5.1 二维图形图形可视化是MATLAB的一大特色MATLAB的基本绘图函数是plotplot(x,y)形式已知自变量x取一组数值x1、x2、…xn,相应的函数y(x)也取一组数值y(x1)、y(x2)、…y(xn),那么,plot(x,y)就用二维图形表示它们之间的函数关系例1:取步长为0.1,在[0,2π]区间画出正弦曲线x=0:0.1:2*pi; %在[0,2π]区间生成一个1维数组y=sin(x); %建立正弦函数plot (x, y) %画出y-x曲线注意1.绘图是在一定的取值范围内进行2.当自变量和函数都是向量时,它们的维数必须相同,而且必须同为行向量或同为列向量3.plot生成的图形可以保存为.fig文件例2:取步长为0.5,在[0,2π]区间画出正弦曲线x1=0:0.5:2*pi; %在[0,2π]区间生成一个1维数组y1=sin(x1); %建立正弦函数plot (x1, y1) %画出y1-x1曲线注意对区间分割的越细,计算的点就越多,就能真实逼近函数的连续变化,但是计算时间就越长如果自变量的采样点不够多,就可能没有真实反映原函数例3:关闭图形窗口,分别将例1和例2中最后的语句改为figure, plot (x, y) %画出y-x曲线figure, plot (x1, y1) %画出y1-x1曲线注意figure可以.生成独立的图形窗口例4:绘制y=sin(tgx)- tg (sinx)在x∈[-π,π]区间内的曲线先以0.05为步长构造x向量x=[-pi:0.05:pi];y=sin(tan(x))- tan(sin(x));figure ,plot(x,y)在x∈[-1.8, -1.2]和x∈[1.2,1.8]两个子区间内的曲线比较粗糙在这两个子区间增加取样点x=[-pi:0.05:-1.8,-1.801:0.001:-1.2,-1.195:0.05:1.2, 1.201:0.001:1.8,1.81:0.05:pi];y=sin(tan(x))- tan(sin(x));figure ,plot(x,y)例5:绘制饱和非线性特性曲线()⎩⎨⎧≤>=1.1,1.1,1.1x x x x sign y ,取x ∈[-2,2]区间,步长为0.02。

常用Matlab作图命令

常用Matlab作图命令

常用Matlab作图命令1.概率统计作图1.1绘出正态分布的密度函数曲线正态分布密度曲线x=-5:0.1:5;y=normpdf(x,0,1);z=normpdf(x,0,2);plot(x,y,x,z) gtext('N(0,1)') gtext('N(0,2)')title('正态分布密度曲线')1.2绘出t-分布的密度函数曲线,并与标准正态密度曲线比较x概率密度px=-5:0.1:5; y=tpdf(x,30); z=normpdf(x,0,1); plot(x,y,'k:',x,z,'k-') xlabel('\itx'); ylabel('概率密度\itp')legend('t 分布', '标准正态密度') difference=tpdf(x,30)-normpdf(x,0,1)1.3绘制开方分布密度函数在n 分别等于1、5、15的图x=0:1:30;y1=chi2pdf(x,1); plot(x,y1,':') hold ony2=chi2pdf(x,5);plot(x,y2,'+') y3=chi2pdf(x,15);plot(x,y3,'O') Axis([0,30,0,0.2])1.4计算自由度是50,10的F-分布的0.9的分位数,并给出概率与分位数关系的图形x=finv(0.9,50,10) x = 2.1171 p=fcdf(x,50,10) p = 0.9000 t=0:0.1:4; y=fpdf(x,50,10); z=fpdf(t,50,10); plot(t,z,[x,x],[0,y]) text(x,0,'2.1171') gtext('p=0.9')title('概率与分位数的关系')1.5 经验累积分布函数图形X=normrnd (0,1,50,1); [h,stats]=cdfplot(X)y = evrnd(0,3,100,1); cdfplot(y) hold on x = -20:0.1:10; f = evcdf(x,0,3); plot(x,f,'m')legend('Empirical','Theoretical','Location','NW')概率与分位数的关系1.6 绘制正态分布概率图形X=normrnd(0,1,50,1); normplot(X)1.7 绘制威布尔(Weibull)概率图形%绘制威布尔(Weibull)概率图形的目的是用图解法估计来自威布尔分布的数据X ,如果X 是威布 %尔分布数据,其图形是直线的,否则图形中可能产生弯曲。

用MATLAB曲线拟合工具箱计算药物溶出度Weibull分布参数

用MATLAB曲线拟合工具箱计算药物溶出度Weibull分布参数
表9 在不同介质中不同时间点的药物累计溶出度
时弹出界面 O,5B. V1--16: ’((+ (见图 ! , 此时图中无曲 线) 。点击 “ G*-* ” 按 钮, 并在 “ W G*-* ” 下拉框选择 0 变量, 在 “ X G*-* ” 选择 ’, 在 “ Y5.B1.<” 中同时出现数 据点分布的预览图, 可以观察数据分布的情况, 然后 点击 “ O5.*- G*-* Z.- ” , 点击 “ O+(3. ” 关闭 “ G*-* ” 对话 框, 这就准备好拟合所需的数据了。
・ 实验与研究 ・
#$$I 年第 &$ 卷 第 (# 期 第 (() 页
(()
*++) , !"# , -+ , $" , .*
%&"’&()) *+ %,-&.-/(01*/-# 2/*(+/()
<,7/ E/B6,</7 E6<!?/061 76?0,"60? 60 F,71C",. 7E!!<5 EC71"/ [ H] (&J) :&#$I&)&#$K$ * 1/""7 = , +")& !.1/ ,#$$# ,#KK [(%] 4!:: 3 O,Q!"B7E6<5 X H = O!- 38> Y60,7/7 ,./ ./?C",</B [ H] (#J) :(’%’&)(’%’I * = , +")& !.1/ ,(NNJ ,#K$ [(N] 陈临溪, 关 永 源, 贺 华, 等 = 蛋白酪氨酸激酶抑制剂对 脑血管平滑肌细胞 4,# Z 池操纵性 4,# Z 内流的影响 [ H] = 中国药理学通报,#$$& ,(N (() :#$)#J * [#$] >,.Y/7 R Q,T,C?5,0 H,L6F6/. H,/< ," = 4,.B6,1 60!<.!A61 [ H] ,1<6!07 !G P.!1!.<60 60 1!0716!C7 75//A = 8/ , -.93")& , (NNK ,#K# : O #((J)#(## * [ #(] M.,. M 2,H!0,77/0 8 2,9</A5,0!C 8,/< ," = P.!1!.<60 A.!) </1<7 ,?,607< 6715/E61 ,0B ./A/.GC76!0 60VC.D F6, , 38>2)B/) [ H] ( (# ) :%J$%) = , +")& !.1/ ,#$$$ ,#KJ A/0B/0< A,<5-,D %J(’ * [##] M.,. M 2,H!0,77/0 8 2,X?!.60, X 3,/< ," = P.!1!.<60)WW ,0B C.!1!.<60) ! ,./ 1,.B6!A.!</1<6F/ ,?,607< 6715/E6, ./A/.) GC76!0 60VC.D: 80 /77/0<6," /0B!?/0!C7 1,.B6!A.!</1<6F/ .!"/ G!. 1!.<61!<.!A60 ./"/,760? G,1<!. ./1/A<!. <DA/ # 60 <5/ EC.60/ [ H] (() : 5/,.< = :*;)$#"*)&)<9 ,#$$’ , (’J #’)&J *

matlab绘图知识点总结

matlab绘图知识点总结

matlab绘图知识点总结一、Matlab基本绘图函数1. plot函数plot函数是Matlab中最基本的绘图函数之一,用于绘制二维图表。

其基本语法为:plot(x, y)。

其中x是横轴坐标数据,y是纵轴坐标数据。

通过plot函数可以绘制折线图、散点图等。

2. bar函数bar函数用于绘制条形图,其基本语法为:bar(x, y)。

其中x是条形的横轴坐标位置,y是条形的高度。

3. pie函数pie函数用于绘制饼图,其基本语法为:pie(x, labels)。

其中x是用来指定各个扇形区域的大小的矩阵,labels则是用来指定每个扇形区域的标签。

4. hist函数hist函数用于绘制直方图,其基本语法为:hist(x, bins)。

其中x是待绘制的数据,bins则是用来指定直方图的条形数目。

5. scatter函数scatter函数用于绘制散点图,其基本语法为:scatter(x, y)。

其中x和y分别是散点的横轴和纵轴坐标数据。

6. contour函数contour函数用于绘制等高线图,其基本语法为:contour(x, y, z)。

其中x和y分别是网格的横轴和纵轴坐标,z则是用来指定等高线的数值。

二、自定义图形1. 设置标题、标签和图例在Matlab中,可以使用title、xlabel、ylabel和legend等函数分别设置图表的标题、横轴和纵轴标签以及图例。

2. 设置图表样式可以使用line属性、marker属性以及color属性等来设置折线图、散点图等的样式。

3. 修改图表坐标轴可以使用xlim、ylim函数来设置图表的横轴和纵轴范围,并使用xticks和yticks函数来设置坐标刻度。

4. 绘制多个数据集可以使用hold on函数来绘制多个数据集,并使用hold off函数来结束绘制多个图表。

5. 设置图表背景可以使用grid、box、axis equal等函数来设置图表的背景。

三、子图表绘制1. subplot函数subplot函数用于在一个图形窗口中绘制多个子图表,其基本语法为:subplot(m,n,p)。

MATLAB绘制威布尔分布曲线

MATLAB绘制威布尔分布曲线

MATLAB 绘制威布尔分布曲线威布尔分布概率密度函数:威布尔分布概率分布函数: F x (mx )a1 e 其中m>0,是尺度参数也叫比例参数,a>0是形状参数。

X 是随机变量,是未知参数,表示时间延滞。

图1:设定尺度参数m 值为1,取五个形状参数a ,自变量x 代码如下: m=[1 1 1 1 1,2];a=[0.5 1 1.5 2.5 5,5];x=li nspace(0,5);lin ecolor=['r','b','g','k','y'];for n=1:5 y1=m( n)*a( n)*((m( n)*x)4(a( n)-1))*(exp(-(m( n)*x)4a( n))); y=1-exp(-(m( n)*x)4a( n));subplot(1,2,2)title(' 图1 :概率分布函数');plot(x,y);hold on;subplot(1,2,1)type=li necolor( n);title(' 图1 :概率密度函数');plot(x,y1,type);hold on;lege nd('m=1,a=0.5','m=1,a=1','m=1,a=1.5','m=1,a=2.5','m=1,a=5'); end图2:设定形状参数a 值为2,取五个尺度参数m ,自变量x 代码如下:m=[0.5 0.75 1 1.5 1.75,2]; a=[2 2 2 2 2.5];x=li nspace(0,5);lin ecolor=['r','y','b','g','k'];for n=1:5 y1=m( n)*a( n)*((m( n)*x)4(a( n)-1))*(exp(-(m( n)*x)4a( n))); y=1-exp(-(m( n)*x)4a( n));subplot(1,2,2)title(' 图 2:概率分布函数 ');plot(x,y);hold on;f (x,m,a)色(3a1e m m(x/m)subplot(1,2,1)type=linecolor(n);title(' 图2:概率密度函数');plot(x,y1,type);hold on;legend('m=0.5,a=2','m=0.75,a=2','m=1,a=2','m=1.5,a=2','m=1.75,a=2');end图3:设定尺度参数m 值为1,自变量为x,a 的三维概率分布图代码如下:m=1;[x,a]=meshgrid(0:0.05:4,0:0.05:5);fx=m.*a.*(m.*x).A(a-1).*(exp(-(m.*x).A a));Fx=1-exp(-(m.*x).A a);subplot(1,2,1)mesh(x,a,fx);title(' 图3:m=1,a,x 三维概率密度分布');subplot(1,2,2)mesh(x,a,Fx);title(' 图3:m=1,a,x 三维概率分布图');图4:设定形状参数a值为2,自变量为x, m的三维概率分布图代码如下:a=2; [x,m]=meshgrid(0:0.05:5,0:0.05:2);fx=m.*a.*(m.*x).A(a-1).*(exp(-(m.*x).Aa));Fx=1-exp(-(m.*x).Aa);subplot(1,2,1)mesh(x,m,fx);title('图4: a=2,m,三维概率密度分布');subplot(1,2,2)mesh(x,m,Fx);title(' 图4: a=2,m,x 三维概率分布图');2 1.80.8图2,梱:济密疔函数1^12:•慨车分布曲数m3.邢揪冷你戌分佈nt»tin'' |Mibi•:\/ • ■ ■ • ■ ••. ■ c- -・■ • ■ • * **w*•=图3:”=1,6X三维枫率分布图-23 Zr、:198705432102。

  1. 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. 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. 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 绘制威布尔分布曲线
威布尔分布概率密度函数:
1(/)(,,)()a a x m a x f x m a e m m
--=
威布尔分布概率分布函数: ()()1a
mx F x e -=-
其中m>0,是尺度参数也叫比例参数,a>0是形状参数。

X 是随机变量,是未知参数,表示时间延滞。

图1:设定尺度参数m 值为1,取五个形状参数a ,自变量x
代码如下:
m=[1 1 1 1 1,2];
a=[0.5 1 1.5 2.5 5,5];
x=linspace(0,5);
linecolor=['r','b','g','k','y'];
for n=1:5
y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n)));
y=1-exp(-(m(n)*x).^a(n));
subplot(1,2,2)
title('图1:概率分布函数');
plot(x,y);
hold on;
subplot(1,2,1)
type=linecolor(n);
title('图1:概率密度函数');
plot(x,y1,type);
hold on;
legend('m=1,a=0.5','m=1,a=1','m=1,a=1.5','m=1,a=2.5','m=1,a=5'); end
图2:设定形状参数a值为2,取五个尺度参数m,自变量x
代码如下:
m=[0.5 0.75 1 1.5 1.75,2];
a=[2 2 2 2 2.5];
x=linspace(0,5);
linecolor=['r','y','b','g','k'];
for n=1:5
y1=m(n)*a(n)*((m(n)*x).^(a(n)-1)).*(exp(-(m(n)*x).^a(n)));
y=1-exp(-(m(n)*x).^a(n));
subplot(1,2,2)
title('图2:概率分布函数');
plot(x,y);
hold on;
subplot(1,2,1)
type=linecolor(n);
title('图2:概率密度函数');
plot(x,y1,type);
hold on;
legend('m=0.5,a=2','m=0.75,a=2','m=1,a=2','m=1.5,a=2','m=1.75,a=2'); end
图3:设定尺度参数m值为1,自变量为x,a的三维概率分布图代码如下:
m=1;
[x,a]=meshgrid(0:0.05:4,0:0.05:5);
fx=m.*a.*(m.*x).^(a-1).*(exp(-(m.*x).^a));
Fx=1-exp(-(m.*x).^a);
subplot(1,2,1)
mesh(x,a,fx);
title('图3:m=1,a,x三维概率密度分布');
subplot(1,2,2)
mesh(x,a,Fx);
title('图3:m=1,a,x三维概率分布图');
图4:设定形状参数a值为2,自变量为x,m的三维概率分布图代码如下:
a=2;
[x,m]=meshgrid(0:0.05:5,0:0.05:2);
fx=m.*a.*(m.*x).^(a-1).*(exp(-(m.*x).^a)); Fx=1-exp(-(m.*x).^a);
subplot(1,2,1)
mesh(x,m,fx);
title('图4:a=2,m,三维概率密度分布'); subplot(1,2,2)
mesh(x,m,Fx);
title('图4:a=2,m,x三维概率分布图');。

相关文档
最新文档