MATLAB绘制威布尔分布曲线

合集下载

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 ax 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=1:5y1=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('title('图图1:概率分布函数:概率分布函数'); ');plot(x,y);hold on;subplot(1,2,1)type=linecolor(n);title('title('图图1:概率密度函数: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(' title('图图2:概率分布函数:概率分布函数'); '); plot(x,y);hold on;subplot(1,2,1)type=linecolor(n);title(' title('图图2:概率密度函数: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 的三维概率分布图的三维概率分布图 代码如下: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('title('图图3:m=1,a,x 三维概率密度分布三维概率密度分布'); ');subplot(1,2,2)mesh(x,a,Fx);title('title('图图3:m=1,a,x 三维概率分布图三维概率分布图'); ');图4:设定形状参数a 值为2,自变量为x ,m 的三维概率分布图的三维概率分布图 代码如下: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); tle('图4:a=2,m,三维概率密度分布'); subplot(1,2,2) mesh(x,m,Fx); tle('图4:a=2,m,x 三维概率分布图'); 。

matlab生成曲线

matlab生成曲线

matlab生成曲线MATLAB是一种强大的计算机科学软件,可以帮助用户进行数学计算、数据分析以及制作各种图表和曲线。

在本文中,将介绍如何使用MATLAB生成曲线。

1. 准备数据在使用MATLAB生成曲线之前,需要准备数据。

用户需要知道要绘制的曲线的类型和相关数据。

例如,如果要绘制一条线性曲线,需要知道直线的斜率和截距。

2. 打开MATLAB在准备好数据之后,打开MATLAB。

用户可以通过双击MATLAB图标或在计算机中搜索“MATLAB”来打开它。

3. 创建一个新的图形在MATLAB中,用户可以使用图形窗口来绘制曲线。

打开新的图形窗口,可以通过在命令窗口中输入“figure”命令或者单击主界面的“New Figure”按钮来实现。

4. 绘制曲线一旦创建了新的图形窗口,就可以开始绘制曲线了。

用户可以使用MATLAB的“plot”函数来绘制各种类型的曲线。

例如,用户可以使用以下代码来绘制一条线性曲线:x = 0:0.1:10;y = 2*x + 3;plot(x,y)这个例子中,用户首先定义了一个x向量,代表x坐标轴上的范围。

然后,用户定义了y向量,代表y坐标轴上的值。

最后,使用“plot”函数将x和y向量传递给MATLAB,以绘制一条线性曲线。

5. 自定义曲线用户可以通过使用不同的绘图函数和参数,来制定自己的曲线。

例如,用户可以使用“scatter”函数来绘制散点图,使用“surf”函数来绘制3D曲面等等。

除此之外,用户还可以自定义曲线的颜色、样式和标签等属性。

例如,用户可以使用以下代码来绘制一条带有红色实线和“Line 1”标签的线性曲线:x = 0:0.1:10;y = 2*x + 3;plot(x,y,'-r','DisplayName','Line 1')legend('show')在这个例子中,用户在“plot”函数中添加了“-r”参数,来指定曲线的颜色和样式。

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');。

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.。

matlab画各种概率分布图像

matlab画各种概率分布图像

Matlab画各种概率分布函数曲线help PDFPDF Density function for a specified distribution.Y = PDF(NAME,X,A) returns an array of values of the probability densityfunction for the one-parameter probability distribution specified by NAMEwith parameter values A, evaluated at the values in X.Y = PDF(NAME,X,A,B) or Y = PDF(NAME,X,A,B,C) returns values of theprobability density function for a two- or three-parameter probabilitydistribution with parameter values A, B (and C).The size of Y is the common size of the input arguments. A scalar inputfunctions as a constant matrix of the same size as the other inputs. Eachelement of Y contains the probability density evaluated at thecorresponding elements of the inputs.Acceptable strings for name are:∙'beta' (Beta distribution)∙'bino' (Binomial distribution)二项分布∙'chi2' (Chi-square distribution)卡方分布∙'exp' (Exponential distribution)指数分布∙'ev' (Extreme value distribution) 极值分布∙'f' (F distribution) 费雪分布∙'gam' (Gamma distribution) 伽马分布∙'gev' (Generalized extreme value distribution)∙'gp' (Generalized Pareto distribution) 极值分布函数∙'geo' (Geometric distribution)几何分布∙'hyge' (Hypergeometric distribution) 超几何分布∙'logn' (Lognormal distribution) 对数正态分布∙'nbin' (Negative binomial distribution) 负二项分布∙'ncf' (Noncentral F distribution) 非中心F分布∙'nct' (Noncentral t distribution)非中心t分布∙'ncx2' (Noncentral chi-square distribution) 非中心卡方分布∙'norm' (Normal distribution) 正态分布∙'poiss' (Poisson distribution) 泊松分布∙'rayl' (Rayleigh distribution) 瑞利分布∙'t' (t distribution) t分布∙'unif' (Uniform distribution) 均匀分布∙'unid' (Discrete uniform distribution) 离散均匀分布∙'wbl' (Weibull distribution)韦伯分布。

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。

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。

(2021年整理)Matlab学习系列17.数值计算—概率篇

(2021年整理)Matlab学习系列17.数值计算—概率篇

Matlab学习系列17.数值计算—概率篇编辑整理:尊敬的读者朋友们:这里是精品文档编辑中心,本文档内容是由我和我的同事精心编辑整理后发布的,发布之前我们对文中内容进行仔细校对,但是难免会有疏漏的地方,但是任然希望(Matlab学习系列17.数值计算—概率篇)的内容能够给您的工作和学习带来便利。

同时也真诚的希望收到您的建议和反馈,这将是我们进步的源泉,前进的动力。

本文可编辑可修改,如果觉得对您有帮助请收藏以便随时查阅,最后祝您生活愉快业绩进步,以下为Matlab学习系列17.数值计算—概率篇的全部内容。

17. 数值计算-概率篇一、计算组合数、排列数!n-—factorial(n) 或 prod(1:n)kC—-nchoosek(n,k)nkA-—factorial(n)/factorial(n-k)n二、生成随机数1。

rand(m,n)-—生成m×n的服从[0,1]上均匀分布的随机数;用a + (b—a)。

*rand(m,n)生成m×n的服从[a,b]上均匀分布的随机数.2. 二项分布与正态分布随机数binornd(N,P,m,n)——生成m×n的服从二项分布B(N,P)的随机数;normrnd(MU,SIGMA,m,n)-—生成m×n的服从正态分布N(MU,SIGMA2)的随机数;3。

通用格式:分布缩写+rnd(分布参数, m,n)或 random(‘分布名或缩写’, 分布参数, m,n)可以用来生成m×n该分布的随机数。

各种分布名见下图:表1 一维随机变量概率分布名称表4。

使用randsample和randsrc函数生成指定离散分布随机数X=randsample(N, k, replace, w)N相当于[1:N],也可以是具有确定值的向量;k表示生成k个随机数;replace=’true’表示可重复,或’false’表示不可重复(默认);w是权重向量.X= randsrc(m,n,[x; p])生成m×n的随机矩阵,服从取值为向量x,对应概率为向量p的离散分布.例1 设离散型随机变量X服从如下分布:生成服从3×5的该分布的随机数。

matlab威布尔分布拟合

matlab威布尔分布拟合

matlab威布尔分布拟合
在MATLAB中,可以使用"wblfit"函数对数据进行威布尔分布的拟合。

威布尔分布常用于描述可靠性分析、寿命分析等方面的数据。

该函数的使用方法如下:
假设有一组数据存储在数组"data"中,我们要求其威布尔分布的参数。

可以使用以下代码:
```
% 数据
data = [1.2, 3.5, 2.1, 4.7, 5.6];
% 拟合
params = wblfit(data);
```
拟合完成后,可以获得两个参数:威布尔分布的形状参数"shape"和尺度参数"scale"。

参数的具体含义是:数据从0到正无穷的概率分布函数F(x)可以表示为F(x) = 1 - exp(-(x/s)^b),其中s 为尺度参数,b为形状参数。

如果想要生成符合拟合分布的随机数,可以使用"wblrnd"函数:```
% 生成100个符合拟合分布的随机数
random_nums = wblrnd(params(1), params(2), 100, 1);
```
以上代码将生成100个符合威布尔分布的随机数,并存储在"random_nums"数组中。

以上是使用MATLAB进行威布尔分布拟合的基本方法,通过调整数据和参数的输入,可以得到适合实际问题的拟合结果。

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 。

matlab用weibull分布函数拟合曲线

matlab用weibull分布函数拟合曲线

matlab用weibull分布函数拟合曲线Weibull分布函数是一种常用于可靠性分析的概率分布函数,可以用来估计产品的平均故障时间。

在MATLAB中,我们可以使用curve fitting toolbox工具箱中的weibull分布函数进行曲线拟合。

具体步骤如下:1. 导入数据:将需要拟合的数据导入MATLAB中,可以使用xlsread函数读取Excel文件,也可以手动输入数据。

2. 创建拟合曲线对象:可以使用cftool命令打开curvefitting toolbox,选择Weibull分布函数进行拟合,也可以在代码中使用cfit函数创建一个Weibull对象。

3. 设置拟合参数:使用setoptions函数设置拟合参数,包括起点、终点、步长等。

4. 拟合曲线:使用fit函数进行曲线拟合,得到拟合结果。

5. 绘制拟合曲线:使用plot函数绘制拟合曲线,并将图表美化。

下面是MATLAB代码示例:% 导入数据data = xlsread('data.xlsx');% 创建拟合曲线对象weibull_fit = cfit('a*x^b*exp(-x^b/a)', 'a', 'b', 'x');% 设置拟合参数options = fitoptions('Method','NonlinearLeastSquares',...'StartPoint',[1 1],...'Lower',[0 0],...'Upper',[Inf Inf]);% 拟合曲线weibull_result = fit(data(:,1), data(:,2), weibull_fit, options);% 绘制拟合曲线plot(weibull_result, data(:,1), data(:,2)); xlabel('时间');ylabel('概率密度');title('Weibull分布函数拟合曲线');。

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。

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 -γη,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)ni =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 =1Σ1-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 MLE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画曲线[详解]

matlab画曲线[详解]

1、在直角坐标系下绘制(同一个窗口):笛卡尔叶形线、星形线、摆线;%在直角坐标系下绘制(同一个窗口):笛卡尔叶形线、星形线、摆线;clcfigure%Descartes foliumtheta_1=-2*pi:0.01:2*pi;%角度t=tan(theta_1);a=1;x1=3*a*t./(1+t.^3);%参数方程y1=3*a*t.^2./(1+t.^3);%参数方程subplot(1,3,1);plot(x1,y1);legend('笛卡尔叶形线');axis([-4,4,-4,4]);%只显示局部grid on;%星形线a=2;theta=-2*pi:0.01:2*pi;x2=a*cos(theta).^3;y2=a*sin(theta).^3;subplot(1,3,2);plot(x2,y2);legend('星形线');axis([-4,4,-4,4]);%只显示局部grid on;%摆线a=2;theta=-2*pi:0.001:2*pi;x3=a.*(theta-sin(theta));y3=a.*(1-cos(theta));subplot(1,3,3);plot(x3,y3);legend('摆线');axis([-8,8,-8,8]);%只显示局部grid on;2、在极坐标系下绘制(加注释):心形线,对数螺线、四叶玫瑰线%在极坐标系下绘制(加注释):心形线clcfigure%心形线a=2;t=-2*pi:0.01:2*pi;r=a.*(1+cos(t));r=a.*(1+sin(t));polar(t,r);legend('心形线');%在极坐标系下绘制(加注释):对数螺线clcfigure%对数螺线a=0.1;t=-2*pi:0.001:2*pi;r=exp(a*t);polar(t,r);legend('对数螺线');%在极坐标系下绘制(加注释):四叶玫瑰线clcfigure%四叶玫瑰线a=4;t=-2*pi:0.001:2*pi;r=a*sin(2*t);polar(t,r);legend('四叶玫瑰线');3、绘制双曲抛物面、单叶双曲面。

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。

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。

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 *
相关主题
  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