近期关于matlab判断一组数据符合什么概率分布的代码？的讨论热度持续攀升，我们通过多方渠道收集整理了相关资讯，并进行了系统化的梳理。若这些内容恰好能为您提供参考，将是我们最大的荣幸。
matlab中：
function f=p_judge(A,alpha)
% 本程序用于判别所给数据源在置信率为0.05时的概率分布形式。A的形式为n×1。
[mu,sigma]=normfit(A);
p1=normcdf(A,mu,sigma);
[H1,s1]=kstest(A,[A,p1],alpha)
n=length(A);
if H1==0
disp(\'该数据源服从正态分布。\')
else
disp(\'该数据源不服从正态分布。\')
end
phat=gamfit(A,alpha);
p2=gamcdf(A,phat(1),phat(2));
[H2,s2]=kstest(A,[A,p2],alpha)
if H2==0
disp(\'该数据源服从γ分布。\')
else
disp(\'该数据源不服从γ分布。\')
end
lamda=poissfit(A,alpha);
p3=poisscdf(A,lamda);
[H3,s3]=kstest(A,[A,p3],alpha)
if H3==0
disp(\'该数据源服从泊松分布。\')
else
disp(\'该数据源不服从泊松分布。\')
end
mu=expfit(A,alpha);
p4=expcdf(A,mu);
[H4,s4]=kstest(A,[A,p4],alpha)
if H4==0
disp(\'该数据源服从指数分布。\')
else
disp(\'该数据源不服从指数分布。\')
end
[phat, pci] = raylfit(A, alpha)
p5=raylcdf(A,phat);
[H5,s5]=kstest(A,[A,p5],alpha)
if H5==0
disp(\'该数据源服从rayleigh分布。\')
else
disp(\'该数据源不服从rayleigh分布。\')
end
主要是kstest的用法
常见的概率密度图像
今天复习概率论与数理统计看到常见的几种分布突然有了兴趣，所以尝试着写一写关于matlab画出常见几种概率密度图像（注：有些是从网上搜集整理得到的）
二项分：
二项分布,又称n重伯努力试验 每次实验成功概率为p,失败概率为q=1-p ，则在这n次独立实验中,成功x次的概率y为
clc;
clear;
x= 0:50;
y = binopdf(x,200,0.08);%二项分布概率密度函数
plot(x,y,'--r+');%作图
title('X~B(n=200,p=0.8)的伯努力分布的前50个点的概率分布');
xlabel('试验成功次数x');%x标签
ylabel('y=P\{X=x\}');%y标签
\chi^{2}分布
若n个相互独立的随机变量ξ?，ξ?，...,ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布
n=4;%卡方分布参数: 自由度
P=0.9;%P值
x_xi=chi2inv(P,n); % 根据P值反查临界值
x=0:0.1:15;
yd_c=chi2pdf(x,n); %获得相应分布密度值
plot(x,yd_c,'b'),hold on %画图
%绘制分布函数着色部分
正态分布
正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。
若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
T分布
在概率论和统计学中，学生t-分布（t-distribution），可简称为t分布，用于根据小样本来估计呈正态分布且方差未知的总体的均值。如果总体方差已知（例如在样本数量足够多时），则应该用正态分布来估计总体均值。t分布曲线形态与n（确切地说与自由度df）大小有关。与标准正态分布曲线相比，自由度df越小，t分布曲线愈平坦，曲线中间愈低，曲线双侧尾部翘得愈高；自由度df愈大，t分布曲线愈接近正态分布曲线，当自由度df=∞时，t分布曲线为标准正态分布曲线。
clc
clear
x=-4:0.01:4;
%t分布概率密度函数
y=tpdf(x,1)
y1=tpdf(x,2)
y2=tpdf(x,3)
plot(x,y,'-.',x,y1,':',x,y2,'--')%作图
axis([-4,4,0,0.4])%限制坐标
legend('自由度为1','自由度为2','自由度为2')%添加标签
F分布
F分布是1924年英国统计学家R.A.Fisher提出，并以其姓氏的第一个字母命名的。它是一种非对称分布，有两个自由度，且位置不可互换。F分布有着广泛的应用，如在方差分析、回归方程的显著性检验中都有着重要的地位。
clc
clear
x=0:0.01:5;
%t分布概率密度函数
y=fpdf(x,10,50)
y1=fpdf(x,10,5)
y2=fpdf(x,50,10)
plot(x,y,'g-.',x,y1,'r:',x,y2,'k--')%作图
legend('自由度为(10,50)','自由度为(10,5)','自由度为(50,10)')%添加标签
title('F分布图像')
泊松分布
泊松分布的参数λ是单位时间(或单位面积)内随机事件的平均发生率。 泊松分布适合于描述单位时间内随机事件发生的次数。
关于matlab判断一组数据符合什么概率分布的代码？的探讨就到这里，您是否还有其他想了解的内容？欢迎在评论区留言告诉我们，同时别忘了点击关注哦！