Wahrscheinlichkeitsverteilungen und Hypothesentests
Eine Wahrscheinlichkeitsverteilung ist eine theoretische Verteilung, basierend auf Annahmen zu einer Quellpopulation. Die Verteilung beschreibt die Wahrscheinlichkeiten möglicher Ergebnisse eines zufälligen Ereignisses. Ein Hypothesentest hilft Ihnen dabei, zu ermitteln, ob Ihre Stichprobendaten aus einer Population mit bestimmten Merkmalen stammen, wie beispielsweise einer bestimmten Verteilung. Statistics and Machine Learning Toolbox™ umfasst Funktionen und Tools zur Arbeit mit Wahrscheinlichkeitsverteilungen und zum Durchführen von Hypothesentests, darunter Funktionen zum:
Anpassen von Wahrscheinlichkeitsverteilungen an die Stichprobendaten.
Auswerten von Wahrscheinlichkeitsfunktionen wie pdf und cdf.
Berechnen von Übersichtsstatistiken wie Mittel- und Medianwerten.
Visualisieren von Stichprobendaten.
Generieren von Zufallszahlen.
Durchführen von Hypothesentests mit Verteilungstests, Positionstests und Dispersionstests.
Weitere Informationen finden Sie unter Working with Probability Distributions und Available Hypothesis Tests.
Grundlagen von Wahrscheinlichkeitsverteilungen und Hypothesentests
Kategorien
- Univariate diskrete Verteilungen
Berechnen, Anpassen und Generieren von Stichproben aus ganzzahligen Verteilungen
- Univariate kontinuierliche Verteilungen
Berechnen, Anpassen und Generieren von Stichproben aus reellwertigen Verteilungen
- Multivariate Verteilungen
Berechnen, Anpassen und Generieren von Stichproben aus vektorwertigen Verteilungen
- Erkundung und Visualisierung
Plotten von Verteilungsfunktionen, interaktives Anpassen von Verteilungen, Erstellen von Diagrammen und Generieren von Zufallszahlen
- Pseudo- und quasi-zufällige Zahlengenerierung
Generieren pseudo- und quasi-zufälliger Stichprobendaten
- Resampling-Techniken
Resampling von Daten mithilfe von Bootstrap, Jackknife und Kreuzvalidierung
- Hypothesentests
t-Test, F-Test, Chi-Quadrat-Anpassungstest und weitere Tests
Enthaltene Beispiele
Curve Fitting and Distribution Fitting
Perform curve fitting and distribution fitting, and learn when each method is appropriate.
Simulate Dependent Random Variables Using Copulas
Use copulas to generate data from multivariate distributions with complicated relationships among the variables, or with the individual variables from different distributions.
Fitting a Univariate Distribution Using Cumulative Probabilities
Fit univariate distributions using least-squares estimates of the cumulative distribution functions. This is a generally applicable method that can be useful in cases when maximum likelihood fails, for instance some models that include a threshold parameter.
Fit Custom Distributions
Fit a custom distribution to univariate data by using the mle function.
Avoid Numerical Issues When Fitting Custom Distributions
Use advanced techniques with the mle function to avoid numerical issues when fitting a custom distribution. Specifically, you learn how to:
Unterrichtsmaterialien
Deskriptive Statistik und Wahrscheinlichkeitsverteilungen
Erlernen Sie die Konzepte deskriptiver Statistik und diskreter und kontinuierlicher Verteilungen.
