Distribuciones de probabilidad y pruebas de hipótesis
Una distribución de probabilidad es una distribución teórica basada en suposiciones sobre una población origen. La distribución describe las probabilidad de resultados posibles para un evento aleatorio. Una prueba de hipótesis ayuda a determinar si los datos de muestra proceden de una población con características concretas, como una distribución concreta. Statistics and Machine Learning Toolbox™ ofrece funcionalidades para trabajar con distribuciones de probabilidad y realizar pruebas de hipótesis, incluidas funciones que permiten:
Ajustar distribuciones de probabilidad a datos de muestra.
Evaluar funciones de probabilidad, como pdf y cdf.
Calcular estadísticas descriptivas, como la media y la mediana.
Visualizar datos de muestra.
Generar números aleatorios.
Realizar pruebas de hipótesis con pruebas de distribución, pruebas de localización o pruebas de dispersión.
Para obtener más información, consulte Working with Probability Distributions y Available Hypothesis Tests.
Aspectos básicos de la distribución de probabilidad
- Working with Probability Distributions
- Compare Multiple Distribution Fits
- Fit Probability Distribution Objects to Grouped Data
- Nonparametric and Empirical Probability Distributions
- Distribuciones admitidas
- Generación de números aleatorios
- Estimación de máxima verosimilitud
- Negative Loglikelihood Functions
- Grouping Variables
Categorías
- Distribuciones discretas
Calcule, ajuste o genere muestras a partir de distribuciones con valores enteros
- Distribuciones continuas
Calcule, ajuste o genere muestras a partir de distribuciones con valores reales
- Distribuciones multivariantes
Calcule, ajuste o genere muestras a partir de distribuciones con valores vectoriales
- Exploración y visualización
Represente funciones de distribución, ajuste distribuciones de forma interactiva, cree gráficas y genere números aleatorios
- Generación de números pseudoaleatorios y cuasialeatorios
Genere datos de muestra pseudoaleatorios y cuasialeatorios
- Técnicas de remuestreo
Vuelva a muestrear un conjunto de datos con bootstrap, jackknife y validación cruzada
- Pruebas de hipótesis
prueba de t, prueba de F, prueba de bondad de ajuste de chi-cuadrado y muchas más
Información relacionada
Ejemplos destacados
Curve Fitting and Distribution Fitting
Perform curve fitting and distribution fitting, and learn when each method is appropriate.
Simulating Dependent Random Variables Using Copulas
Use copulas to generate data from multivariate distributions when there are complicated relationships among the variables, or when the individual variables are 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:
