wblfit

Estimaciones de parámetros de Weibull

Sintaxis

parmHat = wblfit(x)

[parmHat,parmCI] = wblfit(x)

[parmHat,parmCI] = wblfit(x,alpha)

[___] = wblfit(x,alpha,censoring)

[___] = wblfit(x,alpha,censoring,freq)

[___] = wblfit(x,alpha,censoring,freq,options)

Descripción

parmHat = wblfit(x) devuelve las estimaciones de parámetros de la distribución de Weibull (forma y escala), dados los datos de muestra de x.

[parmHat,parmCI] = wblfit(x) también devuelve el intervalo de confianza del 95% para las estimaciones de parámetros.

[parmHat,parmCI] = wblfit(x,alpha) especifica el nivel de confianza de los intervalos de confianza para que sea 100(1—alpha)%.

[___] = wblfit(x,alpha,censoring) especifica si cada valor en x está censurado a la derecha o no. Utilice el vector lógico censoring en el que 1 indica las observaciones que están censuradas a la derecha y 0 indica las observaciones que están totalmente observadas.

[___] = wblfit(x,alpha,censoring,freq) especifica la frecuencia o las ponderaciones de las observaciones.

[___] = wblfit(x,alpha,censoring,freq,options) especifica las opciones de optimización para el algoritmo iterativo wblfit que se utilizará para calcular las estimaciones de máxima verosimilitud (MLE) con censura. Cree options utilizando la función statset.

Puede pasar [] para alpha, censoring y freq para usar sus valores predeterminados.

Ejemplos

Estimar parámetros de la distribución de Weibull

Genere 100 números aleatorios a partir de la distribución de Weibull con escala 0.8 y forma 3.

x = wblrnd(0.8,3,100,1); 

Estime los parámetros de la distribución de Weibull a partir de los datos.

parmHat = wblfit(x)

parmHat = 1×2

    0.7751    2.9433

Estimar los parámetros de la distribución de Weibull con intervalos de confianza

Genere 100 números aleatorios a partir de la distribución de Weibull con escala 1 y forma 2.

x = wblrnd(1,2,100,1); 

Encuentre los intervalos de confianza del 95% estimando los parámetros de la distribución de Weibull a partir de los datos.

[parmHat,parmCI] = wblfit(x)

parmHat = 1×2

    0.9536    1.9622

parmCI = 2×2

    0.8583    1.6821
    1.0596    2.2890

La fila superior de parmCI contiene los límites inferiores de los intervalos de confianza y la fila inferior contiene los límites superiores de los intervalos de confianza.

Estimar parámetros de Weibull con opciones del algoritmo

Genere 100 variables de Weibull aleatorias a partir de la distribución con escala 2 y forma 5.

x = wblrnd(2,5,100,1);

Muestre los parámetros del algoritmo para wblfit.

statset('wblfit')

ans = struct with fields:
          Display: 'off'
      MaxFunEvals: []
          MaxIter: []
           TolBnd: []
           TolFun: []
       TolTypeFun: []
             TolX: 1.0000e-06
         TolTypeX: []
          GradObj: []
         Jacobian: []
        DerivStep: []
      FunValCheck: []
           Robust: []
     RobustWgtFun: []
           WgtFun: []
             Tune: []
      UseParallel: []
    UseSubstreams: []
          Streams: {}
        OutputFcn: []

Especifique los parámetros del algoritmo utilizando argumentos de par nombre-valor de la función statset. Cambie la forma en la que se muestran los resultados (Display) y establezca la tolerancia de terminación de los parámetros (TolX).

options = statset('Display','iter','TolX',1e-4); % Optimization options

Encuentre las MLE utilizando los nuevos parámetros del algoritmo.

parmhat = wblfit(x,[],[],[],options) 

 
 Func-count    x          f(x)             Procedure
    2        0.193283    -0.0172927        initial
    3        0.205467    0.00262429        interpolation
    4        0.203862   2.99018e-05        interpolation
    5        0.203862   2.99018e-05        interpolation
 
Zero found in the interval [0.193283, 0.386565]

parmhat = 1×2

    1.9624    4.9050

wblfit muestra información sobre las iteraciones.

Argumentos de entrada

x — Datos de muestra

vector

Los datos de muestra, especificados como un vector.

Tipos de datos: single | double

alpha — Nivel de significación

0.05 (predeterminado) | escalar en el rango (0,1)

Nivel de significación de los intervalos de confianza, especificado como un escalar en el rango (0,1). El nivel de confianza es 100(1—alpha)%, donde alpha es la probabilidad de que los intervalos de confianza no contengan el valor real.

Ejemplo: 0.01

Tipos de datos: single | double

censoring — Indicador de censura

arreglo de ceros (predeterminado) | vector lógico

Indicador de la censura de cada valor de x, especificado como un vector lógico del mismo tamaño que x. Utilice 1 para observaciones con censura a la derecha y 0 para observaciones totalmente observadas.

El valor predeterminado es un arreglo de ceros, lo que significa que todas las observaciones están totalmente observadas.

Tipos de datos: logical

freq — Frecuencia o ponderaciones de las observaciones

arreglo de unos (predeterminado) | vector no negativo

Frecuencia o ponderaciones de las observaciones, especificadas como un vector no negativo del mismo tamaño que x. El argumento de entrada freq suele contener recuentos de enteros no negativos para los elementos correspondientes de x, pero puede contener cualquier valor no negativo.

Para obtener las MLE ponderadas para un conjunto de datos con censura, especifique las ponderaciones de las observaciones, normalizadas al número de observaciones de x.

El valor predeterminado es un arreglo de unos, lo que significa una observación por elemento de x.

Tipos de datos: single | double

options — Opciones de optimización

statset('wblfit') (predeterminado) | estructura

Opciones de optimización, especificadas como una estructura. options determina los parámetros de control del algoritmo iterativo que utiliza wblfit para calcular las MLE para datos censurados.

Cree options usando la función statset o creando un arreglo de estructura que contenga los campos y valores descritos en esta tabla.

Nombre del campo	Valor	Valores predeterminados
Display	Cantidad de información que muestra el algoritmo. 'off': no muestra información 'final': muestra la salida final 'iter': muestra la salida iterativa	'off'
TolX	Tolerancia de terminación de los parámetros, especificada como un escalar positivo	1e-8

También puede introducir statset('wblfit') en la ventana de comandos para ver los nombres y valores predeterminados de los campos que wblfit incluye en la estructura options.

Ejemplo: statset('Display','iter') especifica la visualización de la información de cada paso del algoritmo iterativo.

Tipos de datos: struct

Argumentos de salida

parmHat — Estimación de parámetros

vector fila de 1 por 2

Estimación de los parámetros a (escala) y b (forma) de la distribución de Weibull, devuelta como un vector fila.

parmCI — Intervalos de confianza para parámetros

Matriz de 2 por 2

Intervalos de confianza para los parámetros medios de la distribución de Weibull, devueltos como una matriz de 2 por 2 que contiene los límites inferior y superior del intervalo de confianza del 100(1—alpha)%.

La primera y la segunda fila corresponden a los límites inferior y superior de los intervalos de confianza, respectivamente.

Funcionalidad alternativa

wblfit es una función específica para la distribución de Weibull. Statistics and Machine Learning Toolbox™ también ofrece las funciones genéricas mle, fitdist y paramci, y la app Distribution Fitter, que es compatible con varias distribuciones de probabilidad.

• mle devuelve las MLE y los intervalos de confianza de las MLE para los parámetros de varias distribuciones de probabilidad. Puede especificar el nombre de la distribución de probabilidad o una función de densidad de probabilidad personalizada.

• Cree un objeto de distribución de probabilidad WeibullDistribution ajustando la distribución a los datos usando la función fitdist o la app Distribution Fitter app. Las propiedades del objeto a y b almacenan las estimaciones del parámetro. Para obtener los intervalos de confianza de las estimaciones de parámetros, pase el objeto a paramci.

Capacidades ampliadas

Generación de código C/C++
Genere código C y C++ mediante MATLAB® Coder™.

Arreglos GPU

Acelere código mediante la ejecución en una unidad de procesamiento gráfico (GPU) mediante Parallel Computing Toolbox™.

Esta función es totalmente compatible con los arreglos de GPU. Para obtener más información, consulte Run MATLAB Functions on a GPU (Parallel Computing Toolbox).

Historial de versiones

Introducido antes de R2006a

Consulte también

mle | wbllike | wblpdf | wblcdf | wblinv | wblstat | wblrnd | wblplot

Temas

• Weibull Distribution