확률 분포와 가설검정
확률 분포는 원천 모집단에 대한 가정을 기반으로 하는 이론적 분포입니다. 이 분포는 임의 사건에서 나올 수 있는 결과의 확률을 설명합니다. 가설검정은 표본 데이터가 특정 분포와 같이 특정한 특성을 갖는 모집단에서 추출되는지 여부를 결정하는 데 도움이 됩니다. Statistics and Machine Learning Toolbox™는 확률 분포를 사용하고 가설검정을 수행하는 기능과 툴을 제공하며, 여기에는 다음 작업이 포함됩니다.
표본 데이터에 확률 분포 피팅.
pdf 및 cdf와 같은 확률 함수의 값 구하기.
평균 및 중앙값과 같은 요약 통계량 계산.
표본 데이터 시각화.
난수를 생성하는 경우.
분포 검정, 위치 검정 및 산포 검정으로 가설검정 수행.
자세한 내용은 확률 분포 사용하기 항목과 Available Hypothesis Tests 항목을 참조하십시오.
카테고리
- 일변량 이산 분포
정수 값 분포에서 표본 계산, 피팅 및 생성
- 일변량 연속 분포
실수 값 분포에서 표본 계산, 피팅 및 생성
- 다변량 분포
벡터 값 분포에서 표본 계산, 피팅 및 생성
- 탐색과 시각화
분포 함수 플로팅, 대화형 방식으로 분포 피팅, 플롯 생성, 난수 생성
- 의사 난수(Pseudorandom Number)와 준난수(Quasirandom Number) 생성
의사 난수 표본 데이터와 준난수 표본 데이터 생성
- 재추출 기법
부트스트랩, 잭나이프(Jackknife), 교차 검증을 사용하여 데이터 재추출
- 가설검정
t-검정, F-검정, 카이제곱 적합도 검정 등
추천 예제
곡선 피팅 및 분포 피팅
곡선 피팅과 분포 피팅을 수행하고 각 방법이 적절한 경우에 대해 알아봅니다.
코퓰러를 사용하여 종속 확률 변수 시뮬레이션하기
변수들 간에 복잡한 관계가 있거나 각 변수의 분포가 서로 다른 경우, 코퓰러를 사용하여 다변량 분포에서 데이터를 생성할 수 있습니다.
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:
교육 관련 자료
기술 통계량 및 확률 분포
기술 통계량 및 이산 분포와 연속 분포의 개념을 배웁니다.
