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 기능을 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 또는 산포 검정으로 가설검정 수행.
자세한 내용은 확률 분포 사용하기 항목과 Available Hypothesis Tests 항목을 참조하십시오.
카테고리
- 이산 분포
정수 값 분포에서 표본 계산, 피팅 또는 생성
- 연속 분포
실수 값 분포에서 표본 계산, 피팅 또는 생성
- 다변량 분포
벡터 값 분포에서 표본 계산, 피팅 또는 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 세트 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
이 예제에서는 변수 사이에 복잡한 관계가 있거나 개별 변수의 분포가 각기 다른 경우 코퓰러를 사용하여 다변량 분포에서 데이터를 생성하는 방법을 보여줍니다.
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:
