Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- clear all
- close all
- lambda = 2.4;
- a = 12;
- b = 24;
- Mx=11; % мат. ожижание
- sigma=3.46; % СКО
- x=Mx-3*sigma:0.1:Mx+3*sigma; % требуемый диапазон значений СВ
- f=normpdf(x, Mx, sigma); % расчет значений плотности вероятности норм. распр
- F=normcdf(x, Mx, sigma); % расчет значений функции распределения норм. распр.
- y = unifcdf(x, a, b);% расчет значений функции распределения равн. распр.
- Y = unifpdf(x, a, b); % расчет значений плотности вероятности равн. распр
- z = expcdf(x, lambda);% расчет значений функции распределения экс. распр.
- Z = exppdf(x, lambda); % расчет значений плотности вероятности экс. распр
- figure(1)
- plot(x,F)
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(2)
- plot(x,f) % команда построение графика
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(3)
- plot(x,y) % команда построение графика
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(4)
- plot(x,Y) % команда построение графика
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(5)
- plot(x,z) % команда построение графика
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(6)
- plot(x,Z) % команда построение графика
- xlabel('Значения СВ')
- ylabel('Вероятность')
- a = 12;
- b = 2*a;
- N = 1000;
- alpha = rand(1,N);
- Y = a + (b - a) * alpha;
- [n2, d2] = hist(Y,100);
- p2 = n2 / length(Y);
- figure(7)
- bar(d2, p2);
- title('Равномерное распределение');
- grid on
- [kol_Y, Y2]=hist(Y,100);
- p=kol_Y/N;
- figure(8)
- plot(Y2,p)
- title('Равномерное распределение')
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(9)
- histfit(Y,100) % графическое представление выборки Х с помощью гистограммы
- title('Гистограмма равномерного распределения')
- m_Y = mean (Y); % вычисление мат. ожидания
- st_Y = std(Y); % вычисление СКО
- sk_Y = skewness(Y); % вычисление коэффициента асимметрии
- kur_Y = kurtosis(Y); % вычисление коэффициента эксцесса
- m = 0;
- N = 10000;
- sigma = 1;
- alpha1 = rand(1,N);
- alpha2 = rand(1,N);
- c = 2*pi;
- r = sqrt(-2*log(alpha1));
- fi = alpha2 * c;
- X1=r.*sin(fi);
- Y = m + sigma * X1;
- [n2, d2] = hist(Y, 100);
- p2 = n2 / length(Y);
- figure(10)
- bar(d2, p2);
- title('Нормальное распределение');
- grid on
- [kol_Y, Y2]=hist(Y,50);
- p=kol_Y/N;
- figure(11)
- plot(Y2,p)
- title('Нормальное распределение')
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(12)
- histfit(Y,50) % графическое представление выборки Х с помощью гистограммы
- title('Гистограмма нормального распределения')
- m_Y = mean (Y); % вычисление мат. ожидания
- st_Y = std(Y); % вычисление СКО
- sk_Y = skewness(Y); % вычисление коэффициента асимметрии
- kur_Y = kurtosis(Y); % вычисление коэффициента эксцесса
- N = 10000;
- lambda = 2.4;
- alpha = rand(N);
- Y = (-lambda)^(-1) * log(alpha);
- [n2, d2] = hist(Y);
- p2 = n2 / length(Y);
- figure(13)
- bar(d2, p2);
- title('Нормальное распределение');
- grid on
- [kol_Y, Y2]=hist(Y);
- p=kol_Y/N;
- figure(14)
- plot(Y2,p)
- title('Нормальное распределение')
- xlabel('Значения СВ')
- ylabel('Вероятность')
- figure(15)
- histfit(Y) % графическое представление выборки Х с помощью гистограммы
- title('Гистограмма нормального распределения')
- m_Y = mean (Y); % вычисление мат. ожидания
- st_Y = std(Y); % вычисление СКО
- sk_Y = skewness(Y); % вычисление коэффициента асимметрии
- kur_Y = kurtosis(Y); % вычисление коэффициента эксцесса
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement