normrnd（求助Matlab的randn和normrnd的区别）

本文目录

求助Matlab的randn和normrnd的区别
用matlab求正态，高斯分布的函数值
matlab的normrnd对应于python的哪个函数
Matlab中的normrnd语句产生的是伪随机数吗
matlab如何产生正态分布数据
Matlab中符号变量在normrnd函数使用时，提示第二个输入标量或者唯一的符号变量
如何matlab取正态分布随机数
用normrnd函数，求得随机数组，怎样可以在matlab中自动读取excel中的数据，得到多组数据的随机数组
生成高斯分布的函数mvnrnd与normrnd有什么区别
Matlab不确定度验证及非线性拟合的问题

求助Matlab的randn和normrnd的区别

当然是有区别的。
正态分布只需要2个参数。
randn() 是标准正态分布
normrnd是自己可以指定均数和标准差的正太分布。

可以利用matlab自带的函数mvnpdf，计算多维正态分布概率密度
具体的调用格式为
y = mvnpdf(X,MU,SIGMA)
其中X是输入的向量
MU是平均值
SIGMA是多维正态分布的协方差矩阵
返回的y即使向量X在MU和SIGMA确定的多维正态分布下的概率密度值
以你需要的4维分布为例
输入的MU应该是1x4的矩阵，例如 MU=[1,2,3,4];
四个维度的均值，这就是中心点在（1，2，3，4）位置；
而SIGMA应该是4x4的协方差矩阵，其对角线上4个元素是分布在四维的方差
而非对角线元素是协方差，表示不同维度分布之间的相关性
如果不同维度之间的分布是互不相关的，或者说是正交的，那么非对角线元素都为0
那么SIGMA也可以简化为1x4的矩阵
而输入X则可以是nx4的矩阵，其中每一行代表一个向量
这时候返回y是nx1的矩阵，对应X中每一行向量的到的概率密度值
例如：
》》 X=[0,0,0,0];MU=[1,2,3,4];SIGMA=[1,1,1,1];
》》 y = mvnpdf(X,MU,SIGMA)
y = 7.7486e-09
计算(0,0,0,0)这点在四维均值为(1,2,3,4)，四维方差都是1的正态分布中的概率密度
结果是7.7486e-09

matlab的normrnd对应于python的哪个函数

numpy《pre t=“code“ l=“python“》from numpy.matlib import repmat
此外numpy中的array类型存在Broadcasting机制。A(5,6), B是A每行的均值，B(5,1)对A进行行0均值化时，无需基于B构造一个5*6矩阵，直接A-B即可。

Matlab中的normrnd语句产生的是伪随机数吗

是随机数。

R＝normrnd（MU，SIGMA）：产生服从正态分布的随机数（MU参数代表均值，DELTA参数代表标准差）。输入向量或矩阵和必须是相同的形式，输出R必须是相同的形式。标量输入将扩展到与其他输入具有相同维数的矩阵。

R＝norrmrnd（MU，SIGMA，m）：生成具有正态分布的随机数矩阵（MU参数表示均值，DELTA参数表示标准差）矩阵的形式由m定义，m为1×向量，其中两个元素表示返回值R中行和列的维数。

扩展资料：

示例：生成正态分布随机数。

》》 a =正常(0,1)

一个＝

1．4814

》》 a =正常(0,1,1,6)

一个＝

1．1287－0．29001．26160．47541．17410．1269

》》 a =正常(0,1，1)

一个＝

0．15550．8186－0．2926－0．5408－0．3086－1．0966

》》 a =正常(10,2,2,3)

一个＝

13．628013．609011．0531

10．62408．55389．4795

M＝50；

N＝2；

X＝0：1：100；

Y＝exp（－（x－m）＾2／（2＊n＾2））；

次要情节（2，1，1）

情节（x，y）

次要情节（2，1，2）

％z＝正常（50，2，100，1）；

％地块（z）

Z＝0：1：100；

D＝normpdf（z，50，2）；

图（z，d）

等价的表达式

matlab如何产生正态分布数据

直接输入这个试试，round(normrnd(80,5,n))
命令参数为μ,σ的正态分布的随机数据
函数 normrnd
格式 :
R = normrnd(MU,SIGMA) %返回均值为MU,标准差为SIGMA的正态分布的随机数据,R可以是向量或矩阵.
R = normrnd(MU,SIGMA,m) %m指定随机数的个数,与R同维数.
R = normrnd(MU,SIGMA,m,n) %m,n分别表示R的行数和列数
注意:在MATLAB中产生正态分布的参数分别为均值和标准差.在仿真的时候很容易将标准差用方差代替,造成仿真结果数据与期望的差别较大。因为自己吃了这个亏,所以在这里特别说明。一方面提醒自己不要犯类似的错误,也给其他人一个提醒.
例:
》》n1 = normrnd(1:6,1./(1:6))
n1 =
2.1650 2.3134 3.0250 4.0879 4.8607 6.2827
》》n2 = normrnd(0,1,[1 5])
n2 =
0.0591 1.7971 0.2641 0.8717 -1.4462
》》n3 = normrnd([1 2 3;4 5 6],0.1,2,3) %mu为均值矩阵
n3 =
0.9299 1.9361 2.9640
4.1246 5.0577 5.9864
》》 R=normrnd(10,0.5,[2,3]) %mu为10,sigma为0.5的2行3列个正态随机数
R =
9.7837 10.0627 9.4268
9.1672 10.1438 10.5955

Matlab中符号变量在normrnd函数使用时，提示第二个输入标量或者唯一的符号变量

normrnd是用于生成数值类型随机数的，不能用于符号（sym）类型。

该函数会对输入参数进行合法性检查，里面有类似下面的语句：

sigma(sigma 《 0) = NaN;

这句在不同版本中会导致不同的错误，稍早一些的版本会提示“Undefined function or method ’lt’ for input arguments of type ’sym’”，也就是说符号变量不能进行关系运算；后来的版本会出现类似你现在贴出来的错误。

如果你想要生成符号类型的正态分布随机数，可以用类似 randn(3,4)*sigma+mu 的式子直接生成，其中sigma和mu为标准差和均值（可以是符号类型），randn函数可以指定需要的矩阵维数。

如何matlab取正态分布随机数

运用normrnd函数。

1. R＝normrnd(MU,SIGMA)：生成服从正态分布(MU参数代表均值，SIGMA参数代表标准差)的随机数。输入的向量或矩阵MU和SIGMA必须形式相同，输出R也和它们形式相同。标量输入将被扩展成和其它输入具有相同维数的矩阵。

2. R＝normrnd(MU,SIGMA,m,n)：生成m×n形式的正态分布的随机数矩阵。

实例：生成均值为0，标准差为1的2*2正态分布随机矩阵。

拓展说明：

matlab中还有个函数randn，可以产生均值为0，方差σ^2 = 1，标准差σ = 1的正态分布的随机数或矩阵。

Y = randn(n）返回一个n*n的随机项的矩阵;

Y = randn(m,n) 或 Y = randn([m n])：返回一个m*n的随机项矩阵。

用normrnd函数，求得随机数组，怎样可以在matlab中自动读取excel中的数据，得到多组数据的随机数组

这个函数生成均值为1.2，方差为5.76的随机数，矩阵大小为100行200列。所谓随机数，要服从那个分布当然就会有小于0的情况发生了。
要不小于0，不然就用
A=abs(normrnd(1.2,5.76,100,200)); 但是这样就改变了数据的统计特性了，均值和方差就变了~~

生成高斯分布的函数mvnrnd与normrnd有什么区别

命令参数为μ,σ的正态分布的随机数据
函数 normrnd
格式 :
R = normrnd(MU,SIGMA) %返回均值为MU,标准差为SIGMA的正态分布的随机数据,R可以是向量或矩阵.
R = normrnd(MU,SIGMA,m) %m指定随机数的个数,与R同维数.
R = normrnd(MU,SIGMA,m,n) %m,n分别表示R的行数和列数

Matlab不确定度验证及非线性拟合的问题

x=;
for i=1:10
    x=[x;(i:10:10000)];%产生从i开始，步长为10,的自然数，最大值为10000。即得到关于x的10×1000的矩阵
end
    y=x./(0.1152+0.0845*x);%得到矩阵y

    hold on;
    y1=normrnd(y,y*0.2,10,1000);%生成以y为均值，标准差为y*0.2的呈高斯分布的10×1000随机数矩阵
    plot(x,y1,’ .g’) %描散点
    plot(x,y,’b*’);%描y点
ys=;
    for i=1:10
    %%%%我怀疑是这中间有问题%%%%%%%
    b=polyfit(x(i,:),y1(i,:),4);%拟合曲线参数，使用多项式拟合函数]
    ys=[ys;polyval(b,x(i,:))];%求解拟合y值
    %%%%%%%%%%%%%%%%%%%%%
    end
    plot(x,ys,’-r’);%画出每一条拟合曲线

    hold on;
    for i=1:10
    %以下为验证通过拟合曲线得到的y值得离散度确实是0.2
    p1=ys(i,:)-y(i,:);
    p1=p1.^2;
    s=sqrt(sum(p1)/1000);
    smx(i,:)=s;%得到一组离散度的矩阵，如果结论正确，矩阵用元素应在0.2上下浮动
    end
smx

首先你生成的矩阵是1*1000的，我改了下，现在是10*1000的了
其次normrnd函数的参数你理解有误，第二个参数是标准差，是变化的数值，不是比例
现在这个运行出来每次都不一样，有的离散度只有0.11左右，大部分是0.2左右的；
由于生成的y最后基本都等于11多了，所以前几组含显著小于11的数的离散值就偏大，而后面几组基本从头到尾都等于11多，就容易偏小。
b=polyfit(x(i,:),y1(i,:),6); %这里拟合的阶数越高，拟合曲线越弯来拐去的贴合数据值，就会增大拟合出来数值的离散度。

星码园

分享网站建设技术、IT技术等网络应用技术

normrnd