操作數據以更好地擬合高斯分佈

我有一個關於正態分佈的問題（使用mu = 0和sigma = 1）。操作數據以更好地擬合高斯分佈

讓我們說，我先打電話randn或normrnd這樣

x = normrnd(0,1,[4096,1]); % x = randn(4096,1)

現在，評估x值如何般配正態分佈，我叫

[a,b] = normfit(x);

，並有圖形支持

histfit(x)

現在來到這個問題的核心：如果我對如何不滿意如何X適合給定的正態分佈，如何優化X爲了更好地適應預期正態分佈與0意味着和1標準偏差 ??有時會因爲一些表示值（在這種情況下，即），X適合真的很差預期高斯，所以我想操縱X（線性或不的，它並沒有真正的問題在這一階段），以獲得更好的健身。

我想說我可以訪問統計工具箱。

編輯

我所做的例子有normrnd和randn引起我的數據應該和預期有正常的分佈。但是，在這個問題中，這些功能只會有助於更好地理解我的關注。
是否可以應用最小二乘擬合？
一般來說我得到的分佈是類似以下內容：

我

來源

2013-03-19 fpe

也許你會更好的運氣比用僞隨機數，如果你的數據集是小準隨機數。 http://www.mathworks.com/help/stats/generating-quasi-random-numbers.html – Dan 2013-03-19 10:28:28

如果您向我們展示您的發行版的外觀，那將有所幫助。 – Memming 2013-03-19 14:59:01

你上傳的內容看起來很適合我。你可能只需要更多的樣本。 – Memming 2013-03-19 15:14:14

也許，你可以去嘗試標準化輸入數據有均值= 0和sigma = 1 。就像這樣：

y=(x-mean(x))/std(x);

來源

2013-03-19 12:51:48 tashuhka

我正在玩這個瑣碎的技巧，這並沒有真正解決問題。順便說一句，謝謝你的支持 – fpe 2013-03-19 13:00:11

你應該用'std'而不是'var'來標準化。也可以使用'zscore'。 – Memming 2013-03-19 14:57:39

你是完全正確的。 – tashuhka 2013-03-19 17:15:49

如果你正在尋找一個非線性變換，將讓你看起來分佈正常，可以先估計累積分佈，然後取功能成分與標準的正常CDF的逆。通過這種方式，您可以通過可逆變換將幾乎任何分佈轉換爲法線。看看下面的示例代碼。

x = randn(1000, 1) + 4 * (rand(1000, 1) < 0.5); % some funky bimodal distribution 
xr = linspace(-5, 9, 2000); 
cdf = cumsum(ksdensity(x, xr, 'width', 0.5)); cdf = cdf/cdf(end); % you many want to use a better smoother 
c = interp1(xr, cdf, x); % function composition step 1 
y = norminv(c); % function composition step 2 
% take a look at the result 
figure; 
subplot(2,1,1); hist(x, 100); 
subplot(2,1,2); hist(y, 100);

來源

2013-03-19 15:12:53 Memming

如果你不平滑經驗CDF，這將是正常的，但做這種操縱的重點是什麼？ :) – Memming 2013-03-19 15:22:37

操作數據以更好地擬合高斯分佈

回答

相關問題