Statistics Toolbox

Analisi dei dati esplorativi

Statistics Toolbox offre diversi modi per esplorare i dati: rappresentazione statistica con grafici interattivi, algoritmi per cluster analysis e statistiche descrittive per set di dati di grandi dimensioni.

Rappresentazione statistica e grafici interattivi

Statistics Toolbox contiene grafici per esplorare i dati in modo visivo. Il toolbox aumenta i tipi di grafici MATLAB® con grafici di probabilità, grafici a scatola, istogrammi, istogrammi a dispersione, istogrammi 3D, grafici di controllo e grafici quantile-quantile. Il toolbox contiene anche grafici speciali per analisi multivariate, tra cui dendogrammi, biplot, grafici a coordinate parallele e grafici Andrews.

Matrice di grafico a dispersione a gruppi che mostra le interazioni tra cinque variabili.

Matrice di grafico a dispersione a gruppi che mostra le interazioni tra cinque variabili.

Grafico a scatola compatto con baffi che fornisce la sintesi di un set di dati di cinque numeri.

Grafico a scatola compatto con baffi che fornisce la sintesi di un set di dati di cinque numeri.

Istogrammi a dispersione che utilizzano una combinazione di grafici a dispersione e istogrammi per descrivere il rapporto tra le variabili.

Istogrammi a dispersione che utilizzano una combinazione di grafici a dispersione e istogrammi per descrivere il rapporto tra le variabili.

Grafici che confrontano la CDF empirica di un campione da una distribuzione del valore estremo con un grafico della CDF della distribuzione di campionamento.

Grafici che confrontano la CDF empirica per un campione da una distribuzione del valore estremo con un grafico della CDF per la distribuzione di campionamento.

Cluster Analysis

Statistics Toolbox offre diversi algoritmi per analizzare i dati usando la clusterizzazione gerarchica, la clusterizzazione k-means e misture di gaussiane.

Adattamento di modello di mistura gaussiana a due componenti in una mistura di bivariate gaussiane.

Adattamento di modello di mistura gaussiana a due componenti in una mistura di bivariate gaussiane.

Output dall'applicazione di un algoritmo di clusterizzazione allo stesso esempio.

Output dall'applicazione di un algoritmo di clusterizzazione allo stesso esempio.

Grafico dendrogramma che mostra un modello con quattro cluster.

Grafico dendrogramma che mostra un modello con quattro cluster.

Esempio: Cluster Analysis

Cluster Analysis (Esempio)
Usare la clasterizzazioen k-means e gerarchica per scoprire i raggruppamenti naturali nei dati.

Statistiche descrittive

Le statistiche descrittive consentono di comprendere e descrivere rapidamente set di dati potenzialmente grandi. Statistics Toolbox contiene funzioni per il calcolo di:

  • Misure di tendenza centrale (misure di posizione), compresi mezzi medi, mediani e vari
  • Misure di dispersione (misure di spread), tra cui range, varianza, deviazione standard e deviazione assoluta media o mediana
  • Correlazione lineare e di rango (paziale e totale)
  • Risultati basati su dati con valori mancanti
  • Stime di percentile e quartile
  • Stime di densità usando una funzione di kernel-smoothing

Queste funzioni aiutano a riepilogare i valori nei dati campione usando pochi numeri estremamente rilevanti.

In alcuni casi, non è possibile stimare statistiche di sintesi usando metodi parametrici. Per gestire questi casi, Statistics Toolbox offre tecniche di ricampionamento, tra cui:

  • Funzione bootstrap generalizzata per stimare le statistiche sui campioni usando il ricampionamento
  • Funzione jackknife per stimare le statistiche sui campioni usando sottoinsiemi di dati
  • Funzione bootci per stimare gli intervalli di confidenza
Avanti: Regressione, classificazione e ANOVA

Prova Statistics Toolbox

Richiedi la versione di prova

Multilevel Mixed-Effects Modeling Using MATLAB

Visualizza webinar