分布拟合——正态/拉普拉斯/对数高斯/瑞利 分布

作者：桂。

时间：2017-03-16  20:30:20

链接：http://www.cnblogs.com/xingshansi/p/6561536.html 

声明：欢迎被转载，记得注明出处~

---

前言

本文为曲线与分布拟合的一部分，主要介绍正态分布、拉普拉斯分布等常用分布拟合的理论推导以及代码实现。

一、理论推导

假设数据独立同分布。对于任意数据点$x_i$，对应概率密度为$f(x_i)$，最大似然函数：

$J = mathop prod limits_{i = 1}^N f({x_i})$

表示成参数，并写成对数形式：

$Lleft( heta   ight) = ln Jleft( heta   ight) = sumlimits_{i = 1}^N {f({x_i}; heta )} $

　　A-正态分布

对于正态分布：

$f(x) = frac{1}{{sqrt {2pi } sigma }}{e^{ - frac{{{{(x - mu )}^2}}}{{2{sigma ^2}}}}}$

求偏导得参数估计：

$hat mu  = frac{{sumlimits_{i = 1}^N {{x_i}} }}{N}$

${hat sigma ^2} = frac{{sumlimits_{i = 1}^N {{{left( {{x_i} - mu } ight)}^2}} }}{N} = frac{{{{left( {{f{x}} - mu } ight)}^T}left( {{f{x}} - mu } ight)}}{N}$

　　B-拉普拉斯分布

对于拉普拉斯分布:

$f(x) = frac{1}{{2b}}{e^{ - frac{{left| {x - mu } ight|}}{b}}}$

由于其概率密度曲线为对称分布，因此均值估计可用统计均值直接表示：

$hat mu  = frac{{sumlimits_{i = 1}^N {{x_i}} }}{N}$

最大似然函数求偏导，得出$b$的估计：

$hat b = frac{{sumlimits_{i = 1}^N {left| {{x_i} - mu } ight|} }}{N}$

　　C-对数正态分布

对数正态分布：

$f(x) = frac{1}{{xsqrt {2pi } sigma }}{e^{ - frac{{{{(ln x - mu )}^2}}}{{2{sigma ^2}}}}}$

事实上，令$t = lnx$，则参数求解与正态分布完全一致。

$hat mu  = frac{{sumlimits_{i = 1}^N {{t_i}} }}{N}$

${hat sigma ^2} = frac{{sumlimits_{i = 1}^N {{{left( {{t_i} - mu } ight)}^2}} }}{N} = frac{{{{left( {{f{t}} - mu } ight)}^T}left( {{f{t}} - mu } ight)}}{N}$

　　D-瑞利分布

瑞利分布：

$f(x) = frac{x}{{{sigma ^2}}}{e^{ - frac{{{x^2}}}{{2{sigma ^2}}}}}$

最大似然求导，得出参数估计：

${hat sigma ^2} = frac{{sumlimits_{i = 1}^N {x_i^2} }}{{2N}}$

 

二、代码实现

　　A-正态分布

x       = x(:);                 % should be column vectors !
N       = length(x);
u       = sum(x)/N;
sig2    = (x-u)'*(x-u)/N;

　　B-拉普拉斯分布

x       = x(:);                 % should be column vectors !
N       = length(x);
u       = sum( x )/N;
b       = sum(abs(x-u))/N;

　　C-对数正态分布

t     = log(x(:));                 % should be column vectors !
N       = length(x);
m       = sum( t )/N;
sig2      = (t-m)'*(t-m)/N;

　　D-瑞利分布

x       = real(x(:));                 % should be column vectors !
N       = length(x);
s       = sum(x.^2)/(2*N);

三、应用举例

以正态分布为例：

rng('default') % for reproducibility
x = 3*randn(100000,1)-2;
%fitting
x       = x(:);                 % should be column vectors !
N       = length(x);
u       = sum(x)/N;
sig2    = (x-u)'*(x-u)/N;

%Plot

figure;
%Bar
subplot 311
numter = [-15:.2:10];
[histFreq, histXout] = hist(x, numter);
binWidth = histXout(2)-histXout(1);
bar(histXout, histFreq/binWidth/sum(histFreq)); hold on;grid on;
%Fitting plot
subplot 312
y = 1/sqrt(2*pi*sig2)*exp(-(numter-u).^2/2/sig2);
plot(numter,y,'r','linewidth',2);grid on;

%Fitting result
subplot 313
bar(histXout, histFreq/binWidth/sum(histFreq)); hold on;grid on;
plot(numter,y,'r','linewidth',2);

结果图：

单个曲线拟合，参考：高斯曲线拟合，其他常用曲线拟合

单个分布以本文为例。