манипулировать данными, чтобы лучше соответствовать распределению Гаусса
У меня есть вопрос относительно нормального распределения (сmu = 0
а такжеsigma = 1
).
Допустим, я сначала называю randn или normrnd таким образом
x = normrnd(0,1,[4096,1]); % x = randn(4096,1)
Теперь, чтобы оценить, насколько хорошие значения x соответствуют нормальному распределению, я называю
[a,b] = normfit(x);
и иметь графическую поддержку
histfit(x)
Теперь перейдем к сути вопроса: если я недостаточно удовлетворен тем, как x соответствует данному нормальному распределению, как я могу оптимизироватьx для того, чтобылучше соответствует ожидаемому нормальному распределению с участием0 означает а также1 стандартное отклонение?? Иногда из-за нескольких значений представления (т.е.4096 в этом случае),x очень плохо соответствует ожидаемому гауссову, так что я хочу манипулироватьx (линейно или нет, на данном этапе это не имеет большого значения), чтобы получить лучшую физическую форму.
Я хотел бы отметить, что у меня есть доступ к статистической панели инструментов.
РЕДАКТИРОВАТЬ
Я сделал пример сnormrnd
а такжеrandn
потому что мои данные должны и должны иметь нормальное распределение. Но, в рамках вопроса, эти функции полезны только для лучшего понимания моей заботы.
Можно ли будет применить примерку наименьших квадратов?
Обычно дистрибутив, который я получаю, похож на следующий:
мой