常见分布有哪些？matlab画图像的像素强度分布

本文目录

• 常见分布有哪些
• matlab画图像的像素强度分布
• 双指数分布是什么意思
• 模态分布是什么
• 什么是边缘分布函数
• 常用分布的数学期望和方差表
• 边缘分布是怎么回事
• 六个常见分布的期望和方差是什么
• 怎么求联合概率的分布函数
• fx的边缘分布函数就是本身吗

常见分布有哪些

B二项分布 binomial distribution

P泊松分布 poisson’s distribution

U均匀分布 uniform distribution

E指数分布 exponential distribution

N正态分布 normal distribution

扩展资料：

正态分布的曲线应用

综述

1、估计频数分布 一个服从正态分布的变量只要知道其均数与标准差就可根据公式即可估计任意取值范围内频数比例。

2、制定参考值范围

（1）正态分布法 适用于服从正态（或近似正态）分布指标以及可以通过转换后服从正态分布的指标。

（2）百分位数法 常用于偏态分布的指标。表3-1中两种方法的单双侧界值都应熟练掌握。

3、质量控制：为了控制实验中的测量（或实验）误差，常以 作为上、下警戒值，以 作为上、下控制值。这样做的依据是：正常情况下测量（或实验）误差服从正态分布。

/4、正态分布是许多统计方法的理论基础。检验、方差分析、相关和回归分析等多种统计方法均要求分析的指标服从正态分布。

许多统计方法虽然不要求分析指标服从正态分布，但相应的统计量在大样本时近似正态分布，因而大样本时这些统计推断方法也是以正态分布为理论基础的。

频数分布

例1.10 某地1993年抽样调查了100名18岁男大学生身高（cm），其均数=172.70cm，标准差s=4.01cm，

①估计该地18岁男大学生身高在168cm以下者占该地18岁男大学生总数的百分数；

②分别求X+-1s、X+-1.96s、X+-2.58s范围内18岁男大学生占该地18岁男大学生总数的实际百分数，并与理论百分数比较。

本例，μ、σ未知但样本含量n较大，按式（3.1）用样本均数X和标准差S分别代替μ和σ，求得u值，u=（168-172.70）/4.01=-1.17。

查附表标准正态曲线下的面积，在表的左侧找到-1.1，表的上方找到0.07，两者相交处为0.1210=12.10%。该地18岁男大学生身高在168cm以下者，约占总数12.10%。

参考资料：百度百科-正态分布

matlab画图像的像素强度分布

1.灰度变换增强
（1）图像直方图
（2）图像直方图的均衡化
2.频域滤波增强
（1）低通滤波器
（2）高通滤波器
（3）同态滤波器
3.彩色增强
（1）真彩色增强
（2）伪彩色增强
（3）假彩色增强
4.小波变换在图像增强方面的应用
图像增强是图像处理中的基本技术之一，它是把原来不清晰的图像变得清晰，或者抑制图像的某些特征而使另一些特征得到增强。其主要目的是使处理后的图像质量得到改善，增加图像的信噪比，或者增强图像的视觉效果。
一、灰度变换增强
由于受各种拍摄条件的限制，图像的对比度有时比较差，图像的直方图分布有时也不够均衡，主要的元素集中在几个像素值附近，通过直方图均衡化，可使得图像中各个像素值尽可能均匀地分布或者服从一定形式的分布，从而提高图像的对比度。
（1）图像直方图
直方图是多种空间域处理技术的基础。直方图操作能有效地增强图像，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。
调用imhist函数可以显示一幅图像的直方图。
clc; %clc的作用就是清屏幕
clear; %clear是删除所有的变量
close all; %close all是将所有打开的图片关掉。
array=zeros(1,256);
I=imread(’E:\我的桌面\MATLAB\练习\2.jpg’);
a=im2gray(I); %转换为灰度像素
subplot(121),
imshow(a); %显示原图像
title(’原始图像’);
subplot(122),
imhist(I); %显示其直方图
title(’直方图’);
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
在这里插入图片描述
（2）图像直方图的均衡化
又称直方图平坦化，实质上是对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元值的数量大致相等。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较平的分段直方图？

双指数分布是什么意思

双指数分布是一种概率分布函数，也叫拉普拉斯分布或指数分布。它的形状呈现出两个尖峰，因此被称为双峰分布。在实际应用中，双指数分布常常用于描述人群中某个性状的变化，例如普及率、价格、人口数量等。该分布的特点是像指数分布一样具有单调递减性质，同时也具备对称性，两峰之间的区域将呈现高频率的分布。

双指数分布在实际应用中，被广泛地应用于人群中某个性状的变化。例如，在经济学领域，它常常用于描述物价、工资、收入等的分布；在统计学中，它通常用于描述数学模型中的随机变量，如误差、概率值等；在生物学领域中，它则通常用于描述人口数量、疾病患病率、生长速度等。因此，双指数分布在多个领域中都有着广泛的应用，是一种非常重要的概率分布函数。

双指数分布的两个峰值代表两个相关的变量，或两种状态。例如，在生物学领域中，一个峰值可能表示一个繁殖高峰期，而另一个峰值则可能对应着一个非繁殖期。这种分布方式对于观测和说明数据的特征很有用，从而可以帮助我们更好地理解数据的真实含义。此外，双指数分布还有一些特殊的性质，例如它在自然界中的分布现象非常普遍，因此它的研究具有重要的理论和实践意义。

模态分布是什么

模态分布是在统计学中是指数据集中出现频率最高的数值。模态分布(Mode)在统计学中是指数据集中出现频率最高的数值。在一个连续分布曲线上，它代表着概率密度函数（ProbabilityDensityFunction，PDF）的最高点。因此，这个点也是概率密度函数上的众数，它对应的概率值即为众数的概率。模态分布在统计分析中是一个重要指标，可以用来描述数据的中心位置及数据的分布特征。

什么是边缘分布函数

如果二维随机变量X,Y的分布函数F{x，y}为已知，那么随机变量x，y的分布函数Fx{x}和Fy{y}分别可由F{x，y}求得。则Fx{x}和Fy{y}为分布函数F{x，y}的边缘分布函数。

边缘密度函数求解方法是：根据变量的取值范围，对联合概率密度函数积分，对y积分得到X的边缘概率密度。边缘概率密度也称概率密度函数，在数学中，连续型随机变量的概率密度函数是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。

而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。当概率密度函数存在的时候，累积分布函数是概率密度函数的积分。概率密度函数一般以小写标记。随机数据的概率密度函数：表示瞬时幅值落在某指定范围内的概率，因此是幅值的函数。它随所取范围的幅值而变化。

常用分布的数学期望和方差表

常用分布的数学期望和方差表如下：

1、0-1分布：已知随机变量X，其中P{X=1}= p，P{X=0}=1-p，其中0《p《1，则成X服从参数为p的0-1分布。其中期望为E（X）=p，方差D（X）=p（1-p）。

2、二项分布：n次独立的伯努利实验（伯努利实验是指每次实验有两种结果，每种结果概率恒定，比如抛硬币）。其中期望E（X）=np，方差D（X）=np（1-p）。

3、泊松分布：其概率函数为P{X=k}=λ^k/（k!e^λ）k=0，1，2…...k代表的是变量的值。其中期望和方差均为λ。

4、均匀分布：若连续型随机变量X具有概率密度，则称X在（a，b）上服从均匀分布。其中期望E（X）=（a+b）/2，方差D（X）=（b-a）^2/12。

5、正态分布：若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N（μ，σ2）。当μ=0，σ=1时的正态分布是标准正态分布。其中期望是u，方差是σ的平方。

6、指数分布：若随机变量x服从参数为λ的指数分布，则记为X~E（λ）。其中期望是E(X)=1/λ，方差是D（X）=1/λ。

学习的意义：

1、认知自我。知识是无穷无尽的，学习也没有尽头。当你学习的知识越多时，你会发现，以前的自己是多么无知。很多知识都不清楚，甚至没听过。

2、提升自我。在现代社会发展中，成绩并非唯一的出路，但学习却是我们一生所要追求的事情。

3、开阔眼界。读万卷书，行万里路。学习可以为我们平淡的生活增添趣味，即使我们做不到行万里路，却可以做到读万卷书。

4、满足求知欲。每个人都有追求知识的权利，都有选择是否学习的权利。有人通过学习认识自己。有人通过学习提升自己。有人通过学习开阔眼界。

5、创造更多可能性。学习的道路是艰难的，但却是充实的。

边缘分布是怎么回事

要从联合密度函数求出X的边缘密度函数，那么就要消掉原表达式中的y，因此是对y进行积分，积分的上下限当然是y的取值范围了，但是要把y的取值范围用含x的表达式写出来，这样积分之后就只剩下x，当然就得出了X的边缘密度函数。

相同的边缘分布：

可构成不同的联合分布，这反映出两个分量的结合方式不同，相依程度不同。这种差异在各自的边缘分布中没有表现，因而必须考察其联合分布。

如果X是由全部实数或者由一部分区间组成，则称X为连续随机变量，连续随机变量的值是不可数及无穷尽的。

以上内容参考：百度百科--边缘分布函数

以上内容参考：百度百科--联合概率分布

六个常见分布的期望和方差是什么

六个常见分布的期望和方差：

1、均匀分布，期望是（a+b）/2，方差是（b-a）的平方/12。

2、二项分布，期望是np，方差是npq。

3、泊松分布，期望是p，方差是p。

4、指数分布，期望是1/p,方差是1/(p的平方)。

5、正态分布，期望是u，方差是&的平方。

6、x服从参数为p的0-1分布，则e(x)=p，d(x)=p(1-p)。

二项分布：

在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布。

怎么求联合概率的分布函数

由P(X=1,Y=1)=P(XY=1)=1/3=P(X=1)=P(Y=1)可知

P(X=1,Y=0)=P(X=1,Y=2)=P(Y=1,X=0)=P(Y=1,X=2)=0.

(注意P(X=1)=P(X=1,Y=0)+P(X=1,Y=1)+P(X=1,Y=2), 其他类道似专 )

P(X=2,Y=2)=P(XY=4)=1/12,

P(X=2,Y=0)=P(X=2)-P(X=2,Y=1)-P(X=2,Y=2)=1/6-1/12=1/12

类似有P(X=0,Y=2)=P(Y=2)-P(X=1,Y=2)-P(X=2,Y=2)=1/3-1/12=1/4

然后，属P(X=0,Y=0)=P(X=0)-P(X=0,Y=1)-P(X=0,Y=2)=1/2-1/4=1/4

扩展资料：

连续变量

类似地，对连续随机变量而言，联合分布概率密度函数为fX,Y(x, y)，其中fY|X(y|x)和fX|Y(x|y)分别代表X = x时Y的条件分布以及Y = y时X的条件分布；fX(x)和fY(y)分别代表X和Y的边缘分布。 

同样地，因为是概率分布函数，所以必须有：∫x∫y fX,Y(x,y) dy dx=1

独立变量

若对于任意x和y而言，有离散随机变量 ：

P(X=x and Y=y)=P(X=x) ·P(Y=y)

或者有连续随机变量：

pX,Y(x,y)=pX(x)·pY(y)

则X和Y是独立的。

fx的边缘分布函数就是本身吗

fx的边缘分布函数就是本身。X与Y的边缘分布函数实质上就是一维随机变量X或Y的分布函数。称其为边缘分布函数的是相对于(X，Y)的联合分布而言的。