MATLAB中std函数用法

目录

语法

说明

示例

矩阵列的标准差

三维数组的标准差

指定标准差权重

矩阵行的标准差

数组页的标准差

排除缺失值的标准差

标准差和均值

标准差


        std函数的功能是得到标准差。

语法

S = std(A)
S = std(A,w)
S = std(A,w,"all")
S = std(A,w,dim)
S = std(A,w,vecdim)
S = std(___,missingflag)
[S,M] = std(___)

说明

S = std(A) 返回 A 沿大小大于 1 的第一个数组维度计算的元素的标准差。默认情况下,标准差按 N-1 实现归一化,其中 N 是观测值数量。

  • 如果A是观测值的向量,则S是标量。

  • 如果A是一个列为随机变量且行为观测值的矩阵,则S是一个包含与每列对应的标准差的行向量。

  • 如果A是多维数组,则std(A)沿大小大于 1 的第一个数组维度计算,并将这些元素视为向量。此维度中S的大小变为1,而所有其他维度的大小仍与在A中相同。

  • 如果A是标量,则S为0。

  • 如果A是一个 0×0 的空数组,则 S 为 NaN。

  • 如果 A 是表或时间表,则 std(A) 返回单行表,其中包含每个变量的标准差。 (自 R2023a 起)

S = std(A,w) 指定加权方案。当 w = 0(默认值)时,标准差按 N-1 实现归一化,其中 N 是观测值数量。当 w = 1 时,标准差按观测值数量进行归一化。w 也可以是包含非负元素的权重向量。在这种情况下,w 的长度必须等于 std 将作用于的维度的长度。

        当 w 为 0 或 1 时,S = std(A,w,"all") 返回 A 的所有元素的标准差。

S = std(A,w,dim) 返回沿维度 dim 的标准差。要维持默认归一化并指定运算的维度,请在第二个参数中设置 w = 0。

        当 w 为 0 或 1 时,S = std(A,w,vecdim) 返回向量 vecdim 中指定维度的标准差。例如,如果 A 是矩阵,则 std(A,0,[1 2]) 返回 A 中所有元素的标准差,因为矩阵的每个元素包含在由维度 1 和 2 定义的数组切片中。

S = std(___,missingflag) 在上述任一语法的基础上指定包含还是省略 A 中的缺失值。例如,std(A,"omitmissing") 在计算标准差时会忽略所有缺失值。默认情况下,std 包括缺失值。

[S,M] = std(___) 还返回 A 中用于计算标准差的元素的均值。如果 S 是加权标准差,则 M 是加权均值。

示例

矩阵列的标准差

        创建一个矩阵,并计算每一列的标准差。

A = [4 -5 1; 2 3 5; -9 1 7];
S = std(A)
S = 1×37.0000    4.1633    3.0551

三维数组的标准差

        创建一个三维数组,并计算沿第一个维度的标准差。

A(:,:,1) = [2 4; -2 1];
A(:,:,2) = [9 13; -5 7];
A(:,:,3) = [4 4; 8 -3];
S = std(A)
S = 
S(:,:,1) =2.8284    2.1213S(:,:,2) =9.8995    4.2426S(:,:,3) =2.8284    4.9497

指定标准差权重

        创建一个矩阵,并根据权重向量w计算每一列的标准差。

A = [1 5; 3 7; -9 2];
w = [1 1 0.5];
S = std(A,w)
S = 1×24.4900    1.8330

矩阵行的标准差

        创建一个矩阵,并计算每一行的标准差。

A = [6 4 23 -3; 9 -10 4 11; 2 8 -5 1];
S = std(A,0,2)
S = 3×111.03039.46925.3229

数组页的标准差

        创建一个三维数组并计算每页数据(行和列)的标准差。

A(:,:,1) = [2 4; -2 1];
A(:,:,2) = [9 13; -5 7];
A(:,:,3) = [4 4; 8 -3];
S = std(A,0,[1 2])
S = 
S(:,:,1) =2.5000S(:,:,2) =7.7460S(:,:,3) =4.5735

排除缺失值的标准差

        创建一个包含 NaN 值的矩阵。

A = [1.77 -0.005 NaN -2.95; NaN 0.34 NaN 0.19]
A = 2×41.7700   -0.0050       NaN   -2.9500NaN    0.3400       NaN    0.1900

        计算矩阵的标准差,不包括缺失值。对于包含任一 NaN 值的矩阵列,std 使用非 NaN 元素进行计算。对于 A 中包含的所有值都是 NaN 的列,标准差为 NaN。

S = std(A,"omitmissing")
S = 1×40    0.2440       NaN    2.2203

标准差和均值

        创建一个矩阵,并计算每一列的标准差和均值。

A = [4 -5 1; 2 3 5; -9 1 7];
[S,M] = std(A)
S = 1×37.0000    4.1633    3.0551M = 1×3-1.0000   -0.3333    4.3333

创建一个矩阵,根据权重向量 w 计算每列的加权标准差和加权均值。

A = [1 5; 3 7; -9 2];
w = [1 1 0.5];
[S,M] = std(A,w)
S = 1×24.4900    1.8330M = 1×2-0.2000    5.2000

参数说明

A — 输入数组

        输入数组,指定为向量、矩阵、多维数组、表或时间表。如果 A 是标量,则 std(A) 返回 0。如果 A 是一个 0×0 的空数组,则 std(A) 返回 NaN。

w — 粗细

权重,指定为下列值之一:

  • 0 - 按 N-1 实现归一化,其中 N 是观测值的数量。如果只有一个观测值,则权重为 1。

  • 1 - 按 N 实现归一化。

  • 由非负标量权重构成的向量,这些权重对应于沿其计算方差的A 维度。

dim — 沿其运算的维度

        沿其运算的维度,指定为正整数标量。如果不指定维度,则默认为第一个大于 1 的数组维度。

        维度 dim 表示长度减至 1 的维度。size(S,dim) 为 1,而所有其他维度的大小保持不变。

以一个 m×n 输入矩阵 A 为例:

  • std(A,0,1) 计算 A 的每一列元素的标准差,并返回一个 1×n 行向量。

    std(A,0,1) column-wise computation

  • std(A,0,2) 计算 A 的每一行元素的标准差,并返回一个 m×1 列向量。

    std(A,0,2) row-wise computation

        如果 dim 大于 ndims(A),则 std(A) 返回大小与 A 相同的由零组成的数组。

vecdim — 维度向量

        维度向量,指定为正整数向量。每个元素代表输入数组的一个维度。指定的操作维度的输出长度为 1,而其他保持不变。

        以 2×3×3 输入数组 A 为例。然后 std(A,0,[1 2]) 返回 1×1×3 数组,其元素是在 A 的每个页面上计算的标准差。

Mapping of a 2-by-3-by-3 input array to a 1-by-1-by-3 output array

missingflag — 缺失值条件

缺失值条件,指定为下表中的值之一。

输入数据类型描述
"includemissing"所有支持的数据类型

在计算标准差时包括 A 和 w 中的缺失值。如果运算维度中的任一元素缺失,则 S 中的对应元素也会缺失。

"includenan"double, single, duration
"includenat"datetime
"omitmissing"所有支持的数据类型忽略 A 和 w 中的缺失值,并基于较少的点计算标准差。如果运算维度中的所有元素都缺失,则 S 中的对应元素也会缺失。
"omitnan"double, single, duration
"omitnat"datetime

S — 标准差

标准差,以标量、向量、矩阵、多维数组或表形式返回

  • 如果 A 是观测值的向量,则 S 是标量。

  • 如果 A 是一个列为随机变量且行为观测值的矩阵,则 S 是一个包含与每列对应的标准差的行向量。

  • 如果 A 是多维数组,则 std(A) 沿大小不大于 1 的第一个数组维度计算,并将这些元素视为向量。此维度中 S 的大小变为 1,而所有其他维度的大小仍与在 A 中相同。

  • 如果 A 是标量,则 S 为 0。

  • 如果 A 是一个 0×0 的空数组,则 S 为 NaN。

  • 如果 A 是表或时间表,则 S 是单行表。 (自 R2023a 起)

M — 均值

均值,以标量、向量、矩阵、多维数组或表形式返回。

  • 如果 A 是观测值的向量,则 M 是标量。

  • 如果 A 是一个列为随机变量且行为观测值的矩阵,则 M 是一个包含与每列对应的均值的行向量。

  • 如果 A 是多维数组,则 std(A) 沿大小大于 1 的第一个数组维度计算,并将这些元素视为向量。此维度中 M 的大小变为 1,而所有其他维度的大小仍与在 A 中相同。

  • 如果 A 是标量,则 M 等于 A。

  • 如果 A 是一个 0×0 的空数组,则 M 为 NaN。

  • 如果 A 是表或时间表,则 M 是单行表。 (自 R2023a 起)

如果 S 是加权标准差,则 M 是加权均值。

标准差

对于由 N 个标量观测值组成的有限长向量 A,标准差定义为

,其中 μ 是 A:

的均值。标准差是方差的平方根。

        有些标准差的定义使用归一化因子 N 而非 N – 1。可以通过指定权重 1 来使用归一化因子 N,从而生成样本关于其均值的二阶矩的平方根。

        无论标准差的归一化因子是什么,都假定均值具有归一化因子 N。

加权标准差

        对于由 N 个标量观测值组成的有限长度向量 A 和加权方案 w,加权标准差定义为

,其中 μw 是 A 的加权均值。

加权均值

        对于由 N 个标量观测值组成的随机变量向量 A 和加权方案 w,加权均值定义为

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/152988.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Android---Gradle 构建问题解析

想必做 Android App 开发的对 Gradle 都不太陌生。因为有 Android Studio 的帮助,Android 工程师使用 Gradle 的门槛不算太高,基本的配置都大同小异。只要在 Android Studio 默认生成的 build.gradle 中稍加修改,就都能满足项目要求。但是&am…

面试题c/c++ --STL 算法与数据结构

1.6 STL 模板 模板底层实现:编译器会对函数模板进行两次编译, 在声明的地方对模板代码本身进行编译, 在调用的地方对参数替换后的代码进行编译。 模板传参分析 模板重载 vector 是动态空间, 随着元素的加入, 它的内…

Apache Airflow (十二) :PythonOperator

🏡 个人主页:IT贫道_大数据OLAP体系技术栈,Apache Doris,Clickhouse 技术-CSDN博客 🚩 私聊博主:加入大数据技术讨论群聊,获取更多大数据资料。 🔔 博主个人B栈地址:豹哥教你大数据的个人空间-豹…

内网穿透的应用-如何在Docker中部署MinIO服务并结合内网穿透实现公网访问本地管理界面

文章目录 前言1. Docker 部署MinIO2. 本地访问MinIO3. Linux安装Cpolar4. 配置MinIO公网地址5. 远程访问MinIO管理界面6. 固定MinIO公网地址 前言 MinIO是一个开源的对象存储服务器,可以在各种环境中运行,例如本地、Docker容器、Kubernetes集群等。它兼…

HTTPS流量抓包分析中出现无法加载key

HTTPS流量抓包分析(TLSv1.2),这篇文章分析的比较透彻,就不班门弄斧了 https://zhuanlan.zhihu.com/p/635420027 写个小问题:RSA密钥对话框加载rsa key文件的时候注意不要在中文目录下,否则会提示:“Enter the passwor…

单张图像3D重建:原理与PyTorch实现

近年来,深度学习(DL)在解决图像分类、目标检测、语义分割等 2D 图像任务方面表现出了出色的能力。DL 也不例外,在将其应用于 3D 图形问题方面也取得了巨大进展。 在这篇文章中,我们将探讨最近将深度学习扩展到单图像 3…

【MySql】13- 实践篇(十一)

文章目录 1. 自增主键为什么不是连续的?1.1 自增值保存在哪儿?1.2 自增值修改机制1.2.1 自增值的修改时机1.2.2 自增值为什么不能回退? 1.3 自增锁的优化1.3.1 自增锁设计历史 2. Insert语句为何很多锁?2.1 insert … select 语句2.2 insert 循环写入2…

以“防方视角”观Shiro反序列化漏洞

为方便您的阅读,可点击下方蓝色字体,进行跳转↓↓↓ 01 案例概述02 攻击路径03 防方思路 01 案例概述 这篇文章来自微信公众号“潇湘信安”,记录的某师傅如何发现、利用Shiro反序列化漏洞,又是怎样绕过火绒安全防护实现文件落地、…

BLIP-2:冻结现有视觉模型和大语言模型的预训练模型

Li J, Li D, Savarese S, et al. Blip-2: Bootstrapping language-image pre-training with frozen image encoders and large language models[J]. arXiv preprint arXiv:2301.12597, 2023. BLIP-2,是 BLIP 系列的第二篇,同样出自 Salesforce 公司&…

物流实时数仓:采集通道搭建

系列文章目录 物流实时数仓:环境搭建 文章目录 系列文章目录前言一、环境准备1.前置环境2.hbase安装1.上传并解压2.配置环境变量3.拷贝jar包4.编写配置文件5.分发配置文件 3.Redis安装1.安装需要的编译环境2.上传并解压文件3.编译安装4.后台访问 4.ClickHouse安装5…

OpenCvSharp从入门到实践-(01)认识OpenCvSharp开发环境搭建

目录 一、OpenCV 二、OpenCvSharp 三、OpenCvSharp开发环境搭建 四、下载 五、其他 一、OpenCV OpenCV是基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习函数库,支持Windows、Linux、Android和Mac OS操作系统。OpenCV由一系…

Oracle for Windows安装和配置——Oracle for Windows net配置

2.3. Oracle for Windows net配置 2.3.1. Oracle net配置 2.3.1.1. Oracle net简介 前述章节中,我们只是安装了数据库软件,创建了数据库,测试在服务器本地连接查询数据库。但还不能通过网络远程连接访问数据库,因为我们还没配置用来远程连接访问该数据库的组件Oracle ne…

【Linux】缓冲区+磁盘+动静态库

一、缓冲区 1、缓冲区的概念 缓冲区的本质就是一段用作缓存的内存。 2、缓冲区的意义 节省进程进行数据IO的时间。进程使用fwrite等函数把数据拷贝到缓冲区或者外设中。 3、缓冲区刷新策略 3.1、立即刷新(无缓冲)——ffush() 情况很少&#xff0c…

【蓝桥杯 第十五届模拟赛 Java B组】训练题(A - I)

目录 A、求全是字母的最小十六进制数 B、Excel表格组合 C、求满足条件的日期 D、 取数字 - 二分 (1)暴力 (2)二分 E、最大连通块 - bfs F、哪一天? G、信号覆盖 - bfs (1)bfs&#xf…

【前端学java】java中的日期操作(12)

往期回顾: 【前端学java】JAVA开发的依赖安装与环境配置 (0)【前端学 java】java的基础语法(1)【前端学java】JAVA中的packge与import(2)【前端学java】面向对象编程基础-类的使用 &#xff08…

使用Python的turtle模块绘制玫瑰花图案(含详细Python代码与注释)

1.1引言 turtle模块是Python的标准库之一,它提供了一个绘图板,让我们可以在屏幕上绘制各种图形。通过使用turtle,我们可以创建花朵、叶子、复杂的图案等等。本博客将介绍如何使用turtle模块实现绘制图形的过程,并展示最终结果。 …

创建一个用户test且使用testtab表空间及testtemp临时表空间并授予其权限,密码随意

文章目录 1、连接到数据库2、创建表空间3、创建用户4、授予权限5、测试 1、连接到数据库 sqlplus / as sysdba2、创建表空间 创建testtab表空间 CREATE TABLESPACE testtab DATAFILE /u01/app/oracle/oradata/orcl/testtab.dbf SIZE 50M AUTOEXTEND ON NEXT 5M MAXSIZE …

Unity中Shader法线贴图(下)理论篇

文章目录 前言一、采样出错的原因二、切线空间是什么?切线空间图解: 三、计算方式1、统一变换到切线空间下进行计算2、统一变换到世界空间下进行计算 四、一般统一变换到世界空间下的坐标进行计算1、求M^-1^2、求出n~w~ 前言 这篇文章,主要解…

[Android] Amazon 的 android 音视频开发文档

https://developer.amazon.com/zh/docs/fire-tv/audio-video-synchronization.html#22-getplaybackheadposition-api-level-3https://developer.amazon.com/zh/docs/fire-tv/audio-video-synchronization.html#22-getplaybackheadposition-api-level-3

车载毫米波雷达行业发展1——概述

1.1 毫米波雷达定义及产品演进 1.1.1 毫米波雷达定义 毫米波雷达(mmWave Radar)是指工作在毫米波波段的雷达,其频域介于 30~300GHz,波长1~10mm。毫米波雷达稳定性高,抗干扰能力强,可穿透雾、烟、灰尘环境&#xff0…