1.简单计算
max（最大值） sum（累加和） median（中位数） mean （平均值）
各列积:prod 实际都可以是两个参数，第二个为1（默认）按列，为二按行
求累计和、累计积、标准方差与升序排序 累计和函数CUMSUM，前n项的和， 累积积CUMPROD， 标准方差STD ，limit（求函数的极限）
2.Matlab实现t检验
T检验法：应用t分布理论对正态总体或近似服从正态分布的总体当方差
σ2未知时关于平均数的检验方法。
可以用于比较两组数据是否来自同一分布。（可以用于比较两组数据的
区分度）
例 研究矮壮素使玉米矮化的效果，在抽穗期测定喷矮壮素小区8株、对照区玉米9株，
其观察值如下表：
y1(喷施矮壮素) 160 160 200 160 200 170 150 210
y2(对照) 170 270 180 250 270 290 270 230 170
从理论上判断，喷施矮壮素只可能矮化无效而不可能促进植物长高，因
此假设H0：喷施矮壮素的株高与未喷的相同或更高，，即H0： μ1≥μ2
对HA： μ1＜μ2，即喷施矮壮素的株高较未喷的为矮。显著水平
α=0.05。
按ν=7+8=15，查t 表得一尾t0.05=1.753(一尾测验t0.05等于两尾测验
的t0.10)，现实得t=-3.05＜- t0.05=-1.753，故P＜0.05。 推断：否定
H0： μ1≥μ2，接受HA： μ1＜μ2，即认为玉米喷施矮壮素后，其株
高显著地矮于对照。
1 x=[160 160 200 160 200 170 150 210]; 2 y=[170 270 180 250 270 290 270 230 170]; 3 [h,p,ci,stats]=ttest2(x,y,0.05,'left')
h =
1
p =
0.0040
ci =
-Inf -24.3220
stats =
tstat: -3.0545 df: 15 sd: 38.4599
计算x和y在5%的显著性水平下是否来自同一分布(假设是否被接受） 结果:h=0，则表明假设在5%的置信度下被接受，即x，y在统计上可看做
来自同一分布的数据；h=1，表明假设被拒绝，即x，y在统计上认为是来
自不同分布的数据，即有区分度。例如A1,A2两算法得出的结果分别为x
，y，且从均值上看mean(x)>mean(y)，则对[h,sig,ci]=ttest2(x,y);当
h=1时，表明可以从统计上断定算法A1的结果大于A2的结果（即两组数据
均值的比较是有意义的），h=0则表示不能根据平均值来断定两组数据的
大小关系（因为区分度小）。
例 选生长期、发育进度、植株大小和其它方面皆比较一致的两株番茄构成一组，共得7组，每组中一株接种A处理病毒，另一株接种B处理病毒，以研究不同处理方法的纯化的病毒效果。
组别 y1(A法) y2(B法) d
1 10 25 -15
2 13 12 1
3 8 14 -6
4 3 15 -12
5 20 27 -7
6 20 20 0
7 6 18 -12
1 y1=[10 13 8 3 20 20 6]; 2 y2=[25 12 14 15 27 20 18]; 3 [h,p,ci,stat]=ttest(y1,y2,0.05,'both')
h =
1
p =
0.0203（越大越不好，0.05是边界值）
ci =
-12.9797 -1.5917
stat =
tstat: -3.1309 df: 6 sd: 6.1567
3.方差分析
例 以A、B、C、D4种药剂处理水稻种子，其中A为对照，每处理各得4个苗高观察值(cm)，试做方差分析。
药剂 苗高观察值 总和Ti 平均数
A 18 21 20 13 72 18
B 20 24 26 22 92 23
C 10 15 17 14 56 14
D 28 27 29 32 116 29
T=336 y=21
1 x=[18 20 10 28; 21 24 15 27; 20 26 17 29; 13 22 14 32] 2 [p,anovatab,stats]=anova1(x)
x =
18 20 10 28 21 24 15 27 20 26 17 29 13 22 14 32
p =
5.0626e-005
anovatab =
'Source' 'SS' 'df' 'MS' 'F' 'Prob>F' 'Columns' [504] [ 3] [ 168] [20.5714] [5.0626e-005] 'Error' [ 98] [12] [8.1667] [] [] 'Total' [602] [15] [] [] []
stats =
gnames: [4x1 char] n: [4 4 4 4] source: 'anova1' means: [18 23 14 29] df: 12 s: 2.8577
4.回归分析
1 x=[35.5 34.1 31.7 40.3 36.8 40.2 31.7 39.2 44.2]' 2 y=[12 16 9 2 7 3 13 9 -1]' 3 [p,s]=polyfit(x,y,1)
p =
-1.0996 48.5493
s =
R: [2x2 double] df: 7 normr: 8.6410
4.散点图
若直接画plot(x,y),则是折线图，
x,y为散点数据， scatter(x,y,'k*')， k为黑色，*为点型是散点图
若采用数据拟合，绘出的是平滑的曲线
1 x= linspace(1,10,10); 2 y=[1.1 2 4 6 5.5 4.1 7 6.5 9.1 3]; 3 a=polyfit(x,y,3); 4 x1=[0:0.01:10]; 5 y1=a(4)+a(3)*x1+a(2)*x1.^2+a(1)*x1.^3; 6 plot(x1,y1,'-r')
5.相关分析
[R,P,RLO,RUP]=CORRCOEF(x,y)