icdf

Обратная кумулятивная функция распределения

Синтаксис

x = icdf('name',p,A)
x = icdf('name',p,A,B)
x = icdf('name',p,A,B,C)
x = icdf('name',p,A,B,C,D)
x = icdf(pd,p)

Описание

пример

x = icdf('name',p,A) возвращает обратную кумулятивную функцию распределения (icdf) для семейства распределений с одним параметром, заданного 'name' и параметром распределения A, оцененный в значениях вероятности в p.

пример

x = icdf('name',p,A,B) возвращает icdf для семейства распределений 2D параметра, заданного 'name' и параметрами распределения A и B, оцененный в значениях вероятности в p.

x = icdf('name',p,A,B,C) возвращает icdf для семейства распределений с тремя параметрами, заданного 'name' и параметрами распределения A, B и C, оцененный в значениях вероятности в p.

x = icdf('name',p,A,B,C,D) возвращает icdf для семейства распределений с четырьмя параметрами, заданного 'name' и параметрами распределения A, B, C и D, оцененный в значениях вероятности в p.

пример

x = icdf(pd,p) возвращает icdf функцию объекта pd распределения вероятностей, оцененного в значениях вероятности в p.

Примеры

свернуть все

Создайте стандартный объект нормального распределения со средним значением, μ, равняйтесь 0 и стандартное отклонение, σ, равняйтесь 1.

mu = 0;
sigma = 1;
pd = makedist('Normal','mu',mu,'sigma',sigma);

Задайте входной вектор p, чтобы содержать значения вероятности, в которых можно вычислить icdf.

p = [0.1,0.25,0.5,0.75,0.9];

Вычислите icdf значения для стандартного нормального распределения в значениях в p.

x = icdf(pd,p)
x = 1×5

   -1.2816   -0.6745         0    0.6745    1.2816

Каждое значение в x соответствует значению во входном векторе p. Например, в значении p равный 0,9, соответствующее icdf значение x равно 1,2816.

Также можно вычислить те же icdf значения, не создавая объект распределения вероятностей. Используйте icdf, функционируют и задают стандартное нормальное распределение с помощью тех же значений параметров для μ и σ.

x2 = icdf('Normal',p,mu,sigma)
x2 = 1×5

   -1.2816   -0.6745         0    0.6745    1.2816

icdf значения совпадают с теми вычисленное использование объекта распределения вероятностей.

Создайте объект распределения Пуассона с параметром уровня, λ, равняйтесь 2.

lambda = 2;
pd = makedist('Poisson','lambda',lambda);

Задайте входной вектор p, чтобы содержать значения вероятности, в которых можно вычислить icdf.

p = [0.1,0.25,0.5,0.75,0.9];

Вычислите icdf значения для распределения Пуассона в значениях в p.

x = icdf(pd,p)
x = 1×5

     0     1     2     3     4

Каждое значение в x соответствует значению во входном векторе p. Например, в значении p равный 0,9, соответствующее icdf значение x равно 4.

Также можно вычислить те же icdf значения, не создавая объект распределения вероятностей. Используйте icdf, функционируют и задают распределение Пуассона с помощью того же значения для параметра уровня λ.

x2 = icdf('Poisson',p,lambda)
x2 = 1×5

     0     1     2     3     4

icdf значения совпадают с теми вычисленное использование объекта распределения вероятностей.

Создайте стандартный объект нормального распределения.

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Определите критические значения на 5%-м уровне значения для тестовой статистической величины со стандартным нормальным распределением путем вычисления верхних и более низких значений на 2,5%.

x = icdf(pd,[.025,.975])
x = 1×2

   -1.9600    1.9600

Постройте cdf и заштрихуйте критические области.

p = normspec(x,0,1,'outside')

p = 0.0500

Входные параметры

свернуть все

Имя распределения вероятностей, заданное как одно из распределения вероятностей, называет в этой таблице.

'name'РаспределениеВведите параметр AВведите параметр BВведите параметр CВведите параметр D
'Beta'Бета распределениеa сначала формирует параметрb второй параметр формы
'Binomial'Биномиальное распределениеКоличество n испытанийВероятность p успеха для каждого испытания
'BirnbaumSaunders'Распределение Бирнбаума-СондерсаМасштабный коэффициент βПараметр формы γ
'Burr'Подпилите распределение типа XIIМасштабный коэффициент αc сначала формирует параметрk второй параметр формы
'Chisquare'Распределение хи-квадратСтепени свободы ν
'Exponential'Экспоненциальное распределениеСреднее значение μ
'Extreme Value'Распределение экстремумаПараметр положения μМасштабный коэффициент σ
'F'F распределениеСтепени свободы числителя ν1Степени свободы знаменателя ν2
'Gamma'Гамма распределениеПараметр формы aМасштабный коэффициент b
'Generalized Extreme Value'Обобщенное распределение экстремумаПараметр формы kМасштабный коэффициент σПараметр положения μ
'Generalized Pareto'Обобщенное распределение ПаретоИндекс хвоста k (форма) параметрМасштабный коэффициент σПорог μ (местоположение) параметр
'Geometric'Геометрическое распределениеПараметр вероятности p
'HalfNormal'Полунормальное распределениеПараметр положения μМасштабный коэффициент σ
'Hypergeometric'Геометрическое распределениеРазмер m генеральной совокупностиКоличество k элементов с желаемой характеристикой в генеральной совокупностиКоличество n выборок чертится
'InverseGaussian'Обратное распределение ГауссаМасштабный коэффициент μПараметр формы λ
'Logistic'Логистическое распределениеСреднее значение μМасштабный коэффициент σ
'LogLogistic'Распределение LoglogisticСреднее значение μ логарифмических значенийМасштабный коэффициент σ логарифмических значений
'Lognormal'Логарифмически нормальное распределениеСреднее значение μ логарифмических значенийСтандартное отклонение σ логарифмических значений
'Nakagami'Распределение NakagamiПараметр формы μМасштабный коэффициент ω
'Negative Binomial'Отрицательное биномиальное распределениеКоличество r успеховВероятность p успеха в одном испытании
'Noncentral F'Нецентральное распределение FСтепени свободы числителя ν1Степени свободы знаменателя ν2Параметр нецентрированности δ
'Noncentral t'Нецентральное t РаспределениеСтепени свободы νПараметр нецентрированности δ
'Noncentral Chi-square'Нецентральное распределение хи-квадратСтепени свободы νПараметр нецентрированности δ
'Normal'Нормальное распределениеСреднее значение μ Стандартное отклонение σ
'Poisson'Распределение ПуассонаСреднее значение λ
'Rayleigh'Распределение РелеяМасштабный коэффициент b
'Rician'Распределение RicianПараметр нецентрированности sМасштабный коэффициент σ
'Stable'Стабильное распределениеα сначала формирует параметрβ второй параметр формыМасштабный коэффициент γПараметр положения δ
'T'T Распределение студентаСтепени свободы ν
'tLocationScale't Распределение Шкалы МестоположенияПараметр положения μМасштабный коэффициент σПараметр формы ν
'Uniform'(Непрерывное) равномерное распределениеa более низкая конечная точка (минимум)b верхняя конечная точка (максимум)
'Discrete Uniform'(Дискретное) равномерное распределениеМаксимум n заметное значение
'Weibull'Распределение WeibullМасштабный коэффициент aПараметр формы b

Пример: 'Normal'

Значения вероятности, в которых можно оценить icdf, заданный как скалярное значение или массив скалярных значений в области значений [0,1].

Если один или несколько входных параметров, p, A, B, C и D являются массивами, то размеры массивов должны быть тем же самым. В этом случае icdf расширяет каждый скалярный вход в постоянный массив, одного размера как входные параметры массивов. Смотрите 'name' для определений A, B, C и D для каждого распределения.

Пример: [0.1,0.25,0.5,0.75,0.9]

Типы данных: single | double

Первый параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входных параметров, p, A, B, C и D являются массивами, то размеры массивов должны быть тем же самым. В этом случае icdf расширяет каждый скалярный вход в постоянный массив, одного размера как входные параметры массивов. Смотрите 'name' для определений A, B, C и D для каждого распределения.

Типы данных: single | double

Второй параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входных параметров, p, A, B, C и D являются массивами, то размеры массивов должны быть тем же самым. В этом случае icdf расширяет каждый скалярный вход в постоянный массив, одного размера как входные параметры массивов. Смотрите 'name' для определений A, B, C и D для каждого распределения.

Типы данных: single | double

Третий параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входных параметров, p, A, B, C и D являются массивами, то размеры массивов должны быть тем же самым. В этом случае icdf расширяет каждый скалярный вход в постоянный массив, одного размера как входные параметры массивов. Смотрите 'name' для определений A, B, C и D для каждого распределения.

Типы данных: single | double

Четвертый параметр распределения вероятностей, заданный как скалярное значение или массив скалярных значений.

Если один или несколько входных параметров, p, A, B, C и D являются массивами, то размеры массивов должны быть тем же самым. В этом случае icdf расширяет каждый скалярный вход в постоянный массив, одного размера как входные параметры массивов. Смотрите 'name' для определений A, B, C и D для каждого распределения.

Типы данных: single | double

Распределение вероятностей, заданное как объект распределения вероятностей, созданный с функцией или приложением в этой таблице.

Функция или приложениеОписание
makedistСоздайте объект распределения вероятностей использование заданных значений параметров.
fitdistСоответствуйте объекту распределения вероятностей к выборочным данным.
Distribution FitterСоответствуйте распределению вероятностей к выборочным данным с помощью интерактивного приложения Distribution Fitter и экспортируйте подходящий объект в рабочую область.
paretotailsСоздайте кусочный объект распределения, который обобщил дистрибутивы Парето в хвостах.

Выходные аргументы

свернуть все

значения icdf, возвращенные как скалярное значение или массив скалярных значений. x одного размера как p после любого необходимого скалярного расширения. Каждый элемент в x является icdf значением распределения, заданного соответствующими элементами в параметрах распределения (A, B, C и D) или заданный объектом распределения вероятностей (pd), оцененный в соответствующем элементе в p.

Альтернативная функциональность

icdf является родовой функцией, которая принимает или распределение его именем 'name' или объект pd распределения вероятностей. Это быстрее, чтобы использовать специфичную для распределения функцию, такую как norminv для нормального распределения и binoinv для биномиального распределения. Для списка специфичных для распределения функций смотрите Поддерживаемые Дистрибутивы.

Расширенные возможности

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте