icdf

Обратная кумулятивная функция распределения

свернуть все на странице

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

Вычислите Нормальное распределение icdf

Скрипт Open Live Script

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.

Вычислите Распределение Пуассона icdf

Скрипт Open Live Script

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.

Вычислите стандартные нормальные критические значения

Скрипт Open Live Script

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` Имя распределения вероятностей
вектор символов или скаляр строки имени распределения вероятностей

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

`'name'`	Распределение	Введите параметр `A`	Введите параметр `B`	Введите параметр `C`	Введите параметр `D`
`'Beta'`	Бета распределение	a сначала формирует параметр	b второй параметр формы	—	—
`'Binomial'`	Биномиальное распределение	Количество n испытаний	Вероятность p успеха для каждого испытания	—	—
`'BirnbaumSaunders'`	Распределение Бирнбаума-Сондерса	Масштабный коэффициент β	Параметр формы γ	—	—
`'Burr'`	Подпилите распределение типа XII	Масштабный коэффициент α	c сначала формирует параметр	k второй параметр формы	—
`'Chisquare'`	Распределение хи-квадрат	Степени свободы ν	—	—	—
`'Exponential'`	Экспоненциальное распределение	Среднее значение μ	—	—	—
`'Extreme Value'`	Распределение экстремума	Параметр положения μ	Масштабный коэффициент σ	—	—
`'F'`	F распределение	Степени свободы числителя _ν1	Степени свободы знаменателя _ν2	—	—
`'Gamma'`	Гамма распределение	Параметр формы a	Масштабный коэффициент b	—	—
`'Generalized Extreme Value'`	Обобщенное распределение экстремума	Параметр формы k	Масштабный коэффициент σ	Параметр положения μ	—
`'Generalized Pareto'`	Обобщенное распределение Парето	Индекс хвоста k (форма) параметр	Масштабный коэффициент σ	Порог μ (местоположение) параметр	—
`'Geometric'`	Геометрическое распределение	Параметр вероятности p	—	—	—
`'HalfNormal'`	Полунормальное распределение	Параметр положения μ	Масштабный коэффициент σ	—	—
`'Hypergeometric'`	Геометрическое распределение	Размер m генеральной совокупности	Количество k элементов с желаемой характеристикой в генеральной совокупности	Количество n выборок чертится	—
`'InverseGaussian'`	Обратное распределение Гаусса	Масштабный коэффициент μ	Параметр формы λ	—	—
`'Logistic'`	Логистическое распределение	Среднее значение μ	Масштабный коэффициент σ	—	—
`'LogLogistic'`	Распределение Loglogistic	Среднее значение μ логарифмических значений	Масштабный коэффициент σ логарифмических значений	—	—
`'Lognormal'`	Логарифмически нормальное распределение	Среднее значение μ логарифмических значений	Стандартное отклонение σ логарифмических значений	—	—
`'Nakagami'`	Распределение Nakagami	Параметр формы μ	Масштабный коэффициент ω	—	—
`'Negative Binomial'`	Отрицательное биномиальное распределение	Количество r успехов	Вероятность p успеха в одном испытании	—	—
`'Noncentral F'`	Нецентральное распределение F	Степени свободы числителя _ν1	Степени свободы знаменателя _ν2	Параметр нецентрированности δ	—
`'Noncentral t'`	Нецентральное t Распределение	Степени свободы ν	Параметр нецентрированности δ	—	—
`'Noncentral Chi-square'`	Нецентральное распределение хи-квадрат	Степени свободы ν	Параметр нецентрированности δ	—	—
`'Normal'`	Нормальное распределение	Среднее значение μ	Стандартное отклонение σ	—	—
`'Poisson'`	Распределение Пуассона	Среднее значение λ	—	—	—
`'Rayleigh'`	Распределение Релея	Масштабный коэффициент b	—	—	—
`'Rician'`	Распределение Rician	Параметр нецентрированности s	Масштабный коэффициент σ	—	—
`'Stable'`	Стабильное распределение	α сначала формирует параметр	β второй параметр формы	Масштабный коэффициент γ	Параметр положения δ
`'T'`	T Распределение студента	Степени свободы ν	—	—	—
`'tLocationScale'`	t Распределение Шкалы Местоположения	Параметр положения μ	Масштабный коэффициент σ	Параметр формы ν	—
`'Uniform'`	(Непрерывное) равномерное распределение	a более низкая конечная точка (минимум)	b верхняя конечная точка (максимум)	—	—
`'Discrete Uniform'`	(Дискретное) равномерное распределение	Максимум n заметное значение	—	—	—
`'Weibull'`	Распределение Weibull	Масштабный коэффициент a	Параметр формы b	—	—

Пример: 'Normal'

`p` Значения вероятности, в которых можно оценить icdf
скалярное значение | массив скалярных значений

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]