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 параметр 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 параметры 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 параметры распределения AB, 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 параметры распределения ABC, и D, оцененный в значениях вероятности в p.

пример

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

Примеры

свернуть все

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.

В качестве альтернативы можно вычислить те же icdf значения, не создавая объект вероятностного распределения. Используйте icdf функционируйте и задайте стандартное нормальное распределение с помощью тех же значений параметров в 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 вероятностного распределения.

Скрипт Open Live Script

Создайте объект распределения Пуассона 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.

В качестве альтернативы можно вычислить те же icdf значения, не создавая объект вероятностного распределения. Используйте icdf функционируйте и задайте распределение Пуассона с помощью того же значения в параметре уровня λ.

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

     0     1     2     3     4

icdf значения совпадают с теми вычисленное использование объекта вероятностного распределения.

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 вероятностного распределения, заданное как одно из вероятностного распределения, 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 населенияКоличество k элементов с желаемой характеристикой в населенииКоличество 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'Устойчивое 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 pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Пример: [0.1,0.25,0.5,0.75,0.9]

Типы данных: single | double

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

Если один или несколько входных параметров pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входных параметров pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входных параметров pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входных параметров pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите 'name' для определений ABC, и D для каждого распределения.

Типы данных: single | double

Вероятностное распределение, заданное как объект вероятностного распределения, созданный с функцией или приложением в этой таблице.

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

Выходные аргументы

свернуть все

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

Альтернативная функциональность

icdf родовая функция, которая принимает любого распределение его именем 'name' или объект pd вероятностного распределения. 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 Распределения.

Расширенные возможности

Смотрите также

| | | | | | |

Темы

Представлено до R2006a

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте