pdf

Функция плотности вероятности

свернуть все на странице

Синтаксис

y = pdf('name',x,A)
y = pdf('name',x,A,B)
y = pdf('name',x,A,B,C)
y = pdf('name',x,A,B,C,D)
y = pdf(pd,x)

Описание

пример

y = pdf('name',x,A) возвращает функцию плотности вероятности (PDF) для семейства распределений с одним параметром, заданного 'name' и параметр распределения A, оцененный в значениях в x.

пример

y = pdf('name',x,A,B) возвращает PDF для семейства распределений 2D параметра, заданного 'name' и параметры распределения A и B, оцененный в значениях в x.

y = pdf('name',x,A,B,C) возвращает PDF для семейства распределений с тремя параметрами, заданного 'name' и параметры распределения AB, и C, оцененный в значениях в x.

y = pdf('name',x,A,B,C,D) возвращает PDF для семейства распределений с четырьмя параметрами, заданного 'name' и параметры распределения ABC, и D, оцененный в значениях в x.

пример

y = pdf(pd,x) возвращает PDF объекта pd вероятностного распределения, оцененный в значениях в x.

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 x, чтобы содержать значения, в которых можно вычислить PDF.

x = [-2 -1 0 1 2];

Вычислите значения PDF для стандартного нормального распределения в значениях в x.

y = pdf(pd,x)
y = 1×5

    0.0540    0.2420    0.3989    0.2420    0.0540

Каждое значение в y соответствует значению во входном векторе x. Например, в значении x равный 1, соответствующее значение PDF y равно 0,2420.

В качестве альтернативы можно вычислить те же значения PDF, не создавая объект вероятностного распределения. Используйте pdf функция, и задает стандартное нормальное распределение с помощью тех же значений параметров в μ и σ.

y2 = pdf('Normal',x,mu,sigma)
y2 = 1×5

    0.0540    0.2420    0.3989    0.2420    0.0540

Значения PDF 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 x, чтобы содержать значения, в которых можно вычислить PDF.

x = [0 1 2 3 4];

Вычислите значения PDF для распределения Пуассона в значениях в x.

y = pdf(pd,x)
y = 1×5

    0.1353    0.2707    0.2707    0.1804    0.0902

Каждое значение в y соответствует значению во входном векторе x. Например, в значении x равный 3, соответствующее значение PDF в y равно 0,1804.

В качестве альтернативы можно вычислить те же значения PDF, не создавая объект вероятностного распределения. Используйте pdf функция, и задает распределение Пуассона с помощью того же значения в параметре уровня, λ.

y2 = pdf('Poisson',x,lambda)
y2 = 1×5

    0.1353    0.2707    0.2707    0.1804    0.0902

Значения PDF 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

Задайте x значения и вычисляют PDF. 

x = -3:.1:3;
pdf_normal = pdf(pd,x);

Постройте PDF. 

plot(x,pdf_normal,'LineWidth',2)

Скрипт Open Live Script

Создайте объект вероятностного распределения Weibull. 

pd = makedist('Weibull','a',5,'b',2)
pd = 
  WeibullDistribution

  Weibull distribution
    A = 5
    B = 2

Задайте x значения и вычисляют PDF. 

x = 0:.1:15;
y = pdf(pd,x);

Постройте PDF. 

plot(x,y,'LineWidth',2)

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, в которых можно оценить PDF, заданный как скалярное значение или массив скалярных значений.

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

Пример: [-1,0,3,4]

Типы данных: single | double

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

Если один или несколько входных параметров xABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, pdf 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 xABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, pdf 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 xABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, pdf 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 xABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, pdf 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 PDF, возвращенные как скалярное значение или массив скалярных значений. y одного размера с x после любого необходимого скалярного расширения. Каждый элемент в y значение PDF распределения, заданного соответствующими элементами в параметрах распределения (ABC, и D) или заданный объектом вероятностного распределения (pd), оцененный в соответствующем элементе в x.

Альтернативная функциональность

  • pdf родовая функция, которая принимает любого распределение его именем 'name' или объект pd вероятностного распределения. Это быстрее, чтобы использовать специфичную для распределения функцию, такую как normpdf для нормального распределения и binopdf для биномиального распределения. Для списка специфичных для распределения функций смотрите Поддерживаемые Распределения.

  • Используйте приложение Probability Distribution Function, чтобы создать интерактивный график кумулятивной функции распределения (cdf) или функции плотности вероятности (PDF) для вероятностного распределения.

Расширенные возможности

Смотрите также

| | | | | | |

Темы

Представлено до R2006a

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