chi2cdf

Кумулятивная функция распределения хи-квадрата

Описание

пример

p = chi2cdf(x,nu) возвращает кумулятивную функцию распределения (cdf) распределения хи-квадрат со степенями свободы nu, оцененный в значениях в x.

пример

p = chi2cdf(x,nu,'upper') возвращает дополнение cdf, оцененного в значениях в x со степенями свободы nu, использование алгоритма, который более точно вычисляет экстремальные вероятности верхнего хвоста, чем вычитание более низкого значения хвоста от 1.

Примеры

свернуть все

Вычислите вероятность что наблюдение от распределения хи-квадрат с 5 степени свободы находятся в интервале [0 3].

p1 = chi2cdf(3,5)
p1 = 0.3000

Вычислите вероятность что наблюдение от распределений хи-квадрат со степенями свободы 1 через 5 находится в интервале [0 3].

p2 = chi2cdf(3,1:5)
p2 = 1×5

    0.9167    0.7769    0.6084    0.4422    0.3000

Среднее значение распределения хи-квадрат равно степеням свободы. Вычислите вероятность, что наблюдение находится в интервале [0 nu] для степеней свободы 1 через 6.

nu = 1:6;
x = nu;
p3 = chi2cdf(x,nu)
p3 = 1×6

    0.6827    0.6321    0.6084    0.5940    0.5841    0.5768

Когда степени свободы увеличиваются, вероятность что наблюдение от распределения хи-квадрат со степенями свободы nu меньше среднее значение приближается к 0.5.

Определите вероятность что наблюдение от распределения хи-квадрат с 3 степени свободы находятся в на интервале [100 Inf].

p1 = 1 - chi2cdf(100,3)
p1 = 0

chi2cdf(100,3) почти 1, так p1 становится 0. Задайте 'upper' так, чтобы chi2cdf вычисляет экстремальные вероятности верхнего хвоста более точно.

p2 = chi2cdf(100,3,'upper')
p2 = 1.5542e-21

Входные параметры

свернуть все

Значения, в которых можно оценить cdf в виде неотрицательного скалярного значения или массива неотрицательных скалярных значений.

  • Чтобы оценить cdf в нескольких значениях, задайте x использование массива.

  • Чтобы оценить cdfs нескольких распределений, задайте nu использование массива.

Если или или оба из входных параметров x и nu массивы, затем размеры массивов должны быть тем же самым. В этом случае, chi2cdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в p cdf значение распределения, заданного соответствующим элементом в nu, оцененный в соответствующем элементе в x.

Пример: [3 4 7 9]

Типы данных: single | double

Степени свободы для распределения хи-квадрат в виде значения положительной скалярной величины или массива значений положительной скалярной величины.

  • Чтобы оценить cdf в нескольких значениях, задайте x использование массива.

  • Чтобы оценить cdfs нескольких распределений, задайте nu использование массива.

Если или или оба из входных параметров x и nu массивы, затем размеры массивов должны быть тем же самым. В этом случае, chi2cdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в p cdf значение распределения, заданного соответствующим элементом в nu, оцененный в соответствующем элементе в x.

Пример: [9 19 49 99]

Типы данных: single | double

Выходные аргументы

свернуть все

значения cdf оценены в значениях в x, возвращенный как скалярное значение или массив скалярных значений. p одного размера с x и nu после любого необходимого скалярного расширения. Каждый элемент в p cdf значение распределения, заданного соответствующим элементом в nu, оцененный в соответствующем элементе в x.

Больше о

свернуть все

Хи-квадрат cdf

Распределение хи-квадрат является семейством кривых с одним параметром. Параметр ν является степенями свободы.

cdf распределения хи-квадрат

p=F(x|ν)=0xt(ν2)/2et/22ν/2Γ(ν/2)dt,

где ν является степенями свободы и Γ  (·) Гамма функция. p результата является вероятностью, что одно наблюдение от распределения хи-квадрат со степенями свободы ν падает в интервале [0, x].

Для получения дополнительной информации смотрите Распределение хи-квадрат.

Альтернативная функциональность

  • chi2cdf функционально-специализированное к распределению хи-квадрат. Statistics and Machine Learning Toolbox™ также предлагает родовой функции cdf, который поддерживает различные вероятностные распределения. Использовать cdf, задайте имя вероятностного распределения и его параметры. Обратите внимание на то, что специфичный для распределения функциональный chi2cdf быстрее, чем родовая функция cdf.

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

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте