Exponenta Banner
exponenta event banner

tpdf

Функция плотности вероятности t студента

свернуть все на странице

Синтаксис

y = tpdf(x,nu)

Описание

пример

y = tpdf(x,nu) возвращает функцию плотности вероятности (PDF) распределения t Студента с nu степени свободы, оцененные в значениях в x.

Примеры

свернуть все

Скрипт Open Live Script

Значение PDF в режиме является возрастающей функцией степеней свободы.

Режим t распределения Студента в x = 0. Вычислите PDF в режиме для степеней свободы 1 к 6. 

tpdf(0,1:6)
ans = 1×6

    0.3183    0.3536    0.3676    0.3750    0.3796    0.3827

T распределение сходится к стандартному нормальному распределению, когда степени свободы приближаются к бесконечности.

Вычислите различие между pdfs стандартного нормального распределения и t распределением Студента PDF с 30 степени свободы.

difference = tpdf(-2.5:2.5,30)-normpdf(-2.5:2.5)
difference = 1×6

    0.0035   -0.0006   -0.0042   -0.0042   -0.0006    0.0035

Входные параметры

свернуть все

Значения, в которых можно оценить PDF в виде скалярного значения или массива скалярных значений.

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

  • Чтобы оценить pdfs 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, tpdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в y значение PDF распределения, заданного соответствующим элементом в nu, оцененный в соответствующем элементе в x.

Пример: [-1 0 3 4]

Типы данных: single | double

Степени свободы для распределения t Студента в виде значения положительной скалярной величины или массива значений положительной скалярной величины.

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

  • Чтобы оценить pdfs 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, tpdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в y значение PDF 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 PDF 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 y значение PDF распределения, заданного соответствующим элементом в nu, оцененный в соответствующем элементе в x.

Больше о

свернуть все

t студента PDF

Распределение t Студента является семейством кривых с одним параметром. parameterν является степенями свободы. Распределение t Студента имеет нулевое среднее значение.

PDF распределения t Студента

y=f(x|ν)=Γ(ν+12)Γ(ν2)1νπ1(1+x2ν)ν+12,

где ν является степенями свободы и Γ  (·) Гамма функция. Результатом y является вероятность наблюдения особого значения x от распределения t Студента со степенями свободы ν.

Для получения дополнительной информации смотрите t Распределение Студента.

Альтернативная функциональность

  • tpdf функционально-специализированное к распределению t Студента. Statistics and Machine Learning Toolbox™ также предлагает родовую функцию pdf, который поддерживает различные вероятностные распределения. Использовать pdf, задайте имя вероятностного распределения и его параметры. Обратите внимание на то, что специфичная для распределения функция tpdf быстрее, чем родовая функция pdf.

  • 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™.

Смотрите также

| | | | | |

Темы

Представлено до R2006a

Документация Statistics and Machine Learning Toolbox

Поддержка