expcdf

Экспоненциальная кумулятивная функция распределения

Описание

пример

p = expcdf(x) возвращает совокупную функцию распределения (cdf) стандартного экспоненциального распределения, рассчитанную по значениям в x.

пример

p = expcdf(x,mu) возвращает cdf экспоненциального распределения со средним значением mu, рассчитывается по значениям в x.

пример

[p,pLo,pUp] = expcdf(x,mu,pCov) также возвращает 95% доверительный интервал [pLo, pUp] из p когда mu является оценкой с отклонением pCov.

[p,pLo,pUp] = expcdf(x,mu,pCov,alpha) задает уровень доверия для интервала доверия [pLo pUp] быть 100(1–alpha)%.

пример

___ = expcdf(___,'upper') возвращает дополнение cdf, рассчитанное по значениям в x, используя алгоритм, который более точно вычисляет крайние верхние вероятности, чем вычитание нижнего значения хвоста из 1. 'upper' может следовать любой комбинации входных аргументов в предыдущих синтаксисах.

Примеры

свернуть все

Вычислите вероятность того, что наблюдение в стандартном экспоненциальном распределении падает в интервале [1 2].

p = expcdf([1 2]);
p(2) - p(1)
ans = 0.2325

Медиана экспоненциального распределения µ*log(2).

Подтвердите медиану путем вычисления cdf µ*log(2) для нескольких различных вариантов µ.

mu = 10:10:60; 
p = expcdf(log(2)*mu,mu)
p = 1×6

    0.5000    0.5000    0.5000    0.5000    0.5000    0.5000

cdf среднего всегда равен 1-1/e (~0.6321).

Подтвердите результат путем вычисления экспоненциального cdf среднего значения для означает от одного до шести.

mu = 1:6;
x = mu;
p = expcdf(x,mu)
p = 1×6

    0.6321    0.6321    0.6321    0.6321    0.6321    0.6321

Найдите доверие интервал, оценивающий вероятность того, что наблюдение находится в интервале [0 1] использование экспоненциально распределенных данных.

Сгенерируйте выборку 1000 случайные числа, взятые из экспоненциального распределения со средним 5.

rng('default') % For reproducibility
x = exprnd(5,1000,1);

Оцените среднее значение с доверием интервалом.

[muhat,muci] = expfit(x)
muhat = 5.0129
muci = 2×1

    4.7161
    5.3387

Оцените отклонение средней оценки.

[~,nCov] = explike(muhat,x)
nCov = 0.0251

Создайте доверительный интервал, оценивая вероятность того, что наблюдение находится в интервале [0 1].

[p,pLo,pUp] = expcdf(1,muhat,nCov);
pCi = [pLo; pUp]
pCi = 2×1

    0.1710
    0.1912

expcdf вычисляет интервал доверия с помощью нормального приближения для распределения журнала оценки среднего значения. Вычислите более точный доверительный интервал для p путем оценки expcdf на интервале доверия muci.

pCi2 = expcdf(1,muci)
pCi2 = 2×1

    0.1911
    0.1708

Границы pCi2 противоположные, потому что более низкое среднее делает событие более вероятным, а более высокое среднее делает событие менее вероятным.

Определите вероятность того, что наблюдение из экспоненциального распределения со средним 1 находится в интервале [50 Inf].

p1 = 1 - expcdf(50,1)
p1 = 0

expcdf(50,1) почти 1, так p1 становится 0. Задайте 'upper' так что expcdf вычисляет крайние вероятности верхнего хвоста более точно.

p2 = expcdf(50,1,'upper')
p2 = 1.9287e-22

Входные параметры

свернуть все

Значения, при которых можно вычислить cdf, заданные как неотрицательное скалярное значение или массив неотрицательных скалярных значений.

  • Чтобы вычислить cdf при нескольких значениях, задайте x использование массива.

  • Чтобы вычислить cdfs нескольких распределений, задайте mu использование массива.

Если один или оба входных параметров x и mu являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, expcdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. Каждый элемент в p - значение cdf распределения, заданное соответствующим элементом в mu, рассчитывается в соответствующем элементе в x.

Пример: [3 4 7 9]

Типы данных: single | double

Среднее значение экспоненциального распределения, заданное как положительная скалярная величина значение или массив положительной скалярной величины значений.

  • Чтобы вычислить cdf при нескольких значениях, задайте x использование массива.

  • Чтобы вычислить cdfs нескольких распределений, задайте mu использование массива.

Если один или оба входных параметров x и mu являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, expcdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. Каждый элемент в p - значение cdf распределения, заданное соответствующим элементом в mu, рассчитывается в соответствующем элементе в x.

Пример: [1 2 3 5]

Типы данных: single | double

Отклонение оценки mu, заданный как положительная скалярная величина значение.

Можно оценить mu из данных при помощи expfit или mle. Затем можно оценить отклонение mu при помощи explike. Получившиеся ограничения доверительного интервала основаны на нормальном приближении для распределения логарифмического mu оценка. Более точный набор границ можно получить путем применения expcdf на интервал доверия, возвращенный expfit. Для получения примера смотрите Доверие Интервал Экспоненциала cdf Значение.

Пример: 0.10

Типы данных: single | double

Уровень значимости для доверительного интервала, заданный как скаляр в области значений (0,1). Уровень доверия 100(1–alpha)%, где alpha - вероятность того, что доверительный интервал не содержит истинного значения.

Пример: 0.01

Типы данных: single | double

Выходные аргументы

свернуть все

значения cdf, оцениваемые в x, возвращенный как скалярное значение или массив скалярных значений. p - тот же размер, что и x и mu после любого необходимого скалярного расширения. Каждый элемент в p - значение cdf распределения, заданное соответствующим элементом в mu, рассчитывается в соответствующем элементе в x.

Нижняя доверительная граница для p, возвращенный как скалярное значение или массив скалярных значений. pLo имеет тот же размер, что и p.

Верхняя доверительная граница для p, возвращенный как скалярное значение или массив скалярных значений. pUp имеет тот же размер, что и p.

Подробнее о

свернуть все

Экспоненциальный cdf

Экспоненциальное распределение является однопараметрическим семейством кривых. Средний параметр μ.

cdf экспоненциального распределения

p=F(x|u)=0x1μetμdt=1exμ.

Результатом p является вероятность того, что одно наблюдение из экспоненциального распределения со средним μ падает в интервале [0, x]. Общей альтернативной параметризацией экспоненциального распределения является использование λ, заданное как среднее количество событий в интервале, в отличие от μ, которое является средним временем ожидания наступления события. λ и μ являются обратными.

Для получения дополнительной информации смотрите Экспоненциальное распределение.

Альтернативная функциональность

  • expcdf является функцией, характерной для экспоненциального распределения. Statistics and Machine Learning Toolbox™ также предлагает общую функцию cdf, который поддерживает различные распределения вероятностей. Использовать cdf, создать ExponentialDistribution объект распределения вероятностей и передать объект как входной параметр или задать имя распределения вероятностей и его параметры. Обратите внимание, что специфичная для распределения функция expcdf быстрее, чем обобщенная функция cdf.

  • Используйте приложение Probability Distribution Function, чтобы создать интерактивный график совокупной функции распределения (cdf) или функции плотности вероятностей (pdf) для распределения вероятностей.

Расширенные возможности

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

.
Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте