icdf

Обратная кумулятивная функция распределения

Описание

пример

x = icdf('name',p,A) возвращает обратную совокупную функцию распределения (icdf) для семейства распределений с одним параметром, заданную как 'name' и параметр распределения A, оцениваемый по значениям вероятностей в p.

пример

x = icdf('name',p,A,B) возвращает icdf для семейства распределений с двумя параметрами, заданное как 'name' и параметры распределения A и B, оцениваемый по значениям вероятностей в p.

x = icdf('name',p,A,B,C) возвращает icdf для семейства распределений с тремя параметрами, заданное как 'name' и параметры распределения A, B, и C, оцениваемый по значениям вероятностей в p.

x = icdf('name',p,A,B,C,D) возвращает icdf для семейства распределений с четырьмя параметрами, заданное как 'name' и параметры распределения A, B, C, и D, оцениваемый по значениям вероятностей в p.

пример

x = icdf(pd,p) возвращает функцию icdf объекта распределения вероятностей pd, оцениваемый по значениям вероятностей в p.

Примеры

свернуть все

Создайте стандартный нормальный объект распределения со средним значением, μ, равным 0 и стандартному отклонению, σ, равный 1.

mu = 0;
sigma = 1;
pd = makedist('Normal','mu',mu,'sigma',sigma);

Задайте вектор входа p, чтобы содержать значения вероятностей, при которых можно вычислить icdf.

p = [0.1,0.25,0.5,0.75,0.9];

Вычислите значения icdf для стандартного нормального распределения при значениях в p.

x = icdf(pd,p)
x = 1×5

   -1.2816   -0.6745         0    0.6745    1.2816

Каждое значение x соответствует значению в векторе входа p. Для примера при значении p, равном 0,9, соответствующее значение icdf x равно 1.2816.

Кроме того, можно вычислить те же значения icdf, не создавая объект распределения вероятностей. Используйте icdf и задайте стандартное нормальное распределение, используя те же значения параметров для μ и σ.

x2 = icdf('Normal',p,mu,sigma)
x2 = 1×5

   -1.2816   -0.6745         0    0.6745    1.2816

Значения icdf те же, что и вычисленные с использованием объекта распределения вероятностей.

Создайте объект распределения Пуассона с параметром скорости, λ, равный 2.

lambda = 2;
pd = makedist('Poisson','lambda',lambda);

Задайте вектор входа p, чтобы содержать значения вероятностей, при которых можно вычислить icdf.

p = [0.1,0.25,0.5,0.75,0.9];

Вычислите значения icdf для распределения Пуассона при значениях в p.

x = icdf(pd,p)
x = 1×5

     0     1     2     3     4

Каждое значение x соответствует значению в векторе входа p. Для примера при значении p, равном 0,9, соответствующее значение icdf x равно 4.

Кроме того, можно вычислить те же значения icdf, не создавая объект распределения вероятностей. Используйте icdf и задайте распределение Пуассона, используя то же значение для параметра скорости λ.

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

     0     1     2     3     4

Значения icdf те же, что и вычисленные с использованием объекта распределения вероятностей.

Создайте стандартный нормальный объект распределения.

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Определите критические значения на уровне 5% значимости для тестовой статистики со стандартным нормальным распределением путем вычисления верхнего и нижнего значений 2,5%.

x = icdf(pd,[.025,.975])
x = 1×2

   -1.9600    1.9600

Постройте график cdf и затените критические области.

p = normspec(x,0,1,'outside')

Figure contains an axes. The axes with title Probability Outside Limits is 0.05 contains 5 objects of type line, patch.

p = 0.0500

Входные параметры

свернуть все

Имя распределения вероятностей, заданное как одно из имен распределения вероятностей в этой таблице.

'name'РаспределениеВходной параметр AВходной параметр BВходной параметр CВходной параметр D
'Beta'Бета- Распределениеa первый параметр формыb второго параметра формы
'Binomial'Биномиальное Распределениеn количество испытанийp вероятность успеха для каждого испытания
'BirnbaumSaunders'Распределение Бирнбаум-Сондерсβ параметр шкалыγ параметра формы
'Burr'Распределение Burr Type XIIα параметр шкалыc первый параметр формыk второго параметра формы
'Chisquare'Распределение Хи-квадратν степени свободы
'Exponential'Экспоненциальное Распределениеμ среднее
'Extreme Value'Распределение экстремальных значенийμ параметра местоположенияσ параметр шкалы
'F'Распределение Fν1 числитель степеней свободыν2 знаменательные степени свободы
'Gamma'Гамма- Распределениеa параметра формыb параметр шкалы
'Generalized Extreme Value'Обобщенное распределение экстремальных значенийk параметра формыσ параметр шкалыμ параметра местоположения
'Generalized Pareto'Обобщенное распределение Паретоk параметр tail index (shape)σ параметр шкалыμ параметр порога (местоположения)
'Geometric'Геометрическое распределениеp параметра вероятности
'HalfNormal'Полунормальное Распределениеμ параметра местоположенияσ параметр шкалы
'Hypergeometric'Гипергеометрическое распределениеm численность населенияk количество элементов с желаемой характеристикой в совокупностиn количество нарисованных выборок
'InverseGaussian'Обратное Гауссово Распределениеμ параметр шкалыλ параметра формы
'Logistic'Логистическое распределениеμ среднееσ параметр шкалы
'LogLogistic'Логистическое распределениеμ среднее из логарифмических значенийσ масштабный параметр логарифмических значений
'Lognormal'Логнормальное распределениеμ среднее из логарифмических значенийσ стандартное отклонение логарифмических значений
'Nakagami'Распределение Накагамиμ параметра формыω параметр шкалы
'Negative Binomial'Отрицательное биномиальное распределениеr число успеховp вероятность успеха в одном испытании
'Noncentral F'Нецентральное распределение Fν1 числитель степеней свободыν2 знаменательные степени свободыδ нецентрализованность параметра
'Noncentral t'Нецентральное распределение tν степени свободыδ нецентрализованность параметра
'Noncentral Chi-square'Нецентральное распределение Хи-квадратν степени свободыδ нецентрализованность параметра
'Normal'Нормальное Распределениеμ среднее σ стандартное отклонение
'Poisson'Распределение Пуассонаλ среднее
'Rayleigh'Распределение Релеяb параметр шкалы
'Rician'Распределение Райсаs нецентрализованность параметраσ параметр шкалы
'Stable'Стабильное Распределениеα первый параметр формыβ второго параметра формыγ параметр шкалыδ параметра местоположения
'T'Распределение студентаν степени свободы
'tLocationScale't Распределение по шкале местоположенияμ параметра местоположенияσ параметр шкалыν параметра формы
'Uniform'Равномерное распределение (непрерывное)a нижнюю конечную точку (минимум)b верхнюю конечную точку (максимум)
'Discrete Uniform'Равномерное распределение (дискретное)n максимальное наблюдаемое значение
'Weibull'Распределение Вейбулаa параметр шкалыb параметра формы

Пример: 'Normal'

Значения вероятности, при которых можно вычислить icdf, заданные как скалярное значение или массив скалярных значений в области значений [0,1].

Если один или несколько входные параметры p, A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Пример: [0.1,0.25,0.5,0.75,0.9]

Типы данных: single | double

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

Если один или несколько входные параметры p, A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входные параметры p, A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входные параметры p, A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

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

Если один или несколько входные параметры p, A, B, C, и D являются массивами, тогда размеры массивов должны быть одинаковыми. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив того же размера, что входы массива. См. 'name' для определений A, B, C, и D для каждого распределения.

Типы данных: single | double

Распределение вероятностей, заданное как объект распределения вероятностей, созданный функцией или приложением в этой таблице.

Функция или приложениеОписание
makedistСоздайте объект распределения вероятностей с использованием заданных значений параметров.
fitdistПодбор объекта распределения вероятностей к выборочным данным.
Distribution FitterПодгонка распределения вероятностей к выборочным данным с помощью интерактивного приложения Distribution Fitter и экспорт подгоняемого объекта в рабочую область.
paretotailsСоздайте кусочно-распределительный объект, который обобщил распределения Парето в хвостах.

Выходные аргументы

свернуть все

icdf значения, возвращенные в виде скалярного значения или массива скалярных значений. x - тот же размер, что и p после любого необходимого скалярного расширения. Каждый элемент в x - значение icdf распределения, заданное соответствующими элементами в параметрах распределения (A, B, C, и D) или задается объектом распределения вероятностей (pd), оцениваемый в соответствующем элементе в p.

Альтернативная функциональность

icdf является типовой функцией, которая принимает либо распределение по его имени 'name' или объект распределения вероятностей pd. Быстрее использовать специфичную для распределения функцию, такую как norminv для нормального распределения и binoinv для биномиального распределения. Список функций для распределения см. в Поддерживаемые дистрибутивы.

Расширенные возможности

.
Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте