Exponenta Banner

tpdf

Функция t плотности вероятностей студента

Свернуть все на странице

Синтаксис

y = tpdf(x,nu)

Описание

пример

y = tpdf(x,nu) возвращает функцию плотности вероятностей (PDF) распределения t Студента с nu степени свободы, оцениваемые по значениям в x.

Примеры

свернуть все

Открыть Live Script

Значение PDF в режиме является увеличивающейся функцией степеней свободы.

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

tpdf(0,1:6)
ans = 1×6

    0.3183    0.3536    0.3676    0.3750    0.3796    0.3827

Распределение t сходится к стандартному нормальному распределению, когда степени свободы приближаются к бесконечности.

Вычислите различие между PDFS стандартного нормального распределения и распределением Student's t 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, при которых можно вычислить PDF, заданные как скалярное значение или массив скалярных значений.

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

  • Чтобы вычислить PDFS нескольких распределений, задайте nu использование массива.

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

Пример: [-1 0 3 4]

Типы данных: single | double

Степени свободы для распределения t Студента, заданные как положительная скалярная величина значение или массив положительной скалярной величины значений.

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

  • Чтобы вычислить PDFS нескольких распределений, задайте nu использование массива.

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

Пример: [9 19 49 99]

Типы данных: single | double

Выходные аргументы

свернуть все

PDF, рассчитанные по значениям в x, возвращенный как скалярное значение или массив скалярных значений. p - тот же размер, что и x и nu после любого необходимого скалярного расширения. Каждый элемент в y - значение PDF распределения, заданное соответствующим элементом в nu, рассчитывается в соответствующем элементе в x.

Подробнее о

свернуть все

Студенческое t PDF

Распределение t Студента является однопараметрическим семейством кривых. Параметром ν являются степени 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 - степени свободы, а Β  (·) - Гамма-функция. Результатом y является вероятность наблюдения определенного значения x из распределения t Студента с ν степенями свободы.

Для получения дополнительной информации смотрите Распределение студента.

Альтернативная функциональность

  • tpdf является функцией, специфичной для распределения t Студента. Statistics and Machine Learning Toolbox™ также предлагает общую функцию pdf, который поддерживает различные распределения вероятностей. Использовать pdf, задайте имя распределения вероятностей и его параметры. Обратите внимание, что специфичная для распределения функция tpdf быстрее, чем обобщенная функция pdf.

  • 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 ®

.

См. также

| | | | | |

Темы

Представлено до R2006a

Statistics and Machine Learning Toolbox документация

Поддержка