Геометрическая кумулятивная функция распределения
Встряхивайте справедливую монету неоднократно, пока монета успешно не приземляется с, возглавляет направление. Определите вероятность наблюдения самое большее трех хвостов прежде бросающий головы.
Вычислите значение кумулятивной функции распределения (cdf) для геометрического распределения, вычисляемого в точке x = 3
, где x
количество хвостов, наблюдаемых, прежде чем результатом будут головы. Поскольку монета справедлива, вероятностью получения голов в любом данном броске является p = 0.5
.
x = 3; p = 0.5; y = geocdf(x,p)
y = 0.9375
Возвращенное значение y
указывает, что вероятность наблюдения трех или меньшего количества хвостов прежде бросающий головы 0.9375.
Сравните кумулятивные функции распределения (cdfs) трех геометрических распределений.
Создайте вектор вероятности, который содержит три различных значения параметров.
Первый параметр соответствует геометрическому распределению, которое моделирует число раз, вы бросаете монету, прежде чем результатом будут головы.
Второй параметр соответствует геометрическому распределению, которое моделирует число раз, которое вы прокручиваете, четырехстороннее умирают, прежде чем результатом будут 4.
Третий параметр соответствует геометрическому распределению, которое моделирует число раз, которое вы прокручиваете, шестистороннее умирают, прежде чем результатом будут 6.
p = [1/2 1/4 1/6]'
p = 3×1
0.5000
0.2500
0.1667
Для каждого геометрического распределения оцените cdf в точках x
= 0,1,2..., 25. Расширьте x
и p
так, чтобы два geocdf
входные параметры имеют те же размерности.
x = 0:25
x = 1×26
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
expandedX = repmat(x,3,1); expandedP = repmat(p,1,26); y = geocdf(expandedX,expandedP)
y = 3×26
0.5000 0.7500 0.8750 0.9375 0.9688 0.9844 0.9922 0.9961 0.9980 0.9990 0.9995 0.9998 0.9999 0.9999 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
0.2500 0.4375 0.5781 0.6836 0.7627 0.8220 0.8665 0.8999 0.9249 0.9437 0.9578 0.9683 0.9762 0.9822 0.9866 0.9900 0.9925 0.9944 0.9958 0.9968 0.9976 0.9982 0.9987 0.9990 0.9992 0.9994
0.1667 0.3056 0.4213 0.5177 0.5981 0.6651 0.7209 0.7674 0.8062 0.8385 0.8654 0.8878 0.9065 0.9221 0.9351 0.9459 0.9549 0.9624 0.9687 0.9739 0.9783 0.9819 0.9849 0.9874 0.9895 0.9913
Каждая строка y
содержит cdf значения для одного из этих трех геометрических распределений.
Сравните эти три геометрических распределения путем графического вывода cdf значений.
hold on plot(x,y(1,:)) plot(x,y(2,:)) plot(x,y(3,:)) legend(["p = 1/2","p = 1/4","p = 1/6"]) xlabel(["Number of Failures","Before Success"]) ylabel("Cumulative Probability") title("Geometric Distribution") hold off
Прокрутитесь ярмарка неоднократно умирают, пока вы успешно не получаете 6. Определите вероятность того, чтобы не удаваться прокрутить 6 в первых трех крене.
Вычислите дополнение кумулятивной функции распределения (cdf) для геометрического распределения, вычисляемого в точке x = 2
, где x
количество не6 крена, прежде чем результатом будут 6. Обратите внимание на то, что x
значение 2 или меньше указывает на успешно прокрутку 6 в первых трех крене. Поскольку умирание справедливо, вероятностью получения 6 в любом данном крене является p = 1/6
.
x = 2;
p = 1/6;
y = geocdf(x,p,"upper")
y = 0.5787
Возвращенное значение y
указывает, что вероятность того, чтобы не удаваться прокрутить 6 в первых трех крене 0.5787. Обратите внимание на то, что эта вероятность равна вероятности прокрутки не6 значений три раза.
probability = (1-p)^3
probability = 0.5787
x
— Значения, в которых можно оценить cdfЗначения, в которых можно оценить cdf в виде неотрицательного целочисленного скаляра или массива неотрицательных целочисленных скаляров.
Чтобы оценить cdf в нескольких значениях, задайте x
использование массива. Чтобы оценить cdfs нескольких распределений, задайте p
использование массива. Если оба из входных параметров x
и p
массивы, затем размеры массивов должны быть тем же самым. Если только один из входных параметров является массивом, то geocdf
расширяет скалярный вход в постоянный массив одного размера с входом массивов. Каждый элемент в y
cdf значение распределения, заданного соответствующим элементом в p
, оцененный в соответствующем элементе в x
.
Пример 2
Пример: [0 1 2 3]
Типы данных: single
| double
p
— Вероятность успехаВероятность успеха в одном испытании в виде скаляра или массива скаляров в области значений [0,1].
Чтобы оценить cdf в нескольких значениях, задайте x
использование массива. Чтобы оценить cdfs нескольких распределений, задайте p
использование массива. Если оба из входных параметров x
и p
массивы, затем размеры массивов должны быть тем же самым. Если только один из входных параметров является массивом, то geocdf
расширяет скалярный вход в постоянный массив одного размера с входом массивов. Каждый элемент в y
cdf значение распределения, заданного соответствующим элементом в p
, оцененный в соответствующем элементе в x
.
Пример: 0.5
Пример: [1/2 1/3]
Типы данных: single
| double
y
— значения cdfзначения cdf, возвращенные как скаляр или массив скаляров в области значений [0,1]. y
одного размера с x
и p
после любого необходимого скалярного расширения. Для элемента y
, y и его соответствующие элементы в x
и p
, x и p, cdf значение, y является вероятностью наличия при большинстве испытаний x перед успехом, когда p является вероятностью успеха в любом данном испытании.
Геометрическое распределение является семейством кривых с одним параметром, которое моделирует количество отказов, прежде чем успех произойдет в ряду независимых испытаний. Каждое испытание результаты в любой успешности или неуспешности и вероятность успеха в любом отдельном испытании является постоянным. Например, если вы бросаете монету, геометрическое распределение моделирует количество хвостов, наблюдаемых, прежде чем результатом будут головы. Геометрическое распределение является дискретным, существующим только на неотрицательных целых числах.
Кумулятивная функция распределения (cdf) геометрического распределения
где p является вероятностью успеха, и x является количеством отказов перед первым успехом. y результата является вероятностью наблюдения до испытаний x перед успехом, когда вероятностью успеха в любом данном испытании является p.
[1] Abramowitz, M. и я. А. Стегун. Руководство математических функций. Нью-Йорк: Дувр, 1964.
[2] Эванс, M., Н. Гастингс и Б. Пикок. Статистические Распределения. 2-й редактор, Хобокен, NJ: John Wiley & Sons, Inc., 1993.
Эта функция полностью поддерживает массивы графического процессора. Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.