expinv

Экспоненциальная обратная кумулятивная функция распределения

свернуть все на странице

Синтаксис

x = expinv(p)
x = expinv(p,mu)
[x,xLo,xUp] = expinv(p,mu,pCov)
[x,xLo,xUp] = expinv(p,mu,pCov,alpha)

Описание

x = expinv(p) возвращает обратную кумулятивную функцию распределения (icdf) стандартного экспоненциального распределения, вычисляемого в значениях в p.

пример

x = expinv(p,mu) возвращает icdf экспоненциального распределения со средним mu, оцененный в значениях в p.

пример

[x,xLo,xUp] = expinv(p,mu,pCov) также возвращает 95%-й доверительный интервал [xLo, xUp] из x когда mu оценка с отклонением pCov.

[x,xLo,xUp] = expinv(p,mu,pCov,alpha) задает доверительный уровень для доверительного интервала [xLo xUp] быть 100(1–alpha)%.

Примеры

свернуть все

Скрипт Open Live Script

Примите, что время жизни лампочек экспоненциально распределяется со средним значением 700 часы. Найдите среднее время жизни с помощью expinv.

expinv(0.50,700)
ans = 485.2030

Половина лампочек сожжет в течение первых 485 часов после использования.

Скрипт Open Live Script

Найдите доверительный интервал, оценивающий медиану, использующую экспоненциально распределенные данные.

Сгенерируйте выборку 1000 экспоненциально распределенные случайные числа со средним значением 5.

rng('default') % For reproducibility
x = exprnd(5,100,1);

Оцените среднее значение с доверительным интервалом.

[muhat,muci] = expfit(x)
muhat = 4.5852

muci = 2×1

    3.8043
    5.6355

Оцените отклонение средней оценки.

[~,pCov] = explike(muhat,x)
pCov = 0.2102

Создайте доверительный интервал для медианы.

[x,xLo,xUp] = expinv(0.5,muhat,pCov);
xCi = [xLo; xUp]
xCi = 2×1

    2.6126
    3.8664

В качестве альтернативы вычислите более точный доверительный интервал для x путем оценки expinv на доверительном интервале muci.

xCi2 = expinv(0.5,muci)
xCi2 = 2×1

    2.6369
    3.9062

Входные параметры

свернуть все

Значения вероятности, в которых можно оценить icdf в виде скалярного значения или массива скалярных значений, где каждый элемент находится в области значений [0,1].

  • Чтобы оценить icdf в нескольких значениях, задайте p использование массива.

  • Чтобы оценить icdfs нескольких распределений, задайте mu использование массива.

Если или или оба из входных параметров p и mu массивы, затем размеры массивов должны быть тем же самым. В этом случае, expinv расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в x icdf значение распределения, заданного соответствующим элементом в mu, оцененный в соответствующем элементе в p.

Пример: [0.1,0.5,0.9]

Типы данных: single | double

Среднее значение экспоненциального распределения в виде значения положительной скалярной величины или массива значений положительной скалярной величины.

  • Чтобы оценить icdf в нескольких значениях, задайте p использование массива.

  • Чтобы оценить icdfs нескольких распределений, задайте mu использование массива.

Если или или оба из входных параметров p и mu массивы, затем размеры массивов должны быть тем же самым. В этом случае, expinv расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Каждый элемент в x icdf значение распределения, заданного соответствующим элементом в mu, оцененный в соответствующем элементе в p.

Пример: [1 2 3 5]

Типы данных: single | double

Отклонение оценки muВ виде положительной скалярной величины.

Можно оценить mu из данных при помощи expfit. Можно затем оценить отклонение mu при помощи explike. Получившиеся границы доверительного интервала основаны на нормальном приближении для распределения журнала mu оценка. Можно получить более точный набор границ путем применения expinv к доверительному интервалу, возвращенному expfit. Для примера смотрите Доверительный интервал Экспоненциала icdf Значение.

Пример: 0.10

Типы данных: single | double

Уровень значения для доверительного интервала в виде скаляра в области значений (0,1). Доверительным уровнем является 100(1–alpha)%, где alpha вероятность, что доверительный интервал не содержит истинное значение.

Пример: 0.01

Типы данных: single | double

Выходные аргументы

свернуть все

значения icdf оценены в значениях вероятности в p, возвращенный как скалярное значение или массив скалярных значений. x одного размера с p и mu после любого необходимого скалярного расширения. Каждый элемент в x icdf значение распределения, заданного соответствующим элементом в mu, оцененный в соответствующем элементе в p.

Более низкая доверительная граница для x, возвращенный как скалярное значение или массив скалярных значений. xLo имеет тот же размер как x.

Верхняя доверительная граница для x, возвращенный как скалярное значение или массив скалярных значений. xUp имеет тот же размер как x.

Больше о

свернуть все

Экспоненциал icdf

Экспоненциальное распределение является семейством кривых с одним параметром. Параметр μ является средним значением.

icdf экспоненциального распределения

x=F−1(p|μ)=−μln(1−p).

x результата является значением, таким образом, что наблюдение от экспоненциального распределения параметром µ будет падения области значений [0, x] с вероятностью p. Общая альтернативная параметризация экспоненциального распределения должна использовать λ, заданный в качестве среднего количества событий в интервале в противоположность μ, который является средним временем ожидания для события, чтобы произойти. λ и μ являются обратными величинами.

Для получения дополнительной информации смотрите Экспоненциальное распределение.

Альтернативная функциональность

  • expinv функционально-специализированное к экспоненциальному распределению. Statistics and Machine Learning Toolbox™ также предлагает родовую функцию icdf, который поддерживает различные вероятностные распределения. Использовать icdf, создайте ExponentialDistribution объект вероятностного распределения и передача объект как входной параметр или задают имя вероятностного распределения и его параметры. Обратите внимание на то, что специфичная для распределения функция expinv быстрее, чем родовая функция icdf.

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

Для просмотра документации необходимо авторизоваться на сайте