icdf

Обратная кумулятивная функция распределения

свернуть все на странице

Синтаксис

x = icdf(name,p,A)

x = icdf(name,p,A,B)

x = icdf(name,p,A,B,C)

x = icdf(name,p,A,B,C,D)

x = icdf(pd,p)

Описание

x = icdf(name,p,A) возвращает обратную кумулятивную функцию распределения (icdf) для семейства распределений с одним параметром, заданного name и параметр распределения A, оцененный в значениях вероятности в p.

пример

x = icdf(name,p,A,B) возвращает icdf для семейства распределений 2D параметра, заданного name и параметры распределения A и B, оцененный в значениях вероятности в p.

x = icdf(name,p,A,B,C) возвращает icdf для семейства распределений с тремя параметрами, заданного name и параметры распределения AB, и C, оцененный в значениях вероятности в p.

x = icdf(name,p,A,B,C,D) возвращает icdf для семейства распределений с четырьмя параметрами, заданного name и параметры распределения ABC, и D, оцененный в значениях вероятности в p.

пример

x = icdf(pd,p) возвращает icdf функцию объекта pd вероятностного распределения, оцененный в значениях вероятности в p.

Примеры

свернуть все

Вычислите Нормальное распределение icdf путем Определения Имени Распределения и Параметров

Скрипт Open Live Script

Вычислите icdf значения для нормального распределения путем указывания, что распределение называет 'Normal' и параметры распределения.

Задайте входной вектор p, чтобы содержать значения вероятности, в которых можно вычислить icdf.

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

Вычислите icdf значения для нормального распределения со средним значением $μ$ равняйтесь 1 и стандартное отклонение $σ$ равняйтесь 5.

mu = 1;
sigma = 5;
y = icdf('Normal',p,mu,sigma)

y = 1×5

   -5.4078   -2.3724    1.0000    4.3724    7.4078

Каждое значение в y соответствует значению во входном векторе x. Например, в значении x равный 1, соответствующее icdf значение y равно 7,4078.

Вычислите Нормальное распределение icdf Используя Объект распределения

Скрипт Open Live Script

Создайте нормальное распределение, возражают и вычисляют icdf значения нормального распределения с помощью объекта.

Создайте объект нормального распределения со средним значением $μ$ равняйтесь 1 и стандартное отклонение $σ$ равняйтесь 5.

mu = 1;
sigma = 5;
pd = makedist('Normal','mu',mu,'sigma',sigma);

Задайте входной вектор p, чтобы содержать значения вероятности, в которых можно вычислить icdf.

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

Вычислите icdf значения для нормального распределения в значениях в p.

x = icdf(pd,p)

x = 1×5

   -5.4078   -2.3724    1.0000    4.3724    7.4078

Каждое значение в x соответствует значению во входном векторе p. Например, в значении p равный 0,9, соответствующее icdf значение x равно 7,4078.

Вычислите Распределение Пуассона icdf

Скрипт Open Live Script

Создайте объект распределения Пуассона параметром уровня, $λ$ , равняйтесь 2.

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

Задайте входной вектор p, чтобы содержать значения вероятности, в которых можно вычислить icdf.

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

Вычислите icdf значения для распределения Пуассона в значениях в p.

x = icdf(pd,p)

x = 1×5

     0     1     2     3     4

Каждое значение в x соответствует значению во входном векторе p. Например, в значении p равный 0,9, соответствующее icdf значение x равно 4.

В качестве альтернативы можно вычислить те же icdf значения, не создавая объект вероятностного распределения. Используйте icdf функционируйте и задайте распределение Пуассона с помощью того же значения для параметра уровня $λ$ .

x2 = icdf('Poisson',p,lambda)

x2 = 1×5

     0     1     2     3     4

icdf значения совпадают с теми вычисленное использование объекта вероятностного распределения.

Вычислите стандартные нормальные критические значения

Скрипт Open Live Script

Создайте стандартный объект нормального распределения.

pd = makedist('Normal')

pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Определите критические значения на 5%-м уровне значения для тестовой статистической величины со стандартным нормальным распределением путем вычисления верхних и более низких значений на 2,5%.

x = icdf(pd,[.025,.975])

x = 1×2

   -1.9600    1.9600

Постройте cdf и заштрихуйте критические области.

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

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

p = 0.0500

Входные параметры

свернуть все

`name` — Имя вероятностного распределения
вектор символов или строковый скаляр имени вероятностного распределения

Имя вероятностного распределения в виде одного из вероятностного распределения называет в этой таблице.

`name`	Распределение	Введите параметр `A`	Введите параметр `B`	Введите параметр `C`	Введите параметр `D`
`'Beta'`	Бета распределение	a сначала формирует параметр	b второй параметр формы	N/A	N/A
`'Binomial'`	Биномиальное распределение	Количество n испытаний	Вероятность p успеха для каждого испытания	N/A	N/A
`'BirnbaumSaunders'`	Распределение Бирнбаума-Сондерса	Масштабный коэффициент β	Параметр формы γ	N/A	N/A
`'Burr'`	Подпилите распределение типа XII	Масштабный коэффициент α	c сначала формирует параметр	k второй параметр формы	N/A
`'Chisquare'` или `'chi2'`	Распределение хи-квадрат	Степени свободы ν	N/A	N/A	N/A
`'Exponential'`	Экспоненциальное распределение	Среднее значение μ	N/A	N/A	N/A
`'Extreme Value'` или `'ev'`	Распределение экстремума	Параметр положения μ	Масштабный коэффициент σ	N/A	N/A
`'F'`	F распределение	Степени свободы числителя _ν1	Степени свободы знаменателя _ν2	N/A	N/A
`'Gamma'`	Гамма распределение	Параметр формы a	Масштабный коэффициент b	N/A	N/A
`'Generalized Extreme Value'` или `'gev'`	Обобщенное распределение экстремума	Параметр формы k	Масштабный коэффициент σ	Параметр положения μ	N/A
`'Generalized Pareto'` или `'gp'`	Обобщенное распределение Парето	Индекс хвоста k (форма) параметр	Масштабный коэффициент σ	Порог μ (местоположение) параметр	N/A
`'Geometric'`	Геометрическое распределение	Параметр вероятности p	N/A	N/A	N/A
`'Half Normal'` или `'hn'`	Полунормальное распределение	Параметр положения μ	Масштабный коэффициент σ	N/A	N/A
`'Hypergeometric'` или `'hyge'`	Геометрическое распределение	Размер m населения	Количество k элементов с желаемой характеристикой в населении	Количество отсчетов n чертится	N/A
`'InverseGaussian'`	Обратное распределение Гаусса	Масштабный коэффициент μ	Параметр формы λ	N/A	N/A
`'Logistic'`	Логистическое распределение	Среднее значение μ	Масштабный коэффициент σ	N/A	N/A
`'LogLogistic'`	Распределение Loglogistic	Среднее значение μ логарифмических значений	Масштабный коэффициент σ логарифмических значений	N/A	N/A
`'LogNormal'`	Логарифмически нормальное распределение	Среднее значение μ логарифмических значений	Стандартное отклонение σ логарифмических значений	N/A	N/A
`'Loguniform'`	Распределение Loguniform	a более низкая конечная точка (минимум)	b верхняя конечная точка (максимум)	N/A	N/A
`'Nakagami'`	Распределение Nakagami	Параметр формы μ	Масштабный коэффициент ω	N/A	N/A
`'Negative Binomial'` или `'nbin'`	Отрицательное биномиальное распределение	Количество r успехов	Вероятность p успеха в одном испытании	N/A	N/A
`'Noncentral F'` или `'ncf'`	Нецентральное распределение F	Степени свободы числителя _ν1	Степени свободы знаменателя _ν2	Параметр нецентрированности δ	N/A
`'Noncentral t'` или `'nct'`	Нецентральное t Распределение	Степени свободы ν	Параметр нецентрированности δ	N/A	N/A
`'Noncentral Chi-square'` или `'ncx2'`	Нецентральное распределение хи-квадрат	Степени свободы ν	Параметр нецентрированности δ	N/A	N/A
`'Normal'`	Нормальное распределение	Среднее значение μ	Стандартное отклонение σ	N/A	N/A
`'Poisson'`	Распределение Пуассона	Среднее значение λ	N/A	N/A	N/A
`'Rayleigh'`	Распределение Релея	Масштабный коэффициент b	N/A	N/A	N/A
`'Rician'`	Распределение Rician	Параметр нецентрированности s	Масштабный коэффициент σ	N/A	N/A
`'Stable'`	Устойчивое распределение	α сначала формирует параметр	β второй параметр формы	Масштабный коэффициент γ	Параметр положения δ
`'T'`	T Распределение студента	Степени свободы ν	N/A	N/A	N/A
`'tLocationScale'`	t Распределение Шкалы Местоположения	Параметр положения μ	Масштабный коэффициент σ	Параметр формы ν	N/A
`'Uniform'`	(Непрерывное) равномерное распределение	a более низкая конечная точка (минимум)	b верхняя конечная точка (максимум)	N/A	N/A
`'Discrete Uniform'` или `'unid'`	(Дискретное) равномерное распределение	Максимум n заметное значение	N/A	N/A	N/A
`'Weibull'` или `'wbl'`	Распределение Weibull	Масштабный коэффициент a	Параметр формы b	N/A	N/A

Пример: 'Normal'

`p` — Значения вероятности, в которых можно оценить icdf
скалярное значение | массив скалярных значений

Значения вероятности, в которых можно оценить icdf в виде скалярного значения или массив скалярных значений в области значений [0,1].

Если один или несколько входных параметров pABC, и D массивы, затем размеры массивов должны быть тем же самым. В этом случае, icdf расширяет каждый скалярный вход в постоянный массив одного размера с входными параметрами массивов. Смотрите name для определений ABC, и D для каждого распределения.

Пример: [0.1,0.25,0.5,0.75,0.9]