逆累积分布函数
创建一个标准的正态分布对象, ,等于0,标准差, ,等于1。
μ= 0;σ= 1;pd = makedist (“正常”,“亩”亩,“σ”σ);
定义输入向量p包含用于计算icdf的概率值。
p = (0.1, 0.25, 0.5, 0.75, 0.9);
中值处计算标准正态分布的icdf值p.
x = icdf (pd, p)
x =1×5-1.2816 -0.6745 0 0.6745 1.2816
每个值在x对应于输入向量中的一个值p.例如,在值p等于0.9,对应的icdf值x等于1.2816。
或者,您可以计算相同的icdf值而不创建一个概率分布对象。使用icdf
函数,并使用相同的参数值指定标准正态分布
和
.
x2 = icdf (“正常”、磷、μ、σ)
x2 =1×5-1.2816 -0.6745 0 0.6745 1.2816
icdf值与使用概率分布对象计算的值相同。
用速率参数创建泊松分布对象, ,等于2。
λ= 2;pd = makedist (“泊松”,“λ”λ);
定义输入向量p包含用于计算icdf的概率值。
p = (0.1, 0.25, 0.5, 0.75, 0.9);
计算中值处泊松分布的icdf值p.
x = icdf (pd, p)
x =1×54 .单词conduct联想记忆
每个值在x对应于输入向量中的一个值p.例如,在值p等于0.9,对应的icdf值x等于4。
或者,您可以计算相同的icdf值而不创建一个概率分布对象。使用icdf
函数,并使用相同的速率参数值指定泊松分布
.
x2 = icdf (“泊松”, p,λ)
x2 =1×54 .单词conduct联想记忆
icdf值与使用概率分布对象计算的值相同。
创建一个标准正态分布对象。
pd = makedist (“正常”)
pd =正态分布正态分布mu = 0 sigma = 1
通过计算上、下2.5%的值,确定具有标准正态分布的检验统计量在5%显著性水平上的临界值。
x = icdf (pd, [.025 .975])
x =1×2-1.9600 - 1.9600
绘制cdf和阴影的关键区域。
p = normspec (x, 0 1“外”)
p = 0.0500
“名字”
- - - - - -概率分布的名字概率分布名称,指定为该表中的一个概率分布名称。
“名字” |
分布 | 输入参数一个 |
输入参数B |
输入参数C |
输入参数D |
---|---|---|---|---|---|
“β” |
贝塔分布 | 一个第一个形状参数 | b第二个形状参数 | - - - - - - | - - - - - - |
“二” |
二项分布 | n数量的试验 | p每次试验成功的概率 | - - - - - - | - - - - - - |
“BirnbaumSaunders” |
Birnbaum-Saunders分布 | β尺度参数 | γ形状参数 | - - - - - - | - - - - - - |
“毛刺” |
12型毛刺分布 | α尺度参数 | c第一个形状参数 | k第二个形状参数 | - - - - - - |
“Chisquare” |
卡方分布 | ν自由度 | - - - - - - | - - - - - - | - - - - - - |
“指数” |
指数分布 | μ的意思是 | - - - - - - | - - - - - - | - - - - - - |
“极端值” |
极端值分布 | μ位置参数 | σ尺度参数 | - - - - - - | - - - - - - |
“F” |
F分布 | ν1分子的自由度 | ν2分母自由度 | - - - - - - | - - - - - - |
“伽马” |
伽马分布 | 一个形状参数 | b尺度参数 | - - - - - - | - - - - - - |
“广义极值” |
广义极值分布 | k形状参数 | σ尺度参数 | μ位置参数 | - - - - - - |
广义帕累托的 |
广义帕累托分布 | k尾指数(形状)参数 | σ尺度参数 | μ阈值(位置)参数 | - - - - - - |
“几何” |
几何分布 | p概率参数 | - - - - - - | - - - - - - | - - - - - - |
“HalfNormal” |
Half-Normal分布 | μ位置参数 | σ尺度参数 | - - - - - - | - - - - - - |
“超几何” |
超几何分布 | 米人口规模 | k人口中具有所需特征的项目的数量 | n抽取样本数 | - - - - - - |
“InverseGaussian” |
逆高斯分布 | μ尺度参数 | λ形状参数 | - - - - - - | - - - - - - |
“物流” |
物流配送 | μ的意思是 | σ尺度参数 | - - - - - - | - - - - - - |
“LogLogistic” |
Loglogistic分布 | μ对数值的平均值 | σ刻度参数的对数值 | - - - - - - | - - - - - - |
对数正态的 |
对数正态分布 | μ对数值的平均值 | σ对数值的标准差 | - - - - - - | - - - - - - |
“Nakagami” |
Nakagami分布 | μ形状参数 | ω尺度参数 | - - - - - - | - - - - - - |
“负二项” |
负二项分布 | r许多的成功 | p一次试验成功的概率 | - - - - - - | - - - - - - |
“非中心F” |
无心的F分布 | ν1分子的自由度 | ν2分母自由度 | δ非中心参数 | - - - - - - |
“非中心t” |
非中心t分布 | ν自由度 | δ非中心参数 | - - - - - - | - - - - - - |
“非中心卡方” |
非中心卡方分布 | ν自由度 | δ非中心参数 | - - - - - - | - - - - - - |
“正常” |
正态分布 | μ的意思是 | σ标准偏差 | - - - - - - | - - - - - - |
“泊松” |
泊松分布 | λ的意思是 | - - - - - - | - - - - - - | - - - - - - |
“瑞利” |
瑞利分布 | b尺度参数 | - - - - - - | - - - - - - | - - - - - - |
“Rician” |
Rician分布 | 年代非中心参数 | σ尺度参数 | - - - - - - | - - - - - - |
“稳定” |
稳定分布 | α第一个形状参数 | β第二个形状参数 | γ尺度参数 | δ位置参数 |
“T” |
学生的t分布 | ν自由度 | - - - - - - | - - - - - - | - - - - - - |
“tLocationScale” |
t Location-Scale分布 | μ位置参数 | σ尺度参数 | ν形状参数 | - - - - - - |
“统一” |
均匀分布(连续) | 一个较低的端点(最小) | b上端点(最大) | - - - - - - | - - - - - - |
离散均匀的 |
均匀分布(离散) | n最大可观测值 | - - - - - - | - - - - - - | - - - - - - |
“威布尔” |
威布尔分布 | 一个尺度参数 | b形状参数 | - - - - - - | - - - - - - |
例子:“正常”
pd
- - - - - -概率分布概率分布,指定为使用本表中的函数或应用程序创建的概率分布对象。
功能或应用程序 | 描述 |
---|---|
makedist |
使用指定的参数值创建一个概率分布对象。 |
fitdist |
拟合一个概率分布对象到样本数据。 |
分布更健康 | 使用交互式distribution Fitter应用程序拟合样本数据的概率分布,并将拟合对象导出到工作空间。 |
paretotails |
创建一个尾部具有广义Pareto分布的分段分布对象。 |
icdf
一个泛型函数是否按名称接受一个分布“名字”
或者一个概率分布对象pd
.使用特定于分布的函数会更快,例如norminv
对于正态分布binoinv
对于二项分布。有关特定分布函数的列表,请参见金宝app支持分布.
使用注意事项及限制:
输入参数“名字”
必须是编译时常量。例如,要使用正态分布,包括coder.Constant(“正常”)
在arg游戏
的价值codegen
(MATLAB编码器).
输入参数pd
可以是beta、指数、极值、对数正态、正态和威布尔分布的拟合概率分布对象。创建pd
通过拟合概率分布的样本数据fitdist
函数。例如,请参见概率分布对象的代码生成.
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。