累积分布函数
y = cdf (___“上”)
使用更精确地计算极端上尾概率的算法返回CDF的补充。“上”
可以跟随前面语法中的任何输入参数。
通过指定分布名称来计算正态分布的cdf值“正常”
以及分布参数。
定义输入向量x包含用于计算cdf的值。
x = (2, 1, 0, 1, 2);
用平均值计算正态分布的cdf值 等于1和标准偏差 等于5。
μ= 1;σ= 5;y = cdf (“正常”, x,μ、σ)
y =1×50.2743 0.3446 0.4207 0.5000 0.5793
中的每个值y对应于输入向量中的一个值x.例如,在值x等于1,对应的CDF值y等于0.5000。
创建一个正态分布对象,并使用该对象计算正态分布的cdf值。
创建一个具有平均值的正态分布对象 等于1和标准偏差 等于5。
μ= 1;σ= 5;pd = makedist (“正常”,“亩”,穆,“σ”,西格玛);
定义输入向量x包含用于计算cdf的值。
x = (2, 1, 0, 1, 2);
中值处计算正态分布的cdf值x.
y=cdf(pd,x)
y =1×50.2743 0.3446 0.4207 0.5000 0.5793
中的每个值y对应于输入向量中的一个值x.例如,在值x等于1,对应的CDF值y等于0.5000。
用速率参数创建泊松分布对象, ,等于2。
λ=2;pd=makedist(“泊松”,“拉姆达”,lambda);
定义输入向量x包含用于计算cdf的值。
x=[0,1,2,3,4];
计算中值处泊松分布的cdf值x.
y=cdf(pd,x)
y =1×50.1353 0.4060 0.6767 0.8571 0.9473
中的每个值y对应于输入向量中的一个值x.例如,在值x等于3,对应的CDF值y等于0.8571。
或者,您可以计算相同的cdf值,而无需创建概率分布对象。使用提供
函数,并使用相同的速率参数值指定泊松分布,
.
y2 = cdf (“泊松”, x,λ)
y2 =1×50.1353 0.4060 0.6767 0.8571 0.9473
cdf值与使用概率分布对象计算的值相同。
创建标准正态分布对象。
pd = makedist (“正常”)
pd =正态分布正态分布mu = 0 sigma = 1
指定x
值,并计算cdf。
x = 3: .1:3;p = cdf (pd, x);
画出标准正态分布的cdf。
情节(x, p)
创建三个gamma分布对象。第一个使用默认参数值。第二个指定一个= 1
和b = 2
.第三个指定一个= 2
和b = 1
.
pd_gamma = makedist (“伽马”)
pd_gamma = Gamma distribution伽马分布a = 1 b = 1
pd_12 = makedist (“伽马”,“一个”1.“b”,2)
pd_12 = Gamma distribution伽马分布a = 1 b = 2
pd_21 = makedist (“伽马”,“一个”2.“b”,1)
pd_21 = Gamma distribution伽马分布a = 2 b = 1
指定x
值并计算每个分布的CDF。
x=0.1:5;cdf_γ=cdf(pd_γ,x);cdf_12=cdf(pd_12,x);cdf_21=cdf(pd_21,x);
创建一个图形来显示当您为形状参数指定不同的值时伽马分布的cdf是如何变化的一个
和b
.
图;J =情节(x, cdf_gamma);持有在;K=曲线图(x,cdf_12,“r——”);L =情节(x, cdf_21“k -”。);集(J,“线宽”,2);集合(K,“线宽”,2);图例([J K L],'a = 1, b = 1','a = 1, b = 2','a = 2, b = 1',“位置”,‘东南’);持有从;
将帕累托尾与a拟合 分布在累积概率0.1和0.9。
t = trnd (3100 1);obj = paretotails (t、0.1、0.9);(p, q) =边界(obj)
p =2×10.1000 - 0.9000
q =2×1-1.8487 - 2.0766
中值处计算cdf问
.
提供(obj, q)
ans =2×10.1000 - 0.9000
的名字
- - - - - -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。
的名字 |
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 | N/A | N/A |
“二” |
二项分布 | n数量的试验 | p每次试验的成功概率 | N/A | N/A |
“BirnbaumSaunders” |
Birnbaum-Saunders分布 | β尺度参数 | γ形状参数 | N/A | N/A |
“毛刺” |
Burr XII型分布 | α尺度参数 | c第一个形状参数 | k第二个形状参数 | N/A |
“Chisquare” 或“chi2” |
卡方分布 | ν自由度 | N/A | N/A | N/A |
“指数” |
指数分布 | μ意思是 | N/A | N/A | N/A |
“极端值” 或“电动汽车” |
极端值分布 | μ位置参数 | σ尺度参数 | N/A | N/A |
“F” |
F分布 | ν1分子自由度 | ν2分母自由度 | N/A | N/A |
“伽马” |
伽马分布 | 一个形状参数 | b尺度参数 | N/A | N/A |
“广义极值” 或“gev” |
广义极值分布 | k形状参数 | σ尺度参数 | μ位置参数 | N/A |
广义帕累托的 或“全科医生” |
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 | N/A |
“几何” |
几何分布 | p概率参数 | N/A | N/A | N/A |
“正常”的一半 或“环” |
半正态分布 | μ位置参数 | σ尺度参数 | N/A | N/A |
“超几何” 或“hyge” |
超几何分布 | 米人口规模 | k总体中具有所需特征的项目数 | n抽取样本数 | N/A |
“InverseGaussian” |
逆高斯分布 | μ尺度参数 | λ形状参数 | N/A | N/A |
“物流” |
物流配送 | μ意思是 | σ尺度参数 | N/A | N/A |
“LogLogistic” |
逻辑分布 | μ对数值的平均值 | σ对数值的刻度参数 | N/A | N/A |
对数正态的 |
对数正态分布 | μ对数值的平均值 | σ对数值的标准偏差 | N/A | N/A |
“Loguniform” |
对数均匀分布 | 一个下端点(最小值) | b上端点(最大) | N/A | N/A |
“Nakagami” |
Nakagami分布 | μ形状参数 | ω尺度参数 | N/A | N/A |
“负二项” 或“nbin” |
负二项分布 | r成功次数 | p一次试验成功的概率 | N/A | N/A |
“非中心F” 或“ncf” |
无心的F分布 | ν1分子自由度 | ν2分母自由度 | δ非中心参数 | N/A |
“非中心t” 或“英国” |
非中心t分布 | ν自由度 | δ非中心参数 | N/A | N/A |
“非中心卡方” 或“ncx2” |
非中心卡方分布 | ν自由度 | δ非中心参数 | N/A | N/A |
“正常” |
正态分布 | μ意思是 | σ标准偏差 | N/A | N/A |
“泊松” |
泊松分布 | λ意思是 | N/A | N/A | N/A |
“瑞利” |
瑞利分布 | b尺度参数 | N/A | N/A | N/A |
“Rician” |
Rician分布 | 年代非中心参数 | σ尺度参数 | N/A | N/A |
“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t分布 | ν自由度 | N/A | N/A | N/A |
“tLocationScale” |
t Location-Scale分布 | μ位置参数 | σ尺度参数 | ν形状参数 | N/A |
“统一” |
均匀分布(连续) | 一个下端点(最小值) | b上端点(最大) | N/A | N/A |
离散均匀的 或“unid” |
均匀分布(离散) | n最大可观测值 | N/A | N/A | N/A |
“威布尔” 或“wbl” |
威布尔分布 | 一个尺度参数 | b形状参数 | N/A | N/A |
例子:“正常”
pd
- - - - - -概率分布概率分布,指定为本表中的概率分布对象之一。
分布对象 | 函数或应用程序创建概率分布对象 |
---|---|
BetaDistribution |
makedist ,fitdist ,分布更健康 |
二元分布 |
makedist ,fitdist ,分布更健康 |
BirnbaumSaundersDistribution |
makedist ,fitdist ,分布更健康 |
毛刺分布 |
makedist ,fitdist ,分布更健康 |
ExponentialDistribution |
makedist ,fitdist ,分布更健康 |
ExtremeValueDistribution |
makedist ,fitdist ,分布更健康 |
伽玛分布 |
makedist ,fitdist ,分布更健康 |
GeneralizedExtremeValueDistribution |
makedist ,fitdist ,分布更健康 |
GeneralizedParetoDistribution |
makedist ,fitdist ,分布更健康 |
半正态分布 |
makedist ,fitdist ,分布更健康 |
逆高斯分布 |
makedist ,fitdist ,分布更健康 |
核分布 |
fitdist ,分布更健康 |
LogisticDistribution |
makedist ,fitdist ,分布更健康 |
对数分布 |
makedist ,fitdist ,分布更健康 |
LognormalDistribution |
makedist ,fitdist ,分布更健康 |
对数均匀分布 |
makedist |
MultinomialDistribution |
makedist |
NakagamiDistribution |
makedist ,fitdist ,分布更健康 |
NegativeBinomialDistribution |
makedist ,fitdist ,分布更健康 |
NormalDistribution |
makedist ,fitdist ,分布更健康 |
尾部带有广义帕累托分布的分段分布 | paretotails |
分段线性分布 |
makedist |
PoissonDistribution |
makedist ,fitdist ,分布更健康 |
雷氏分布 |
makedist ,fitdist ,分布更健康 |
RicianDistribution |
makedist ,fitdist ,分布更健康 |
StableDistribution |
makedist ,fitdist ,分布更健康 |
tLocationScaleDistribution |
makedist ,fitdist ,分布更健康 |
三角分布 |
makedist |
UniformDistribution |
makedist |
威布尔分布 |
makedist ,fitdist ,分布更健康 |
使用说明和限制:
输入参数的名字
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.
此函数完全支持GPU阵列。有关更多信息,金宝app请参阅在GPU上运行MATLAB函数(并行计算工具箱).
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该命令。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。