- از حدس و گمان تا شمشیرهای جعلی ، مبارزات رمزنگاری برای استفاده
- تجارت الکترونیکی Anvil مدیریت سفارش خود را در تمام بازارهای خود در یک راه حل مدولار به صورت خودکار انجام دهید
- سکه های نقره ای: یک راهنمای سریع برای خرید ، جمع آوری و فروش
- اتریوم 2.0 چیست؟
- استراتژی معاملات روزانه دامنه روزانه
- گندوین
- تحلیل: شرایط مالی ایالات متحده کاهش یافته است. تا اینجای کار فدرال رزرو با آن مشکلی ندارد
- چرا تعیین اهداف سرمایه گذاری بسیار مهم است؟
- تأثیر قراردادهای قیمت حجم بر قیمت های دارویی: یک مطالعه مقایسه ای گذشته نگر بیمارستانهای عمومی در هوبی چین
- سکه Binance (BNB) چیست: یک مرور کلی
آخرین مطالب
امکانات وب
عملکرد چگالی احتمال
نحو
شرح
y = pdf (نام ، x ، a) عملکرد چگالی احتمال (PDF) را برای خانواده توزیع یک پارامتری مشخص شده توسط نام و پارامتر توزیع A ، در مقادیر x ارزیابی می کند.
y = pdf (نام ، x ، a ، b) pdf را برای خانواده توزیع دو پارامتری مشخص شده توسط نام و پارامترهای توزیع a و b برمی گرداند ، که در مقادیر x ارزیابی می شود.
y = pdf (نام ، x ، a ، b ، c) pdf را برای خانواده توزیع سه پارامتر مشخص شده توسط نام و پارامترهای توزیع A ، B و C برمی گرداند ، در مقادیر x ارزیابی می شود.
y = pdf (نام ، x ، a ، b ، c ، d) pdf را برای خانواده توزیع چهار پارامتر مشخص شده توسط نام و پارامترهای توزیع A ، B ، C و D برمی گرداند ، در مقادیر x ارزیابی می شود.
Y = PDF (PD ، X) PDF از شیء توزیع احتمال PD را برمی گرداند ، که در مقادیر در x ارزیابی می شود.
مثال ها
PDF توزیع عادی را با مشخص کردن نام و پارامترها محاسبه کنید
مقادیر PDF را برای توزیع عادی با مشخص کردن نام توزیع "عادی" و پارامترهای توزیع محاسبه کنید.
بردار ورودی X را تعریف کنید تا مقادیری را برای محاسبه PDF داشته باشد.
مقادیر PDF را برای توزیع عادی با میانگین μ برابر با 1 و انحراف استاندارد σ برابر با 5 محاسبه کنید.
هر مقدار در y با یک مقدار در بردار ورودی x مطابقت دارد. به عنوان مثال ، در مقدار x برابر با 1 ، مقدار PDF مربوطه y برابر با 0. 0798 است.
PDF توزیع عادی را با استفاده از شیء توزیع محاسبه کنید
یک شیء توزیع عادی ایجاد کرده و مقادیر PDF توزیع عادی را با استفاده از شیء محاسبه کنید.
یک شیء توزیع عادی با میانگین μ برابر با 1 و انحراف استاندارد σ برابر با 5 ایجاد کنید.
بردار ورودی X را تعریف کنید تا مقادیری را برای محاسبه PDF داشته باشد.
مقادیر PDF را برای توزیع عادی در مقادیر در x محاسبه کنید.
هر مقدار در y با یک مقدار در بردار ورودی x مطابقت دارد. به عنوان مثال ، در مقدار x برابر با 1 ، مقدار PDF مربوطه y برابر با 0. 0798 است.
PDF توزیع پواسون را محاسبه کنید
یک شیء توزیع پواسون با پارامتر نرخ ، λ ، برابر با 2 ایجاد کنید.
بردار ورودی X را تعریف کنید تا مقادیری را برای محاسبه PDF داشته باشد.
مقادیر PDF را برای توزیع پواسون در مقادیر در x محاسبه کنید.
هر مقدار در y با یک مقدار در بردار ورودی x مطابقت دارد. به عنوان مثال ، در مقدار x برابر با 3 ، مقدار PDF مربوطه در y برابر با 0. 1804 است.
از طرف دیگر ، می توانید مقادیر PDF مشابه را بدون ایجاد یک شی توزیع احتمال محاسبه کنید. از عملکرد PDF استفاده کنید و توزیع پواسون را با استفاده از همان مقدار برای پارامتر نرخ ، λ مشخص کنید.
مقادیر PDF همانند مقادیر محاسبه شده با استفاده از شی توزیع احتمال است.
PDF یک توزیع عادی استاندارد را ترسیم کنید
یک شیء توزیع عادی استاندارد ایجاد کنید.
مقادیر X را مشخص کرده و PDF را محاسبه کنید.
طرح PDF توزیع Weibull
یک شیء توزیع احتمال Weibull ایجاد کنید.
مقادیر X را مشخص کرده و PDF را محاسبه کنید.
استدلال های ورودی
نام - توزیع احتمال نام بردار کاراکتر یا مقیاس رشته نام توزیع احتمال
نام توزیع احتمال ، به عنوان یکی از نامهای توزیع احتمال در این جدول مشخص شده است.
| نام | توزیع | پارامتر ورودی a | پارامتر ورودی ب | پارامتر ورودی c | پارامتر ورودی D |
|---|---|---|---|---|---|
| "بتا" | توزیع بتا | یک پارامتر شکل اول | b پارامتر شکل دوم | N/A | N/A |
| 'binomial' | توزیع دو جمله ای | تعداد آزمایشات | احتمال موفقیت برای هر آزمایش | N/A | N/A |
| 'Bibaumsaunders' | توزیع Bibaum-saunders | پارامتر مقیاس β | پارامتر شکل γ | N/A | N/A |
| 'برآمدگی. سوراخ' | توزیع Burr Type XII | پارامتر مقیاس α | C پارامتر شکل اول | k پارامتر شکل دوم | N/A |
| 'Chisquare' یا 'Chi2' | توزیع کوارتر | درجه آزادی | N/A | N/A | N/A |
| "نمایی" | توزیع نمایی | μ میانگین | N/A | N/A | N/A |
| "مقدار شدید" یا "EV" | توزیع ارزش شدید | پارامتر مکان μ | پارامتر مقیاس σ | N/A | N/A |
| 'f' | توزیع F | ν1درجه شماره آزادی | ν2مدرک آزادی مخرج | N/A | N/A |
| "گاما" | توزیع گاما | یک پارامتر شکل | پارامتر مقیاس | N/A | N/A |
| "ارزش شدید عمومی" یا "Gev" | توزیع ارزش شدید تعمیم یافته | پارامتر شکل K | پارامتر مقیاس σ | پارامتر مکان μ | N/A |
| "پارتو عمومی" یا "GP" | توزیع پارتو عمومی | پارامتر شاخص دم K (شکل) | پارامتر مقیاس σ | پارامتر آستانه μ (مکان) | N/A |
| "هندسی" | توزیع هندسی | پارامتر احتمال P | N/A | N/A | N/A |
| "نیمه عادی" یا "HN" | توزیع نیمه عادی | پارامتر مکان μ | پارامتر مقیاس σ | N/A | N/A |
| "Hypergeometric" یا "Hyge" | توزیع بیش از حد سنجش | اندازه جمعیت | k تعداد موارد با ویژگی مورد نظر در جمعیت | تعداد نمونه های کشیده شده | N/A |
| "معکوس" | توزیع معکوس گاوسی | پارامتر مقیاس | پارامتر شکل λ | N/A | N/A |
| "لجستیک" | توزیع لجستیک | μ میانگین | پارامتر مقیاس σ | N/A | N/A |
| "لوگ لجستیک" | توزیع لجستیک | μ میانگین مقادیر لگاریتمی | پارامتر مقیاس σ مقادیر لگاریتمی | N/A | N/A |
| "LogNormal" | توزیع Lognormal | μ میانگین مقادیر لگاریتمی | σ انحراف معیار مقادیر لگاریتمی | N/A | N/A |
| "لگونیفرم" | توزیع لگونیفرم | نقطه پایانی پایین تر (حداقل) | b نقطه پایانی بالایی (حداکثر) | N/A | N/A |
| "ناکاگامی" | توزیع ناکاگامی | پارامتر شکل μ | پارامتر مقیاس ω | N/A | N/A |
| "دو جمله ای منفی" یا "nbin" | توزیع دو جمله ای منفی | r تعداد موفقیت | p احتمال موفقیت در یک آزمایش واحد | N/A | N/A |
| "F غیر مرکزی" یا "ncf" | توزیع F غیر مرکزی | ν1درجه شماره آزادی | ν2مدرک آزادی مخرج | پارامتر غیرمتمرکز δ | N/A |
| 't غیر مرکزی' یا 'nct' | توزیع t غیر مرکزی | درجه آزادی | پارامتر غیرمتمرکز δ | N/A | N/A |
| "غیر مرکزی Chi-square" یا "ncx2" | توزیع غیر مرکزی Chi-Square | درجه آزادی | پارامتر غیرمتمرکز δ | N/A | N/A |
| 'طبیعی' | توزیع نرمال | μ میانگین | σ انحراف معیار | N/A | N/A |
| "پواسون" | توزیع پواسون | λ به معنی | N/A | N/A | N/A |
| "ریلی" | توزیع ریلی | پارامتر مقیاس | N/A | N/A | N/A |
| "ریسیان" | توزیع Rician | پارامتر غیر مرکزیت s | پارامتر مقیاس σ | N/A | N/A |
| 'پایدار' | توزیع پایدار | پارامتر شکل اول α | پارامتر شکل دوم β | پارامتر مقیاس γ | پارامتر مکان δ |
| 'T' | توزیع تی دانشجویی | درجه آزادی | N/A | N/A | N/A |
| 'tLocationScale' | توزیع مکان-مقیاس | پارامتر مکان μ | پارامتر مقیاس σ | پارامتر شکل ν | N/A |
| 'لباس فرم' | توزیع یکنواخت (مستمر) | نقطه پایانی پایین تر (حداقل) | b نقطه پایانی بالایی (حداکثر) | N/A | N/A |
| "یونیفرم گسسته" یا "یکپارچه" | توزیع یکنواخت (گسسته) | n حداکثر مقدار قابل مشاهده | N/A | N/A | N/A |
| "Weibull" یا "wbl" | توزیع Weibull | یک پارامتر مقیاس | پارامتر شکل b | N/A | N/A |
مثال: "عادی"
x — مقادیری که برای ارزیابی مقدار اسکالر pdf |آرایه ای از مقادیر اسکالر
مقادیری که در آن pdf ارزیابی می شود، به عنوان یک مقدار اسکالر یا آرایه ای از مقادیر اسکالر مشخص شده است.
اگر یک یا چند آرگومان ورودی x، A، B، C و D آرایه باشند، اندازه آرایه باید یکسان باشد. در این مورد، pdf هر ورودی اسکالر را به یک آرایه ثابت به همان اندازه ورودی های آرایه گسترش می دهد. برای تعاریف A , B , C و D برای هر توزیع به نام مراجعه کنید.
مثال: [-1, 0, 3, 4]
انواع داده ها: تک |دو برابر
A — اولین پارامتر توزیع احتمال مقدار اسکالر |آرایه ای از مقادیر اسکالر
اولین پارامتر توزیع احتمال، که به عنوان یک مقدار اسکالر یا آرایه ای از مقادیر اسکالر مشخص می شود.
اگر یک یا چند آرگومان ورودی x، A، B، C و D آرایه باشند، اندازه آرایه باید یکسان باشد. در این مورد، pdf هر ورودی اسکالر را به یک آرایه ثابت به همان اندازه ورودی های آرایه گسترش می دهد. برای تعاریف A , B , C و D برای هر توزیع به نام مراجعه کنید.
انواع داده ها: تک |دو برابر
B — دومین پارامتر توزیع احتمال مقدار اسکالر |آرایه ای از مقادیر اسکالر
دومین پارامتر توزیع احتمال، که به عنوان یک مقدار اسکالر یا آرایه ای از مقادیر اسکالر مشخص می شود.
اگر یک یا چند آرگومان ورودی x، A، B، C و D آرایه باشند، اندازه آرایه باید یکسان باشد. در این مورد، pdf هر ورودی اسکالر را به یک آرایه ثابت به همان اندازه ورودی های آرایه گسترش می دهد. برای تعاریف A , B , C و D برای هر توزیع به نام مراجعه کنید.
انواع داده ها: تک |دو برابر
ج — سومین پارامتر توزیع احتمال مقدار اسکالر |آرایه ای از مقادیر اسکالر
سومین پارامتر توزیع احتمال، که به عنوان یک مقدار اسکالر یا آرایه ای از مقادیر اسکالر مشخص می شود.
اگر یک یا چند آرگومان ورودی x، A، B، C و D آرایه باشند، اندازه آرایه باید یکسان باشد. در این مورد، pdf هر ورودی اسکالر را به یک آرایه ثابت به همان اندازه ورودی های آرایه گسترش می دهد. برای تعاریف A , B , C و D برای هر توزیع به نام مراجعه کنید.
انواع داده ها: تک |دو برابر
D — چهارمین پارامتر توزیع احتمال مقدار اسکالر |آرایه ای از مقادیر اسکالر
چهارمین پارامتر توزیع احتمال، که به عنوان یک مقدار اسکالر یا آرایه ای از مقادیر اسکالر مشخص می شود.
اگر یک یا چند آرگومان ورودی x، A، B، C و D آرایه باشند، اندازه آرایه باید یکسان باشد. در این مورد، pdf هر ورودی اسکالر را به یک آرایه ثابت به همان اندازه ورودی های آرایه گسترش می دهد. برای تعاریف A , B , C و D برای هر توزیع به نام مراجعه کنید.
انواع داده ها: تک |دو برابر
pd - شیء توزیع احتمال توزیع احتمال
توزیع احتمال، به عنوان یکی از اشیاء توزیع احتمال در این جدول مشخص شده است.
| شیء توزیع | تابع یا برنامه برای ایجاد شیء توزیع احتمال |
|---|---|
| توزیع بتا | makedist , fitdist , Distribution Fitter |
| توزیع دو جمله ای | makedist , fitdist , Distribution Fitter |
| BibaumSaundersDistribution | makedist , fitdist , Distribution Fitter |
| BurrDistribution | makedist , fitdist , Distribution Fitter |
| توزیع نمایی | makedist , fitdist , Distribution Fitter |
| ExtremeValueDistribution | makedist , fitdist , Distribution Fitter |
| GammaDistribution | makedist , fitdist , Distribution Fitter |
| توزیع عمومی | makedist , fitdist , Distribution Fitter |
| توزیع عمومی | makedist , fitdist , Distribution Fitter |
| توزیع HalfnormalDist | makedist , fitdist , Distribution Fitter |
| توزیع معکوس | makedist , fitdist , Distribution Fitter |
| توزیع هسته | fitdist ، توزیع کننده توزیع |
| توزیع لجستیک | makedist , fitdist , Distribution Fitter |
| توزیع لگدوست | makedist , fitdist , Distribution Fitter |
| توزیع | makedist , fitdist , Distribution Fitter |
| توزیع نامه | سازنده |
| توزیع چندمجمی | سازنده |
| توزیع ناکامید | makedist , fitdist , Distribution Fitter |
| توزیع منفی | makedist , fitdist , Distribution Fitter |
| توزیع نرمال | makedist , fitdist , Distribution Fitter |
| توزیع جزئی با توزیع پارتو عمومی در دم | پارتائیل |
| توزیع قطعه قطعه قطعه قطعه قطعه شده | سازنده |
| توزیع | makedist , fitdist , Distribution Fitter |
| توزیع RayleighDister | makedist , fitdist , Distribution Fitter |
| توزیع | makedist , fitdist , Distribution Fitter |
| توزیع | makedist , fitdist , Distribution Fitter |
| tlocationscaledistribution | makedist , fitdist , Distribution Fitter |
| توزیع مثلث | سازنده |
| توزیع یکنواخت | سازنده |
| توزیع | makedist , fitdist , Distribution Fitter |
استدلال های خروجی
y - مقادیر PDF ارزش مقیاس |مجموعه ای از مقادیر مقیاس
مقادیر PDF ، به عنوان یک مقدار مقیاس یا مجموعه ای از مقادیر مقیاس بازگردانده شده است. y پس از هرگونه گسترش مقیاس لازم ، همان اندازه x است. هر عنصر در y مقدار PDF توزیع است که توسط عناصر مربوطه در پارامترهای توزیع (A ، B ، C و D) مشخص شده یا توسط شیء توزیع احتمال (PD) مشخص شده است ، که در عنصر مربوطه در x ارزیابی شده است.
قابلیت جایگزین
PDF یک تابع عمومی است که توزیع را با نام خود یا یک شیء توزیع احتمال PD می پذیرد. استفاده از یک تابع خاص توزیع ، مانند NORMPDF برای توزیع عادی و binopDF برای توزیع دوتایی سریعتر است. برای لیستی از توابع خاص توزیع ، به توزیع های پشتیبانی شده مراجعه کنید.
برای ایجاد یک طرح تعاملی از عملکرد توزیع تجمعی (CDF) یا عملکرد چگالی احتمال (PDF) برای توزیع احتمال از برنامه عملکرد توزیع احتمال استفاده کنید.
قابلیت های گسترده
C/C ++ تولید کد C و C ++ با استفاده از Coder Matlab®.
یادداشت ها و محدودیت های استفاده:
نام آرگومان ورودی باید ثابت زمان کامپایل باشد. به عنوان مثال ، برای استفاده از توزیع عادی ، شامل Coder. Constant ("عادی") در مقدا ر-ARGS CodeGen (Coder Matlab) است.
آرگومان ورودی PD می تواند یک شیء توزیع احتمال مناسب برای توزیع بتا ، نمایی ، مقدار شدید ، lognormal ، عادی و weibull باشد. PD را با قرار دادن توزیع احتمال به نمونه داده ها از عملکرد FitDist ایجاد کنید. برای مثال ، برای اشیاء توزیع احتمال به تولید کد مراجعه کنید.
آرایه های GPU با اجرای یک واحد پردازش گرافیکی (GPU) با استفاده از جعبه ابزار محاسباتی موازی ، کد را تسریع می کنند.
این عملکرد کاملاً از آرایه های GPU پشتیبانی می کند. برای اطلاعات بیشتر ، به عملکردهای MATLAB در GPU (جعبه ابزار محاسبات موازی) مراجعه کنید.< Pan> C/C ++ تولید کد C و C ++ با استفاده از Coder Matlab®.
آموزش فارکس برای مبتدی ها...
ما را در سایت آموزش فارکس برای مبتدی ها دنبال می کنید
برچسب :
نویسنده : Mihayloo
بازدید : <-PostHit->
آرشیو مطالب
پيوندهای روزانه
خبرنامه
