Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

cdf

Función de distribución acumulativa

Descripción

y = cdf(name,x,A) devuelve la función de distribución acumulativa (cdf) para la familia de distribuciones de un parámetro especificada por name y el parámetro de distribución A, evaluada en los valores de x.

y = cdf(name,x,A,B) devuelve la cdf para la familia de distribuciones de dos parámetros especificada por name y los parámetros de distribución A y B, evaluada en los valores de x.

ejemplo

y = cdf(name,x,A,B,C) devuelve la cdf para la familia de distribuciones de tres parámetros especificada por name y los parámetros de distribución A, B y C, evaluada en los valores de x.

y = cdf(name,x,A,B,C,D) devuelve la cdf para la familia de distribuciones de cuatro parámetros especificada por name y los parámetros de distribución A, B, C y D, evaluada en los valores de x.

y = cdf(pd,x) devuelve la cdf del objeto de distribución de probabilidad pd, evaluada en los valores de x.

ejemplo

y = cdf(___,'upper') devuelve el complemento de la cdf usando un algoritmo que calcula con mayor precisión las probabilidades extremas de la cola superior. 'upper' puede utilizar cualquiera de los argumentos de entrada de las sintaxis anteriores.

Ejemplos

contraer todo

Calcule los valores de la cdf de una distribución normal especificando el nombre de distribución 'Normal' y los parámetros de distribución.

Defina el vector de entrada x para que contenga los valores en los que calcular la cdf.

x = [-2,-1,0,1,2];

Calcule los valores de la cdf de una distribución normal, con la media μ igual a 1 y la desviación estándar σ igual a 5.

mu = 1;
sigma = 5;
y = cdf('Normal',x,mu,sigma)
y = 1×5

    0.2743    0.3446    0.4207    0.5000    0.5793

Cada valor de y corresponde a un valor del vector de entrada x. Por ejemplo, en el valor x igual a 1, el valor correspondiente de la cdf de y es igual a 0.5000.

Cree un objeto de distribución normal y calcule los valores de la cdf de la distribución normal usando el objeto.

Cree un objeto de distribución normal con la media μ igual a 1 y la desviación estándar σ igual a 5.

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

Defina el vector de entrada x para que contenga los valores en los que calcular la cdf.

x = [-2,-1,0,1,2];

Calcule los valores de la cdf para la distribución normal en los valores de x.

y = cdf(pd,x)
y = 1×5

    0.2743    0.3446    0.4207    0.5000    0.5793

Cada valor de y corresponde a un valor del vector de entrada x. Por ejemplo, en el valor x igual a 1, el valor correspondiente de la cdf de y es igual a 0.5000.

Cree un objeto de distribución de Poisson con el parámetro de tasa, λ, igual a 2.

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

Defina el vector de entrada x para que contenga los valores en los que calcular la cdf.

x = [0,1,2,3,4];

Calcule los valores de la cdf para la distribución de Poisson en los valores de x.

y = cdf(pd,x)
y = 1×5

    0.1353    0.4060    0.6767    0.8571    0.9473

Cada valor de y corresponde a un valor del vector de entrada x. Por ejemplo, en el valor x igual a 3, el valor correspondiente de la cdf de y es igual a 0.8571.

De forma alternativa, puede calcular los mismos valores de la cdf sin crear un objeto de distribución de probabilidad. Use la función cdf y especifique una distribución de Poisson usando el mismo valor para el parámetro de tasa, λ.

y2 = cdf('Poisson',x,lambda)
y2 = 1×5

    0.1353    0.4060    0.6767    0.8571    0.9473

Los valores de la cdf son los mismos que los calculados usando el objeto de distribución de probabilidad.

Cree un objeto de distribución normal estándar.

pd = makedist('Normal')
pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

Especifique los valores de x y calcule la cdf.

x = -3:.1:3;
p = cdf(pd,x);

Represente la cdf de la distribución normal estándar.

plot(x,p)

Cree tres objetos de distribución gamma. El primero usa los valores predeterminados del parámetro. El segundo especifica a = 1 y b = 2. El tercero especifica a = 2 y b = 1.

pd_gamma = makedist('Gamma')
pd_gamma = 
  GammaDistribution

  Gamma distribution
    a = 1
    b = 1

pd_12 = makedist('Gamma','a',1,'b',2)
pd_12 = 
  GammaDistribution

  Gamma distribution
    a = 1
    b = 2

pd_21 = makedist('Gamma','a',2,'b',1)
pd_21 = 
  GammaDistribution

  Gamma distribution
    a = 2
    b = 1

Especifique los valores de x y calcule la cdf para cada distribución.

x = 0:.1:5;
cdf_gamma = cdf(pd_gamma,x);
cdf_12 = cdf(pd_12,x);
cdf_21 = cdf(pd_21,x);

Cree una gráfica para visualizar cómo cambia la cdf de la distribución gamma al especificar distintos valores para los parámetros de forma a y b.

figure;
J = plot(x,cdf_gamma);
hold on;
K = plot(x,cdf_12,'r--');
L = plot(x,cdf_21,'k-.');
set(J,'LineWidth',2);
set(K,'LineWidth',2);
legend([J K L],'a = 1, b = 1','a = 1, b = 2','a = 2, b = 1','Location','southeast');
hold off;

Ajuste las colas de Pareto a una distribución t a probabilidades acumulativas de 0.1 y 0.9.

t = trnd(3,100,1);
obj = paretotails(t,0.1,0.9);
[p,q] = boundary(obj)
p = 2×1

    0.1000
    0.9000

q = 2×1

   -1.8487
    2.0766

Calcule la cdf en los valores de q.

cdf(obj,q)
ans = 2×1

    0.1000
    0.9000

Argumentos de entrada

contraer todo

El nombre de la distribución de probabilidad, especificado como uno de los nombres de distribución de probabilidad de esta tabla.

nameDistribuciónParámetro de entrada AParámetro de entrada BParámetro de entrada CParámetro de entrada D
'Beta'Beta DistributionPrimer parámetro de forma aSegundo parámetro de forma bn. a.n. a.
'Binomial'Distribución binomialNúmero n de pruebasProbabilidad de éxito de cada prueba pn. a.n. a.
'BirnbaumSaunders'Birnbaum-Saunders DistributionParámetro de escala βParámetro de forma γn. a.n. a.
'Burr'Burr Type XII DistributionParámetro de escala αPrimer parámetro de forma cSegundo parámetro de forma kn. a.
'Chisquare' o 'chi2'Distribución chi-cuadradoν grados de libertadn. a.n. a.n. a.
'Exponential'Exponential DistributionMedia μn. a.n. a.n. a.
'Extreme Value' o 'ev'Extreme Value DistributionParámetro de localización μParámetro de escala σn. a.n. a.
'F'Distribución Fν1 grados de libertad del numeradorν2 grados de libertad del denominadorn. a.n. a.
'Gamma'Distribución gammaParámetro de forma aParámetro de escala bn. a.n. a.
'Generalized Extreme Value' o 'gev'Generalized Extreme Value DistributionParámetro de forma kParámetro de escala σParámetro de localización μn. a.
'Generalized Pareto' o 'gp'Generalized Pareto DistributionParámetro de índice de cola (forma) kParámetro de escala σParámetro de umbral (localización) μn. a.
'Geometric'Geometric DistributionParámetro de probabilidad pn. a.n. a.n. a.
'Half Normal' o 'hn'Half-Normal DistributionParámetro de localización μParámetro de escala σn. a.n. a.
'Hypergeometric' o 'hyge'Hypergeometric DistributionTamaño de la población mNúmero k de elementos con la característica deseada en la poblaciónNúmero n de muestras extraídasn. a.
'InverseGaussian'Distribución gaussiana inversaParámetro de escala μParámetro de forma λn. a.n. a.
'Logistic'Distribución logísticaMedia μParámetro de escala σn. a.n. a.
'LogLogistic'Loglogistic DistributionMedia μ de los valores logarítmicosParámetro de escala σ de los valores logarítmicosn. a.n. a.
'LogNormal'Distribución lognormalMedia μ de los valores logarítmicosDesviación estándar σ de los valores logarítmicosn. a.n. a.
'Loguniform'Loguniform DistributionExtremo inferior a (mínimo)Extremo superior b (máximo)n. a.n. a.
'Pearson'Pearson DistributionMedia μ Desviación estándar σAsimetría γCurtosis κ
'Nakagami'Distribución de NakagamiParámetro de forma μParámetro de escala ωn. a.n. a.
'Negative Binomial' o 'nbin'Negative Binomial DistributionNúmero r de éxitosProbabilidad de éxito en una sola prueba pn. a.n. a.
'Noncentral F' o 'ncf'Noncentral F Distributionν1 grados de libertad del numeradorν2 grados de libertad del denominadorParámetro de no centralidad δn. a.
'Noncentral t' o 'nct'Noncentral t Distributionν grados de libertadParámetro de no centralidad δn. a.n. a.
'Noncentral Chi-square' o 'ncx2'Noncentral Chi-Square Distributionν grados de libertadParámetro de no centralidad δn. a.n. a.
'Normal'Distribución normalMedia μ Desviación estándar σn. a.n. a.
'Poisson'Distribución de PoissonMedia λn. a.n. a.n. a.
'Rayleigh'Distribución de RayleighParámetro de escala bn. a.n. a.n. a.
'Rician'Distribución de RiceParámetro de no centralidad sParámetro de escala σn. a.n. a.
'Stable'Stable DistributionPrimer parámetro de forma αSegundo parámetro de forma βParámetro de escala γParámetro de localización δ
'T'Distribución t de Studentν grados de libertadn. a.n. a.n. a.
'tLocationScale't Location-Scale DistributionParámetro de localización μParámetro de escala σParámetro de forma νn. a.
'Uniform'Distribución uniforme (continua)Extremo inferior a (mínimo)Extremo superior b (máximo)n. a.n. a.
'Discrete Uniform' o 'unid'Distribución uniforme (discreta)Valor máximo observable nn. a.n. a.n. a.
'Weibull' o 'wbl'Weibull DistributionParámetro de escala aParámetro de forma bn. a.n. a.

Ejemplo: 'Normal'

Los valores en los que evaluar la cdf, especificados como un valor de escalar o un arreglo de valores de escalar.

Si uno o más de los argumentos de entrada x, A, B, C y D son arreglos, los tamaños de los arreglos deben ser los mismos. En este caso, cdf expande cada entrada del escalar a un arreglo constante del mismo tamaño que las entradas del arreglo. Consulte name para ver las definiciones de A, B, C y D para cada distribución.

Ejemplo: [0.1,0.25,0.5,0.75,0.9]

Tipos de datos: single | double

El primer parámetro de la distribución de probabilidad, especificado como un valor de escalar o un arreglo de valores de escalar.

Si uno o más de los argumentos de entrada x, A, B, C y D son arreglos, los tamaños de los arreglos deben ser los mismos. En este caso, cdf expande cada entrada del escalar a un arreglo constante del mismo tamaño que las entradas del arreglo. Consulte name para ver las definiciones de A, B, C y D para cada distribución.

Tipos de datos: single | double

El segundo parámetro de la distribución de probabilidad, especificado como un valor de escalar o un arreglo de valores de escalar.

Si uno o más de los argumentos de entrada x, A, B, C y D son arreglos, los tamaños de los arreglos deben ser los mismos. En este caso, cdf expande cada entrada del escalar a un arreglo constante del mismo tamaño que las entradas del arreglo. Consulte name para ver las definiciones de A, B, C y D para cada distribución.

Tipos de datos: single | double

El tercer parámetro de la distribución de probabilidad, especificado como un valor de escalar o un arreglo de valores de escalar.

Si uno o más de los argumentos de entrada x, A, B, C y D son arreglos, los tamaños de los arreglos deben ser los mismos. En este caso, cdf expande cada entrada del escalar a un arreglo constante del mismo tamaño que las entradas del arreglo. Consulte name para ver las definiciones de A, B, C y D para cada distribución.

Tipos de datos: single | double

El cuarto parámetro de la distribución de probabilidad, especificado como un valor de escalar o un arreglo de valores de escalar.

Si uno o más de los argumentos de entrada x, A, B, C y D son arreglos, los tamaños de los arreglos deben ser los mismos. En este caso, cdf expande cada entrada del escalar a un arreglo constante del mismo tamaño que las entradas del arreglo. Consulte name para ver las definiciones de A, B, C y D para cada distribución.

Tipos de datos: single | double

La distribución de probabilidad, especificada como uno de los objetos de distribución de probabilidad de esta tabla.

Objeto de distribuciónLa función o la app para crear el objeto de distribución de probabilidad
BetaDistributionmakedist, fitdist, Distribution Fitter
BinomialDistributionmakedist, fitdist, Distribution Fitter
BirnbaumSaundersDistributionmakedist, fitdist, Distribution Fitter
BurrDistributionmakedist, fitdist, Distribution Fitter
ExponentialDistributionmakedist, fitdist, Distribution Fitter
ExtremeValueDistributionmakedist, fitdist, Distribution Fitter
GammaDistributionmakedist, fitdist, Distribution Fitter
GeneralizedExtremeValueDistributionmakedist, fitdist, Distribution Fitter
GeneralizedParetoDistributionmakedist, fitdist, Distribution Fitter
HalfNormalDistributionmakedist, fitdist, Distribution Fitter
InverseGaussianDistributionmakedist, fitdist, Distribution Fitter
KernelDistributionfitdist, Distribution Fitter
LogisticDistributionmakedist, fitdist, Distribution Fitter
LoglogisticDistributionmakedist, fitdist, Distribution Fitter
LognormalDistributionmakedist, fitdist, Distribution Fitter
LoguniformDistributionmakedist
MultinomialDistributionmakedist
NakagamiDistributionmakedist, fitdist, Distribution Fitter
NegativeBinomialDistributionmakedist, fitdist, Distribution Fitter
NormalDistributionmakedist, fitdist, Distribution Fitter
Una distribución por tramos con distribuciones de Pareto generalizadas en las colasparetotails
PiecewiseLinearDistributionmakedist
PoissonDistributionmakedist, fitdist, Distribution Fitter
RayleighDistributionmakedist, fitdist, Distribution Fitter
RicianDistributionmakedist, fitdist, Distribution Fitter
StableDistributionmakedist, fitdist, Distribution Fitter
tLocationScaleDistributionmakedist, fitdist, Distribution Fitter
TriangularDistributionmakedist
UniformDistributionmakedist
WeibullDistributionmakedist, fitdist, Distribution Fitter

Argumentos de salida

contraer todo

Valores de la cdf, devueltos como un valor de escalar o un arreglo de valores de escalar. y tiene el mismo tamaño que x después de cualquier expansión de escalar necesaria. Cada elemento de y es el valor de la cdf de la distribución, especificado por los elementos correspondientes de los parámetros de la distribución (A, B, C y D) o por el objeto de distribución de probabilidad (pd), evaluado en el elemento correspondiente de x.

Funcionalidad alternativa

  • cdf es una función genérica que acepta una distribución por su nombre name o un objeto de distribución de probabilidad pd. Es más rápido usar una función específica de la distribución, como normcdf para la distribución normal y binocdf para la distribución binomial. Para obtener una lista de las funciones específicas de las distribuciones, consulte Distribuciones admitidas.

  • Use la app Probability Distribution Function para crear una gráfica interactiva de la función de distribución acumulativa (cdf) o de la función de densidad de probabilidad (pdf) para obtener una distribución de probabilidad.

Capacidades ampliadas

Historial de versiones

Introducido antes de R2006a

expandir todo