이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

cdf

누적 분포 함수

구문

y = cdf(name,x,A)

y = cdf(name,x,A,B)

y = cdf(name,x,A,B,C)

y = cdf(name,x,A,B,C,D)

y = cdf(pd,x)

y = cdf(___,'upper')

설명

y = cdf(name,x,A)는 name과 분포 모수 A로 지정된 단일 모수 분포군에 대해서 x 값의 누적 분포 함수(cdf)를 계산하여 반환합니다.

y = cdf(name,x,A,B)는 name과 분포 모수 A 및 B로 지정된 2-모수 분포군에 대해서 x 값의 cdf를 계산하여 반환합니다.

y = cdf(name,x,A,B,C)는 name과 분포 모수 A, B, C로 지정된 3-모수 분포군에 대해서 x 값의 cdf를 계산하여 반환합니다.

y = cdf(name,x,A,B,C,D)는 name과 분포 모수 A, B, C, D로 지정된 4-모수 분포군에 대해서 x 값의 cdf를 계산하여 반환합니다.

y = cdf(pd,x)는 확률 분포 객체 pd에 대해서 x 값의 cdf를 계산하여 반환합니다.

y = cdf(___,'upper')는 위쪽 꼬리 확률을 더 정확하게 계산하는 알고리즘을 사용하여 cdf의 보수를 반환합니다. 'upper'는 위에 열거된 구문의 모든 입력 인수 다음에 올 수 있습니다.

예제

분포 이름 및 모수를 지정하여 정규분포 cdf 계산하기

분포 이름 'Normal' 및 분포 모수를 지정하여 정규분포에 대한 cdf 값을 계산합니다.

cdf를 계산할 지점의 값을 포함하도록 입력 벡터 x를 정의합니다.

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

평균 $$\mu$$가 1이고 표준편차 $$\sigma$$가 5인 정규분포에 대한 cdf 값을 계산합니다.

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

y = 1×5

    0.2743    0.3446    0.4207    0.5000    0.5793

y의 각 값은 입력 벡터 x의 값에 대응됩니다. 예를 들어, 값 x가 1인 경우 이 값에 대응되는 cdf 값 y는 0.5000입니다.

분포 객체를 사용하여 정규분포 cdf 계산하기

정규분포 객체를 생성하고 이 객체를 사용하여 정규분포의 cdf 값을 계산합니다.

평균 $$\mu$$가 1이고 표준편차 $$\sigma$$가 5인 정규분포 객체를 생성합니다.

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

cdf를 계산할 지점의 값을 포함하도록 입력 벡터 x를 정의합니다.

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

x의 값에서 정규분포에 대한 cdf 값을 계산합니다.

y = cdf(pd,x)

y = 1×5

    0.2743    0.3446    0.4207    0.5000    0.5793

y의 각 값은 입력 벡터 x의 값에 대응됩니다. 예를 들어, 값 x가 1인 경우 이 값에 대응되는 cdf 값 y는 0.5000입니다.

푸아송 분포 cdf 계산하기

사건 발생률 모수 $$\lambda$$가 2인 푸아송 분포 객체를 생성합니다.

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

cdf를 계산할 지점의 값을 포함하도록 입력 벡터 x를 정의합니다.

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

x의 값에서 푸아송 분포에 대한 cdf 값을 계산합니다.

y = cdf(pd,x)

y = 1×5

    0.1353    0.4060    0.6767    0.8571    0.9473

y의 각 값은 입력 벡터 x의 값에 대응됩니다. 예를 들어, 값 x가 3인 경우 이 값에 대응되는 cdf 값 y는 0.8571입니다.

또는 확률 분포 객체를 생성하지 않고 동일한 cdf 값을 계산할 수도 있습니다. cdf 함수를 사용하고 동일한 사건 발생률 모수 $$\lambda$$의 값을 사용하여 푸아송 분포를 지정하면 됩니다.

y2 = cdf('Poisson',x,lambda)

y2 = 1×5

    0.1353    0.4060    0.6767    0.8571    0.9473

cdf 값이 확률 분포 객체를 사용하여 계산된 값과 동일합니다.

표준 정규분포 cdf 플로팅하기

표준 정규분포 객체를 생성합니다.

pd = makedist('Normal')

pd = 
  NormalDistribution

  Normal distribution
       mu = 0
    sigma = 1

x 값을 지정하고 cdf를 계산합니다.

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

표준 정규분포의 cdf를 플로팅합니다.

plot(x,p)

감마 분포 cdf 플로팅하기

3개의 감마 분포 객체를 생성합니다. 첫 번째 객체는 디폴트 모수 값을 사용합니다. 두 번째 객체는 a = 1과 b = 2를 지정합니다. 세 번째 객체는 a = 2와 b = 1을 지정합니다.

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

x 값을 지정하고 각 분포에 대해 cdf를 계산합니다.

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

형태 모수 a와 b에 대해 각기 다른 값을 지정할 때 감마 분포의 cdf가 어떻게 달라지는지를 시각화하는 플롯을 생성합니다.

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;

파레토 꼬리를 t 분포에 피팅하고 cdf 계산하기

누적 확률 0.1 및 0.9에서 $$t$$ 분포에 파레토 꼬리를 피팅합니다.

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

q의 값에서 cdf를 계산합니다.

cdf(obj,q)

ans = 2×1

    0.1000
    0.9000

입력 인수

name — 확률 분포 이름

확률 분포 이름으로 구성된 문자형 벡터 또는 string형 스칼라

확률 분포 이름으로, 다음 표에 나와 있는 확률 분포 이름 중 하나로 지정됩니다.

name	분포	입력 모수 A	입력 모수 B	입력 모수 C	입력 모수 D
'Beta'	Beta Distribution	a 첫 번째 형태 모수	b 두 번째 형태 모수	N/A	N/A
'Binomial'	이항분포	n 시행 횟수	p 각 시행에 대한 성공 확률	N/A	N/A
'BirnbaumSaunders'	Birnbaum-Saunders Distribution	β 스케일 모수	γ 형태 모수	N/A	N/A
'Burr'	Burr Type XII Distribution	α 스케일 모수	c 첫 번째 형태 모수	k 두 번째 형태 모수	N/A
'Chisquare' 또는 'chi2'	카이제곱 분포	ν 자유도	N/A	N/A	N/A
'Exponential'	지수 분포	μ 평균	N/A	N/A	N/A
'Extreme Value' 또는 'ev'	Extreme Value Distribution	μ 위치 모수	σ 스케일 모수	N/A	N/A
'F'	F 분포	ν1 분자의 자유도	ν2 분모의 자유도	N/A	N/A
'Gamma'	감마 분포	a 형태 모수	b 스케일 모수	N/A	N/A
'Generalized Extreme Value' 또는 'gev'	Generalized Extreme Value Distribution	k 형태 모수	σ 스케일 모수	μ 위치 모수	N/A
'Generalized Pareto' 또는 'gp'	Generalized Pareto Distribution	k 꼬리 인덱스(형태) 모수	σ 스케일 모수	μ 분계점(위치) 모수	N/A
'Geometric'	Geometric Distribution	p 확률 모수	N/A	N/A	N/A
'Half Normal' 또는 'hn'	Half-Normal Distribution	μ 위치 모수	σ 스케일 모수	N/A	N/A
'Hypergeometric' 또는 'hyge'	Hypergeometric Distribution	m 모집단 크기	k 모집단에서 원하는 특성을 가진 항목 개수	n 추출된 표본 개수	N/A
'InverseGaussian'	역가우스 분포	μ 스케일 모수	λ 형태 모수	N/A	N/A
'Logistic'	로지스틱 분포	μ 평균	σ 스케일 모수	N/A	N/A
'LogLogistic'	Loglogistic Distribution	μ 로그 값의 평균	σ 로그 값의 스케일 모수	N/A	N/A
'LogNormal'	로그정규분포	μ 로그 값의 평균	σ 로그 값의 표준편차	N/A	N/A
'Loguniform'	Loguniform Distribution	a 하한 끝점(최솟값)	b 상한 끝점(최댓값)	N/A	N/A
'Nakagami'	나카가미(Nakagami) 분포	μ 형태 모수	ω 스케일 모수	N/A	N/A
'Negative Binomial' 또는 'nbin'	Negative Binomial Distribution	r 성공 횟수	p 단일 시행에서 성공할 확률	N/A	N/A
'Noncentral F' 또는 'ncf'	Noncentral F Distribution	ν1 분자의 자유도	ν2 분모의 자유도	δ 비중심성 모수	N/A
'Noncentral t' 또는 'nct'	Noncentral t Distribution	ν 자유도	δ 비중심성 모수	N/A	N/A
'Noncentral Chi-square' 또는 'ncx2'	Noncentral Chi-Square Distribution	ν 자유도	δ 비중심성 모수	N/A	N/A
'Normal'	정규분포	μ 평균	σ 표준편차	N/A	N/A
'Poisson'	푸아송 분포	λ 평균	N/A	N/A	N/A
'Rayleigh'	레일리(Rayleigh) 분포	b 스케일 모수	N/A	N/A	N/A
'Rician'	라이시안(Rician) 분포	s 비중심성 모수	σ 스케일 모수	N/A	N/A
'Stable'	Stable Distribution	α 첫 번째 형태 모수	β 두 번째 형태 모수	γ 스케일 모수	δ 위치 모수
'T'	스튜던트 t 분포	ν 자유도	N/A	N/A	N/A
'tLocationScale'	t Location-Scale Distribution	μ 위치 모수	σ 스케일 모수	ν 형태 모수	N/A
'Uniform'	균등분포(연속)	a 하한 끝점(최솟값)	b 상한 끝점(최댓값)	N/A	N/A
'Discrete Uniform' 또는 'unid'	균등분포(이산)	n 관측 가능 최댓값	N/A	N/A	N/A
'Weibull' 또는 'wbl'	베이불(Weibull) 분포	a 스케일 모수	b 형태 모수	N/A	N/A

예: 'Normal'

x — cdf를 계산할 지점의 값

스칼라 값 | 스칼라 값으로 구성된 배열

cdf를 계산할 지점의 값으로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 지정됩니다.

입력 인수 x, A, B, C, D 중 하나 이상이 배열인 경우 배열 크기가 서로 같아야 합니다. 이 경우, cdf가 각각의 스칼라 입력값을 배열 입력값과 동일한 크기의 상수 배열로 확장합니다. 각 분포에 대한 A, B, C, D의 정의는 name 항목을 참조하십시오.

예: [0.1,0.25,0.5,0.75,0.9]

데이터형: single | double

A — 첫 번째 확률 분포 모수

스칼라 값 | 스칼라 값으로 구성된 배열

첫 번째 확률 분포 모수로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 지정됩니다.

입력 인수 x, A, B, C, D 중 하나 이상이 배열인 경우 배열 크기가 서로 같아야 합니다. 이 경우, cdf가 각각의 스칼라 입력값을 배열 입력값과 동일한 크기의 상수 배열로 확장합니다. 각 분포에 대한 A, B, C, D의 정의는 name 항목을 참조하십시오.

데이터형: single | double

B — 두 번째 확률 분포 모수

스칼라 값 | 스칼라 값으로 구성된 배열

두 번째 확률 분포 모수로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 지정됩니다.

입력 인수 x, A, B, C, D 중 하나 이상이 배열인 경우 배열 크기가 서로 같아야 합니다. 이 경우, cdf가 각각의 스칼라 입력값을 배열 입력값과 동일한 크기의 상수 배열로 확장합니다. 각 분포에 대한 A, B, C, D의 정의는 name 항목을 참조하십시오.

데이터형: single | double

C — 세 번째 확률 분포 모수

스칼라 값 | 스칼라 값으로 구성된 배열

세 번째 확률 분포 모수로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 지정됩니다.

입력 인수 x, A, B, C, D 중 하나 이상이 배열인 경우 배열 크기가 서로 같아야 합니다. 이 경우, cdf가 각각의 스칼라 입력값을 배열 입력값과 동일한 크기의 상수 배열로 확장합니다. 각 분포에 대한 A, B, C, D의 정의는 name 항목을 참조하십시오.

데이터형: single | double

D — 네 번째 확률 분포 모수

스칼라 값 | 스칼라 값으로 구성된 배열

네 번째 확률 분포 모수로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 지정됩니다.

입력 인수 x, A, B, C, D 중 하나 이상이 배열인 경우 배열 크기가 서로 같아야 합니다. 이 경우, cdf가 각각의 스칼라 입력값을 배열 입력값과 동일한 크기의 상수 배열로 확장합니다. 각 분포에 대한 A, B, C, D의 정의는 name 항목을 참조하십시오.

데이터형: single | double

pd — 확률 분포

확률 분포 객체

확률 분포로, 다음 표에 나와 있는 확률 분포 객체 중 하나로 지정됩니다.

분포 객체	확률 분포 객체를 만드는 함수 또는 앱
BetaDistribution	makedist, fitdist, 분포 피팅기
BinomialDistribution	makedist, fitdist, 분포 피팅기
BirnbaumSaundersDistribution	makedist, fitdist, 분포 피팅기
BurrDistribution	makedist, fitdist, 분포 피팅기
ExponentialDistribution	makedist, fitdist, 분포 피팅기
ExtremeValueDistribution	makedist, fitdist, 분포 피팅기
GammaDistribution	makedist, fitdist, 분포 피팅기
GeneralizedExtremeValueDistribution	makedist, fitdist, 분포 피팅기
GeneralizedParetoDistribution	makedist, fitdist, 분포 피팅기
HalfNormalDistribution	makedist, fitdist, 분포 피팅기
InverseGaussianDistribution	makedist, fitdist, 분포 피팅기
KernelDistribution	fitdist, 분포 피팅기
LogisticDistribution	makedist, fitdist, 분포 피팅기
LoglogisticDistribution	makedist, fitdist, 분포 피팅기
LognormalDistribution	makedist, fitdist, 분포 피팅기
LoguniformDistribution	makedist
MultinomialDistribution	makedist
NakagamiDistribution	makedist, fitdist, 분포 피팅기
NegativeBinomialDistribution	makedist, fitdist, 분포 피팅기
NormalDistribution	makedist, fitdist, 분포 피팅기
꼬리에서 일반화 파레토 분포를 갖는 조각별 분포	paretotails
PiecewiseLinearDistribution	makedist
PoissonDistribution	makedist, fitdist, 분포 피팅기
RayleighDistribution	makedist, fitdist, 분포 피팅기
RicianDistribution	makedist, fitdist, 분포 피팅기
StableDistribution	makedist, fitdist, 분포 피팅기
tLocationScaleDistribution	makedist, fitdist, 분포 피팅기
TriangularDistribution	makedist
UniformDistribution	makedist
WeibullDistribution	makedist, fitdist, 분포 피팅기

출력 인수

y — cdf 값

스칼라 값 | 스칼라 값으로 구성된 배열

cdf 값으로, 스칼라 값 또는 스칼라 값으로 구성된 배열로 반환됩니다. 필요한 스칼라 확장이 이루어진 후 y는 x와 크기가 같아집니다. y의 각 요소는 분포 모수(A, B, C, D)에서 대응되는 요소 또는 확률 분포 객체(pd)로 지정된 분포에 대한 cdf 값이며, x에 포함된 대응 요소에서 계산됩니다.

대체 기능

• cdf는 분포 이름 name으로 지정한 분포를 받거나 확률 분포 객체 pd를 받는 일반 함수입니다. 분포 전용 함수(정규분포의 경우 normcdf, 이항분포의 경우 binocdf)를 사용하는 것이 더 빠릅니다. 분포 전용 함수 목록은 Supported Distributions 항목을 참조하십시오.

• 확률 분포 함수 앱을 사용하면 확률 분포에 대한 누적 분포 함수(cdf) 또는 확률 밀도 함수(pdf)의 대화형 방식 플롯을 생성할 수 있습니다.

확장 기능

C/C++ 코드 생성

MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• 입력 인수 name은 컴파일타임 상수여야 합니다. 예를 들어, 정규분포를 사용하려면 codegen의 -args 값에 coder.Constant('Normal') (MATLAB Coder)을 포함시키십시오.

• 입력 인수 pd는 베타 분포, 지수 분포, 극값 분포, 로그 정규분포, 정규분포 및 베이불 분포에 대해 피팅된 확률 분포 객체일 수 있습니다. fitdist 함수에서 확률 분포를 표본 데이터에 피팅하여 pd를 생성하십시오. 예제는 Code Generation for Probability Distribution Objects 항목을 참조하십시오.

코드 생성에 대한 자세한 내용은 Introduction to Code Generation 항목 및 General Code Generation Workflow 항목을 참조하십시오.

GPU 배열

Parallel Computing Toolbox™를 사용해 GPU(그래픽스 처리 장치)에서 실행하여 코드 실행 속도를 높일 수 있습니다.

이 함수는 GPU 배열을 완전히 지원합니다. 자세한 내용은 GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox) 항목을 참조하십시오.

버전 내역

R2006a 이전에 개발됨

참고 항목

pdf | ecdf | icdf | mle | random | makedist | fitdist | 분포 피팅기 | paretotails

도움말 항목

• 확률 분포 사용하기
• Supported Distributions

×

예제 열기

이 예제의 수정된 버전이 있습니다. 사용자가 편집한 내용을 반영하여 이 예제를 여시겠습니까?

아니요, 수정된 버전을 덮어씁니다. 예