![](/img/trans.png)
[英]Building an empirical cumulative distribution function and data interpolation in R
[英]Fit distribution to empirical data
我正在嘗試將 beta 分布擬合到根據經驗數據創建的直方圖。
我遇到的問題是擬合分布比原始直方圖中的條形高得多。
原始數據在 [0,1] 的范圍之外,這是可以評估 beta 分布的范圍,所以我重新調整原始數據,使其位於 [0,1] 區間內。
這是我的代碼:
load("https://www.dropbox.com/s/c3psxx8jjbc20mo/data.Rdata?dl=0")
#create histogram with values normalized between 0 and 1
h <- hist((data-min(data)) / (max(data)-min(data)),lty="blank",col="grey")
#normalize the density so the y-axis goes from 0 to 1
h$density <- h$counts/max(h$counts)
#plot the results
plot(h,freq=FALSE,cex.main=1,cex.axis=1,yaxt='n',ylim=c(0,1.5),col='grey',lty='blank',xaxt='n')
axis(2,at=seq(0,1,0.5),labels=seq(0,1,0.5))
axis(1,at=seq(0,1,0.5),labels=seq(0,1,0.5))
#fit beta distribution
a <- (data-min(data)) / (max(data)-min(data))
a[a==1] <- 0.9999
a[a==0] <- 0.0001
fit.beta <- suppressWarnings(fitdistr(a, "beta", start = list( shape1=0.1, shape2=0.1 ) ))
#overlay curve from beta distribution
alpha <- fit.beta$estimate[1]
beta <- fit.beta$estimate[2]
b <- rbeta(length(data),alpha,beta)
lines(density(b))
我錯過了什么?
首先,您需要使用hist(..., freq=TRUE)
作為直方圖。 然后,為了正確設置 y 軸范圍,您可以計算 Beta 分布的最大值(參見例如此處)。 最后,使用dbeta
比生成隨機樣本然后估計密度要好得多:
maxibeta <- dbeta((alpha-1)/(alpha+beta-2), alpha, beta)
hist( (data-min(data)) / (max(data)-min(data)),
prob=TRUE, col="grey", border="white", ylim=c(0, maxibeta),
main="Histogram + fitted distribution")
plot(function(x) dbeta(x,alpha,beta), add=TRUE, col=2, lwd=2)
編輯:一個更通用的解決方案,但這讓我有點難過,因為它沒有使用 beta 發行版的好屬性:
fbeta <- function(x) dbeta(x,alpha,beta)
maxibeta <- optimize(fbeta, interval = c(0,1), maximum = TRUE)$objective
histo <- hist((data-min(data)) / (max(data)-min(data)), plot = FALSE)
plot(histo, freq=FALSE, col="grey", border="white",
ylim=c(0, max(maxibeta, max(histo$density))),
main="Histogram + fitted distribution")
plot(fbeta, add=TRUE, col=2, lwd=2)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.