Python-用Maxwell分布绘制置信误差条

我从未尝试过基于置信区间实现错误条。因为这就是我想要做的，我不确定如何继续下去

我有一个大型数据阵列，由大约1000个元素组成。从绘制包含这些数据的直方图来看，它看起来很像麦克斯韦-玻尔兹曼分布

假设我的数据称为

x

，我将其应用为拟合

import scipy.stats as stats
import numpy as np
import matplotlib.pyplot as plt

maxwell = stats.maxwell

## Scale Parameter
params = maxwell.fit(x, floc=0)
print params

## mean
mean = 2*params[1]*np.sqrt(2/np.pi)
print mean

## Variance
sig = (params[1])**(3*np.pi-8)/np.pi
print sig

>>> (0, 178.17597215151301)
>>> 284.327714571
>>> 512.637498406

当绘制它时，它将被复制到哪个位置

fig = plt.figure(figsize=(7,7))
ax = fig.add_subplot(111)

xd = np.argsort(x)

ax.plot(x[xd], maxwell.pdf(x, *params)[xd])

ax.hist(x[xd], bins=75, histtype="stepfilled", linewidth=1.5, facecolor='none', alpha=0.55, edgecolor='black', 
    normed=True)

你到底是如何用曲线拟合来确定置信区间的

我可以用

conf = maxwell.interval(0.90,loc=mean,scale=sig)
>>> (588.40702793225228, 1717.3973740895271)

---

但是我不知道这有什么用

我相信你的

sig

可能关闭了，它看起来非常大。如果我理解正确，

maxwell.interval

将为您的

x

数据（参见您的绘图）提供一个范围，其中随机变量下降的概率为90%。你不会从中得到点误差条。但即使得到拟合参数的实际置信区间，也只能得到拟合模型的两（一）个参数的估计值。我想你能做的就是看看这些拟合参数的置信区间，然后绘制拟合密度的上下曲线。然后我可能又错了，我怀疑这个问题的大部分都是关于这个主题的。您应该检查一下。我相信您的

sig

可能已关闭，它似乎很大。如果我理解正确，

maxwell.interval

将为您的

x

数据（参见您的绘图）提供一个范围，其中随机变量下降的概率为90%。你不会从中得到点误差条。但即使得到拟合参数的实际置信区间，也只能得到拟合模型的两（一）个参数的估计值。我想你能做的就是看看这些拟合参数的置信区间，然后绘制拟合密度的上下曲线。然后我可能又错了，我怀疑这个问题的大部分都是关于这个主题的。你应该检查一下。