R 事件发生的加权可能性
我想确定某个范围内发生某些事件的概率 最小值=600最大值=50000最频繁结果=600R 事件发生的加权可能性,r,statistics,prediction,R,Statistics,Prediction,我想确定某个范围内发生某些事件的概率 最小值=600最大值=50000最频繁结果=600 我生成了一系列事件:numbers首先,我认为您要查找的是ppois,而不是qpois。函数qpois(p600)采用概率向量p。如果你做了qpois(0.75600)你将得到616,这意味着75%的观察值将达到或低于616 ppois与qpois相反。如果你做ppois(616600)你会得到(大约)0.75 至于你的具体分布,它不能是泊松分布。让我们看看平均值为600的泊松分布是什么样子: x <
我生成了一系列事件:
numbers首先,我认为您要查找的是ppois
,而不是qpois
。函数qpois(p600)
采用概率向量p
。如果你做了qpois(0.75600)
你将得到616,这意味着75%的观察值将达到或低于616
ppois
与qpois
相反。如果你做ppois(616600)
你会得到(大约)0.75
至于你的具体分布,它不能是泊松分布。让我们看看平均值为600的泊松分布是什么样子:
x <- 500:700
plot(x, dpois(x, 600), type = "h")
因此,如果您的数据包含30000或50000以及600的值,那么它肯定不是泊松分布
如果不了解更多关于实际数据的信息,就不可能说出您的分布情况。也许如果你在问题中加入一个样本,我们可以提供更多帮助
编辑
通过评论中提供的数字样本,我们可以了解实际的经验分布:
hist(数字,200)
如果我们想知道任意点的概率,我们可以创建经验累积分布函数,如下所示:
获得[1]0.16412的概率
然而,在这种情况下,我们知道分布是如何生成的,因此我们可以使用一些简单的几何图形来计算精确的理论cdf(我不会在这里展示我的工作,因为尽管它很简单,但它相当冗长、枯燥,并且不适用于其他分布):
cdf[1]0.8360898
这非常接近,但理论上比经验值更准确。当然,这是用python创建的随机生成的列表[link](),通过:
import numpy as np import matplotlib.pyplot as plt a=600 b=50000 c=600 num=np.ma.round(np.random.triangal(左=a-0.5,模式=c,右=b+0.5,大小=50000))