R 求类伽马分布的分位数
数据呈伽马分布 复制数据的方法如下: a) 首先找到发行版。真实数据的参数:R 求类伽马分布的分位数,r,statistics,R,Statistics,数据呈伽马分布 复制数据的方法如下: a) 首先找到发行版。真实数据的参数: fitdist(datag, "gamma", optim.method="Nelder-Mead") b) 使用参数形状、速率、比例模拟数据: data <- rgamma(10000, shape=0.6, rate=4.8, scale=1/4.8) 如何找到真实数据的分位数(未使用rgamma模拟) 请注意,分位数r函数返回真实数据(datag)的期望分位数,但据我所知,假设数据是正态分布的。正如你
fitdist(datag, "gamma", optim.method="Nelder-Mead")
b) 使用参数形状、速率、比例模拟数据:
data <- rgamma(10000, shape=0.6, rate=4.8, scale=1/4.8)
如何找到真实数据的分位数(未使用rgamma模拟)
请注意,分位数r函数返回真实数据(datag)的期望分位数,但据我所知,假设数据是正态分布的。正如你所看到的,它们显然不是
quantile(datag, seq(0,1, by=0.1), type=7)
在r中使用什么函数,或者如何从统计上获得高度倾斜数据的分位数
此外,这是否有意义?但仍然没有得到较低的值
Fn <- ecdf(datag)
Fn(seq(0.1,1,by=0.1))
Fn分位数由“q”函数返回,在本例中为qgamma
。对于您的数据,眼球积分表明大多数数据位于0.2的左侧,如果我们要求0.8分位数,我们会看到估计分布中80%的数据位于以下位置的左侧:
qgamma(.8, shape=0.6, rate=4.8)
#[1] 0.20604
似乎同意你的计划。如果您想要样本中的0.8分位数,则只需:
quantile(datag, 0.8)
分位数由“q”函数返回,在本例中为qgamma
。对于您的数据,眼球积分表明大多数数据位于0.2的左侧,如果我们要求0.8分位数,我们会看到估计分布中80%的数据位于以下位置的左侧:
qgamma(.8, shape=0.6, rate=4.8)
#[1] 0.20604
似乎同意你的计划。如果您想要样本中的0.8分位数,则只需:
quantile(datag, 0.8)
我不知道你说你认为分位数假设你的数据正常是什么意思。正态性与分位数的计算方式有什么关系?好的,我会更明确一些<代码>分位数
不认为您的数据正常。你能详细说明一下分位数的输出有什么问题吗?@Joran。我的意思是“分位数”作为r函数,如上所述。我认为函数(或一般)具有正态性假设。正如你指出的那样,情况并非如此。那么分位数(r函数)是否适用于任何数据?对不起,我不熟悉分位数函数背后的数学(或者只是忘记了)。原始分位数通常是根据实际数据中的顺序统计信息计算出来的;实际上,您使用的是基于实际数据的ecdf。我仍然(相当)确定您只是想使用函数quantile()
@Max:就像均值,sd
,偏度和峰度,分位数不假设任何分布。这不仅适用于R
,也适用于其他程序。我不知道你说你认为quantile
假设你的数据正常是什么意思。正态性与分位数的计算方式有什么关系?好的,我会更明确一些<代码>分位数
不认为您的数据正常。你能详细说明一下分位数的输出有什么问题吗?@Joran。我的意思是“分位数”作为r函数,如上所述。我认为函数(或一般)具有正态性假设。正如你指出的那样,情况并非如此。那么分位数(r函数)是否适用于任何数据?对不起,我不熟悉分位数函数背后的数学(或者只是忘记了)。原始分位数通常是根据实际数据中的顺序统计信息计算出来的;实际上,您使用的是基于实际数据的ecdf。我仍然(相当)确定您只是想使用函数quantile()
@Max:就像均值,sd
,偏度和峰度,分位数不假设任何分布。这不仅适用于R
,也适用于其他程序。当然,dgamma返回密度。这是个打字错误。正如您所看到的,代码行上方的文本表示qgamma。谢谢。当然,德加玛回来了。这是个打字错误。正如您所看到的,代码行上方的文本表示qgamma。谢谢