R 获取数据的概率密度

我需要分析一些关于DSL线路的互联网会话的数据。我想看看会话持续时间是如何分配的。我想一个简单的方法是首先绘制所有会话持续时间的概率密度图

我已经在R中加载了数据，并使用了

density（）

函数。是这样的

plot(density(data$duration), type = "l", col = "blue", main = "Density Plot of Duration",
     xlab = "duration(h)", ylab = "probability density")

我不熟悉R和这种分析。这是我在谷歌上发现的。我有一个阴谋，但我还有一些问题。这是做我想做的事情的正确功能，还是有其他功能

在图中，我发现Y轴比例为0…1.5。我不明白怎么可能是1.5，是不是应该是0…1

---

另外，我想得到一条更平滑的曲线。因为数据集非常大，所以线条非常参差不齐。在我介绍这篇文章的时候，最好把它们整理一下。我该怎么做呢？

您应该使用bandwith（

bw

）参数来更改曲线的平滑度。一般来说，R做得很好，并自动给出一条漂亮而平滑的曲线，但对于特定的数据集，情况可能并非如此

至于您正在使用的调用，是的，它是正确的，

type=“l”

不是必需的，它是用于打印密度对象的默认值。曲线下的面积（即密度函数从-Inf到+Inf的积分）为=1

---

现在，在你的情况下，密度曲线是最好的选择吗？也许，也许不是。。。这取决于你想做什么样的分析。可能使用

hist

就足够了，而且可能会提供更多信息，因为您可以选择特定的持续时间仓位（有关更多信息，请参见

？hist

）。

正如nico所说，您应该查看

hist

，但您也可以将两者结合起来。然后可以用

行

调用密度。 例如：

---

这里是0.7752。检查您的数据，并按照nico的建议进行处理。你可能想看看

？bw.nrd

我本来想在前面的答案中添加这个作为注释，但它太大了。 明显的倾斜是由于值在直方图中的分块方式造成的。对离散数据使用直方图通常是错误的。见下文

set.seed(1001)
tmpf <- function() {
  duration <- rpois(500, 10) # For duration data I assume Poisson distributed
  hist(duration,
       probability = TRUE, # In stead of frequency
       breaks = "FD",      # For more breaks than the default
       col = "darkslategray4", border = "seashell3",
       main="",ann=FALSE,axes=FALSE,xlim=c(0,25),ylim=c(0,0.15))
  box()
  lines(density(duration),   # Add the kernel density estimate
        col = "firebrick2", lwd = 3)
  par(new=TRUE)
  plot(table(factor(duration,levels=0:25))/length(duration),
       xlim=c(0,25),ylim=c(0,0.15),col=4,ann=FALSE,axes=FALSE)
}

par(mfrow=c(3,3),mar=rep(0,4))
replicate(9,tmpf())

set.seed（1001）
谢谢，我会看一看，但我仍然不明白为什么密度轴会大于1。正如我所说，曲线下的面积（即总和（dx*y））等于1。y轴的实际值因带宽而异。较小的带宽值将生成较高的y值。尝试绘制
密度（rnorm（1000），0.2）
和
密度（rnorm（1000），2）
以查看差异。hist相对于密度看起来向右倾斜。这是因为假设一个具有泊松分布变量的正态核吗？@David:我不能100%确定R是如何计算密度估计的。我想这也可能是直方图的分类问题，但我把答案留给了比我更有知识的人。你误解了密度。X的密度可以看作是一个与从总体中提取一个与X非常接近的数字的概率成正比的值。现在根据定义，密度函数的积分等于1。这并不意味着密度函数的最大值应该是1，它很容易会更大。事实上，对于df=（1,1）的F分布，密度的最大值（在0处）甚至是无穷大。@Joris是的，我现在意识到我没有正确地解释它。我相当简单地假设，由于它是一个概率分布，它将小于1:）@JorisMeys，当曲线下的总面积为1时，PDF怎么可能大于1？如果PDF超过1，是否可能是分布不正态且需要归一化？@karthiks，因为例如高度为10、宽度为0.01的矩形的面积为0.1，而Y值（因此PDF）为10。对于需要同时考虑X轴和Y轴的区域，而不仅仅是Y轴。是的，也就是说，箱子将始终位于整数的任一侧（右=真vs.右=假）。我主要是将其用于数据的预先可视化，没有什么害处。但是它可以很容易地用一个简单的-0.5的密度来修正…@eyjo：这是假设你使用的是整数打断，但你不受它的限制
> density(duration)

Call:
        density.default(x = duration)

Data: duration (500 obs.);      Bandwidth 'bw' = 0.7752

       x                 y            
 Min.   : 0.6745   Min.   :1.160e-05  
 1st Qu.: 7.0872   1st Qu.:1.038e-03  
 Median :13.5000   Median :1.932e-02  
 Mean   :13.5000   Mean   :3.895e-02  
 3rd Qu.:19.9128   3rd Qu.:7.521e-02  
 Max.   :26.3255   Max.   :1.164e-01  

set.seed(1001)
tmpf <- function() {
  duration <- rpois(500, 10) # For duration data I assume Poisson distributed
  hist(duration,
       probability = TRUE, # In stead of frequency
       breaks = "FD",      # For more breaks than the default
       col = "darkslategray4", border = "seashell3",
       main="",ann=FALSE,axes=FALSE,xlim=c(0,25),ylim=c(0,0.15))
  box()
  lines(density(duration),   # Add the kernel density estimate
        col = "firebrick2", lwd = 3)
  par(new=TRUE)
  plot(table(factor(duration,levels=0:25))/length(duration),
       xlim=c(0,25),ylim=c(0,0.15),col=4,ann=FALSE,axes=FALSE)
}

par(mfrow=c(3,3),mar=rep(0,4))
replicate(9,tmpf())