Существует ли функция в R, соответствующая кривой на гистограмме?Установка кривой плотности на гистограмму в R
Допустим, вы имели следующую гистограмму
hist(c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4)))
Это выглядит нормально, но это перекос. Я хочу подогнать нормальную кривую, которая перекошена, чтобы обернуть эту гистограмму.
Этот вопрос довольно простой, но я не могу найти ответ на R в Интернете.
Если я правильно понимаю ваш вопрос, то вы, вероятно, хотите оценку плотности вместе с гистограммой:
X <- c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4))
hist(X, prob=TRUE) # prob=TRUE for probabilities not counts
lines(density(X)) # add a density estimate with defaults
lines(density(X, adjust=2), lty="dotted") # add another "smoother" density
Редактировать долгое время спустя:
Вот немного более разодетые версия:
X <- c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4))
hist(X, prob=TRUE, col="grey")# prob=TRUE for probabilities not counts
lines(density(X), col="blue", lwd=2) # add a density estimate with defaults
lines(density(X, adjust=2), lty="dotted", col="darkgreen", lwd=2)
вместе с графиком она производит:
Вот как я это делаю:
foo <- rnorm(100, mean=1, sd=2)
hist(foo, prob=TRUE)
curve(dnorm(x, mean=mean(foo), sd=sd(foo)), add=TRUE)
бонус упражнения, чтобы сделать это с помощью пакета ggplot2 ...
Однако, если вы хотите что-то перекошенное, вы можете либо сделать пример плотности сверху, преобразуйте свои данные (например, foo.log < - log (foo) и попробуйте выше) или попробуйте установить перекошенное распределение, такое как гамма или логнормальное (lognormal эквивалентно принятию журнала и установке нормального, btw). –
Но это все еще требует оценки параметров вашего дистрибутива в первую очередь. –
Это немного зависит от простого обсуждения R, поскольку мы получаем больше теоретической статистики, но вы можете попробовать эту ссылку для Gamma: http: //en.wikipedia .org/wiki/Gamma_distribution # Parameter_estimation Для lognormal просто возьмите журнал (при условии, что все данные положительные) и работайте с log-trans сформированные данные. Для чего-нибудь интересного, я думаю, вам придется работать со статистическим учебником. –
Такая вещь легко с ggplot2
library(ggplot2)
dataset <- data.frame(X = c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4)))
ggplot(dataset, aes(x = X)) + geom_histogram(aes(y = ..density..)) + geom_density()
или чтобы имитировать результат решения Dirk's
ggplot(dataset, aes(x = X)) + geom_histogram(aes(y = ..density..), binwidth = 5) + geom_density()
Dirk объяснил, как построить функцию плотности над гистограммой. Но иногда вы можете пойти с более сильным предположением о перекошенном нормальном распределении и графике, а не плотности. Вы можете оценить параметры распределения и построить ее с помощью sn package:
> sn.mle(y=c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4)))
$call
sn.mle(y = c(rep(65, times = 5), rep(25, times = 5), rep(35,
times = 10), rep(45, times = 4)))
$cp
mean s.d. skewness
41.46228 12.47892 0.99527
Это, вероятно, лучше работает на данных, которые более Косонормальный:
I была та же проблема, но решение Дирка, похоже, не работало. я получаю это предупреждение об messege каждый раз
"prob" is not a graphical parameter
Я прочитал истор и нашел около freq: логический вектор набор TRUE, по умолчанию.
код, который работал для меня
hist(x,freq=FALSE)
lines(density(x),na.rm=TRUE)
Хотите найти м и S такое, что гауссова распределения N (м, с) подходит к вашим данным? – SteinNorheim
Я не уверен, что это значит ...> _> – user5243421
@mathee: Я думаю, что он означает m = mean и s = стандартное отклонение. Гауссовское распределение - другое имя для нормального распределения. –