Подгонка кривой плотности к гистограмме в R

91

Есть ли в R функция, которая соответствует кривой гистограмме?

Допустим, у вас была следующая гистограмма

hist(c(rep(65, times=5), rep(25, times=5), rep(35, times=10), rep(45, times=4)))

Выглядит нормально, но перекошено. Я хочу подобрать нормальную кривую, которая перекошена, чтобы обернуть эту гистограмму.

Это довольно простой вопрос, но я не могу найти ответ для R в Интернете.

r histogram curve-fitting r-faq

— user5243421
источник

Вы хотите найти такие m и s, чтобы гауссово распределение N (m, s) соответствовало вашим данным?

— SteinNorheim,

Я не уверен, что это значит ...> _>

— user5243421

10

@mathee: Я думаю, он имел в виду m = среднее и s = стандартное отклонение. Гауссово распределение - это еще одно название нормального распределения.

— Питер Мортенсен,

154

Если я правильно понял ваш вопрос, то вам, вероятно, понадобится оценка 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

Отредактируйте спустя некоторое время:

Вот немного более нарядная 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, который он производит:

введите описание изображения здесь

— Дирк Эддельбюттель
источник

3

+1 - можно ли сделать наоборот, т.е. настроить график плотности в соответствии с гистограммой?

— vonjd

2

Я предлагаю указать дополнительный параметр, lines(density(X,na.rm= TRUE)поскольку вектор может содержать значения NA.

— Anirudh

30

Это просто 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 имитировать результат решения Дирка

ggplot(dataset, aes(x = X)) + 
  geom_histogram(aes(y = ..density..), binwidth = 5) + 
  geom_density()

— Тьерри
источник

28

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)

Бонусное упражнение - сделать это с помощью пакета ggplot2 ...

— Джон Джонсон
источник

Однако, если вам нужно что-то смещенное, вы можете либо выполнить приведенный выше пример плотности, преобразовать данные (например, foo.log & lt; - log (foo) и попробовать то, что указано выше), либо попробовать установить искаженное распределение, например гамма или логнормальная (логнормальная эквивалентна взятию журнала и подгонке нормального, кстати).

— Джон Джонсон,

2

Но для этого по-прежнему необходимо сначала оценить параметры вашего распределения.

— Дирк Эддельбюттель,

Это немного уходит от простого обсуждения R, поскольку мы углубляемся в теоретическую статистику, но вы можете попробовать эту ссылку для Gamma: en.wikipedia.org/wiki/Gamma_distribution#Parameter_estimation Для логнормального просто возьмите журнал (предполагая все данные положительные) и работают с данными, преобразованными в журнал. Для чего-нибудь более интересного, я думаю, вам придется поработать с учебником по статистике.

— Джон Джонсон,

3

Я думаю, вы неправильно понимаете, как и исходный плакат, и все другие ответы вполне довольны использованием непараметрических оценок - таких как гистограмма старой школы или несколько более современная оценка плотности на основе данных. Параметрические оценки хороши, если у вас есть веские основания подозревать наличие распределения. Но здесь все было не так.

— Дирк Эддельбюттель,

11

Дирк объяснил, как построить функцию плотности на гистограмме. Но иногда вам может потребоваться более сильное предположение об искаженном нормальном распределении и построить график вместо плотности. Вы можете оценить параметры распределения и построить его с помощью пакета sn :

> 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

График распределенных данных с перекосом нормалей

Вероятно, это лучше работает с данными, которые более искажены:

Еще один искаженный сюжет

— fmark
источник

3

У меня была та же проблема, но решение Дирка, похоже, не сработало. Я получал это предупреждение каждый раз

"prob" is not a graphical parameter

Я прочитал ?histи нашел околоfreq: a logical vector set TRUE by default.

код, который работал у меня,

hist(x,freq=FALSE)
lines(density(x),na.rm=TRUE)

— Матиас Андина
источник