Cześć można to samo pokazać, aby uzyskać parametr kształtu i skali dla zmodyfikowanej metody największego prawdopodobieństwa
19
Cześć można to samo pokazać, aby uzyskać parametr kształtu i skali dla zmodyfikowanej metody największego prawdopodobieństwa
fitdistr(mydata, densfun="weibull")
w,R
aby znaleźć parametry za pośrednictwem MLE. Aby utworzyć wykres, użyjqqPlot
funkcji zcar
pakietu:qqPlot(mydata, distribution="weibull", shape=, scale=)
z parametrami kształtu i skali, które znalazłeśfitdistr
.R
, który jest swobodnie dostępny, możesz zainstalować i załadować pakietMASS
oraz użyćfitdistr
danych, aby obliczyć szacunkowe wartości k i c. Następnie możesz porównać swoje dane z weibull z oszacowanymi parametrami przy użyciuqqPlot
zcar
pakietu.MASS
icar
przez wpisywanie:install.packages(c("MASS", "car"))
. Załaduj paczki, wpisując:library(MASS)
ilibrary(car)
. 3. Zaimportuj daneR
, najlepiej za pomocą pliku .txt. 4. Jeżeli dane są nazywanemy.data
zastosowaniefitdistr
w następujący sposób:fitdistr(my.data, distribution="weibull")
. 5. Stwórz wykres zgodnie z opisem w pierwszym komentarzu zqqPlot
.Odpowiedzi:
Ponieważ @zaynah opublikował w komentarzach, że uważa się, że dane są zgodne z rozkładem Weibulla, przedstawię krótki samouczek na temat szacowania parametrów takiego rozkładu przy użyciu MLE (szacowanie maksymalnego prawdopodobieństwa). Na stronie jest podobny post dotyczący prędkości wiatru i rozkładu Weibulla.
R
, to nic nie kosztujeMASS
icar
przez wpisywanie:install.packages(c("MASS", "car"))
. Załaduj je, wpisując:library(MASS)
ilibrary(car)
.R
. Jeśli masz na przykład swoje dane w programie Excel, zapisz je jako plik tekstowy z ogranicznikami (.txt) i zaimportuj zaR
pomocąread.table
.fitdistr
do obliczania maksymalnych szacunków prawdopodobieństwa swojej rozkładu Weibulla:fitdistr(my.data, densfun="weibull", lower = 0)
. Aby zobaczyć w pełni opracowany przykład, zobacz link na dole odpowiedzi.qqPlot(my.data, distribution="weibull", shape=, scale=)
Tutorial Vito Ricci na dopasowanie rozkładu ze
R
jest to dobry punkt wyjścia w tej sprawie. Na tej stronie znajduje się wiele postów na ten temat (zobacz też ten post ).Aby zobaczyć w pełni opracowany przykład użycia
fitdistr
, zobacz ten post .Spójrzmy na przykład w
R
:Szacunki maksymalnego prawdopodobieństwa są zbliżone do tych, które arbitralnie ustaliliśmy przy generowaniu liczb losowych. Porównajmy nasze dane za pomocą wykresu QQ z hipotetycznym rozkładem Weibulla z parametrami, które oszacowaliśmy
fitdistr
:Punkty są ładnie wyrównane na linii i głównie w granicach przedziału ufności 95%. Stwierdzilibyśmy, że nasze dane są zgodne z dystrybucją Weibull. Było to oczywiście oczekiwane, ponieważ próbkowaliśmy nasze wartości z rozkładu Weibulla.
Oszacowanie (kształt) (skala) rozkładu Weibulla bez MLEk do
W tym artykule wymieniono pięć metod szacowania parametrów rozkładu Weibulla dla prędkości wiatru. Wyjaśnię tutaj trzy z nich.
Od średnich i odchyleń standardowych
Parametr kształtu jest szacowany jako: a parametr skali jest szacowany jako: with to średnia prędkość wiatru, a odchylenie standardowe, a to funkcja Gamma .k
Najmniejsze kwadraty pasują do obserwowanego rozkładu
Jeśli obserwowane prędkości wiatru są podzielone na przedział prędkości , o częstotliwości występowania i skumulowane częstotliwości , możesz dopasować regresję liniową postaci do wartości parametrów dla danego Weibulla są powiązane ze współczynnikami liniowymi i on 0 - V1, V1- V2), … , Vn - 1- Vn fa1, f2), … , Fn p1= f1, p2)= f1+ f2), … , Sn= pn - 1+ fn y= a + b x
Średnie i kwartylowe prędkości wiatru
Jeśli nie masz pełnych obserwowanych prędkości wiatru, ale mediana i kwartyle i , a następnie i można obliczyć za pomocą relacjiV.m V.0,25 V.0,75 [p(V≤V0.25)=0.25,p(V≤V0.75)=0.75] c k c= V m / ln(2 ) 1 / k
Porównanie czterech metod
Oto przykład w
R
porównaniu czterech metod:Wszystkie metody dają bardzo podobne wyniki. Podejście oparte na maksymalnym prawdopodobieństwie ma tę zaletę, że standardowe błędy parametrów Weibulla są podawane bezpośrednio.
Używanie bootstrap do dodawania punktowych przedziałów ufności do pliku PDF lub CDF
Możemy użyć nieparametrycznego bootstrapu do skonstruowania punktowych przedziałów ufności wokół PDF i CDF szacowanego rozkładu Weibulla. Oto
R
skrypt:źródło
distribution=weibull
z pakietu samochodowego, który dopasuje parametry przez MLE i utworzy wykres qq w 1 kroku.car
oblicza parametry MLE. Jeśli wygenerować zmienną losową o rozkładzie Weibulla (rweibull
) i użyć poleceniaqqPlot(rw, distribution="weibull")
pojawia się komunikat o błędzie, który musi zapewnić parametryshape
iscale
doqqPlot
. Czy coś brakuje?