如何针对R中的频率和强度拟合正态分布？

问题描述

我有一个数据列表

frequency x1,x2,...,xn
     i.e. 10,20,...,5000.
Intensity y1,yx,...,yn
          0,0,...,50,60,50,...,0

我想在其中适应数据的正态分布。

where I want to fit a normal distribution to the data.

我在网上找到了一些网站，例如（），例如

I found some website online such as (http://www.di.fc.ul.pt/~jpn/r/distributions/fitting.html) through the procedure like,

my_data <- rnorm(250, mean=1, sd=0.45)# unkonwn distribution parameters
fit <- fitdistr(my_data, densfun="normal")

但显然，这些方法不起作用。

but obviously, those methods won't work.

如何将上述数据拟合为正态分布？

How to fit the above data to a normal distribution?

推荐答案

您可以使用最大似然函数 mle 解决此问题。这是您的操作方法：

You can use the maximum likelihood function, mle, to solve this problem. Here is how you would do that:

my_data <- rnorm(250, mean=1, sd=0.45)# unkonwn distribution parameters

logLik <- function(sigma, mu){
  ll <- vapply(my_data,
               function(x) dnorm(x, mean = mu, sd = sigma),
               FUN.VALUE = numeric(1))
  -sum(log(ll))
}

mle(logLik, start = list(sigma = 1, mu = 1))

mle 需要使用对数似然函数来确定最佳参数（在正态分布的情况下为 mu （平均值）和 sigma （开发人员））。它采用对数可能性 -sum（log（ll））的负和作为数值过程的一部分，以找到最佳分布参数。然后返回估计的参数：

mle requires a log-likehood function that it uses to determine the optimal parameters (which in the case of a normal distribution are mu (mean) and sigma (st. dev.)). It takes the negative sum of the log-likelihood -sum(log(ll)) as part of a numerical procedure to find the best parameters for the distribution. It then returns the estimated parameters:

Call:
mle(minuslogl = logLik, start = list(sigma = 1, mu = 1))

Coefficients:
    sigma        mu
0.4595003 0.9724402

这篇关于如何针对R中的频率和强度拟合正态分布？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！