Se si dispone di MMA V8 è possibile utilizzare il nuovo DistributionFitTest
disFitObj = DistributionFitTest[daList, NormalDistribution[a, b],"HypothesisTestData"];
Show[
SmoothHistogram[daList],
Plot[PDF[disFitObj["FittedDistribution"], x], {x, 0, 120},
PlotStyle -> Red
],
PlotRange -> All
]
disFitObj["FittedDistributionParameters"]
(* ==> {a -> 55.8115, b -> 20.3259} *)
disFitObj["FittedDistribution"]
(* ==> NormalDistribution[55.8115, 20.3259] *)
Può andare bene anche altre distribuzioni.
Un'altra funzione utile è V8 HistogramList
, che fornisce i dati di categorizzazione Histogram
s'. Ci sono anche tutte le opzioni di Histogram
.
{bins, counts} = HistogramList[daList]
(* ==> {{0, 20, 40, 60, 80, 100}, {2, 10, 20, 17, 7}} *)
centers = MovingAverage[bins, 2]
(* ==> {10, 30, 50, 70, 90} *)
model = s E^(-((x - \[Mu])^2/\[Sigma]^2));
pars = FindFit[{centers, counts}\[Transpose],
model, {{\[Mu], 50}, {s, 20}, {\[Sigma], 10}}, x]
(* ==> {\[Mu] -> 56.7075, s -> 20.7153, \[Sigma] -> 31.3521} *)
Show[Histogram[daList],Plot[model /. pars // Evaluate, {x, 0, 120}]]
Si potrebbe anche provare NonlinearModeFit
per il montaggio. In entrambi i casi è bene avere i propri parametri iniziali per avere le migliori possibilità di ottenere un adattamento ottimale a livello globale.
In V7 non c'è HistogramList
ma si potrebbe ottenere lo stesso elenco con this:
FH funzione Istogramma [dati, bspec, FH] viene applicato a due argomenti: un elenco di bin {{Subscript [b, 1], Subscript [b, 2]}, {Subscript [b, 2], Subscript [b, 3]}, [Ellipsis]} e corrispondente elenco di conteggi {Pedice [ c, 1], pedice [c, 2], [ellissi]}. La funzione dovrebbe restituire un elenco di altezze da utilizzare per ciascuno degli indici [c, i].
questo può essere utilizzato come segue (from my earlier answer):
Reap[Histogram[daList, Automatic, (Sow[{#1, #2}]; #2) &]][[2]]
(* ==> {{{{{0, 20}, {20, 40}, {40, 60}, {60, 80}, {80, 100}}, {2,
10, 20, 17, 7}}}} *)
Naturalmente, è ancora possibile utilizzare BinCounts
ma il manchi algoritmi di categorizzazione automatica di MMA. È necessario fornire un binning di tua scelta:
counts = BinCounts[daList, {0, Ceiling[Max[daList], 10], 10}]
(* ==> {1, 1, 6, 4, 11, 9, 9, 8, 5, 2} *)
centers = Table[c + 5, {c, 0, Ceiling[Max[daList] - 10, 10], 10}]
(* ==> {5, 15, 25, 35, 45, 55, 65, 75, 85, 95} *)
pars = FindFit[{centers, counts}\[Transpose],
model, {{\[Mu], 50}, {s, 20}, {\[Sigma], 10}}, x]
(* ==> \[Mu] -> 56.6575, s -> 10.0184, \[Sigma] -> 32.8779} *)
Show[
Histogram[daList, {0, Ceiling[Max[daList], 10], 10}],
Plot[model /. pars // Evaluate, {x, 0, 120}]
]
Come si può vedere i parametri di misura può dipendere un po 'sulla vostra scelta binning.In particolare il parametro che ho chiamato s
dipende in modo critico dalla quantità di bin. Più sono i contenitori, più basso è il conteggio dei singoli contenitori e più basso sarà il valore di s
.
grazie mille, questo è molto utile. – 500