Generare devia casuali stocastici da un oggetto densità con R

Question

Ho un oggetto densità dd creato in questo modo:

x1 <- rnorm(1000) 
x2 <- rnorm(1000, 3, 2) 
x <- rbind(x1, x2) 
dd <- density(x) 
plot(dd) 

che produce questa distribuzione molto non-gaussiana:

alt text http://www.cerebralmastication.com/wp-content/uploads/2009/09/nongaus.png

lo farei Alla fine piace ottenere deviazioni casuali da questa distribuzione simile a quanto rnorm devia da una distribuzione normale.

Il modo in cui sto cercando di crearlo è quello di ottenere il CDF del mio kernel e poi ottenerlo per dirmi la varia se si passa una probabilità cumulativa (CDF inversa). In questo modo posso trasformare un vettore di variabili casuali uniformi in disegni dalla densità.

Sembra che quello che sto cercando di fare dovrebbe essere qualcosa di fondamentale che altri hanno fatto prima di me. C'è un modo semplice o una semplice funzione per fare questo? Odio reinventare la ruota.

FWIW Ho trovato this R Help article ma non riesco a recuperare ciò che stanno facendo e l'output finale non sembra produrre quello che sto cercando. Ma potrebbe essere un passo lungo il cammino che semplicemente non capisco.

Ho preso in considerazione solo un Johnson distribution from the suppdists package ma Johnson non mi darà la bella gobba bimodale che i miei dati hanno.

Answer 1

Questa è solo una miscela di normali. Quindi, perché non qualcosa di simile:

rmnorm <- function(n,mean, sd,prob) { 
    nmix <- length(mean) 
    if (length(sd)!=nmix) stop("lengths should be the same.") 
    y <- sample(1:nmix,n,prob=prob, replace=TRUE) 
    mean.mix <- mean[y] 
    sd.mix <- sd[y] 
    rnorm(n,mean.mix,sd.mix) 
} 
plot(density(rmnorm(10000,mean=c(0,3), sd=c(1,2), prob=c(.5,.5)))) 

Questo dovrebbe andare bene se tutto ciò che serve sono campioni da questa distribuzione della miscela.

Answer 2

approccio alternativo:

sample(x, n, replace = TRUE)