Bir dağıtımın histogramı ile tanımlanması için yardıma ihtiyacınız var

Belli bir sinyalin kayıtlı genlik maksimumunun örnek popülasyonuna sahibim. Nüfus yaklaşık 15 milyon örnektir. Nüfusun bir histogramını oluşturdum, ancak böyle bir histogramla dağılımı tahmin edemiyorum.

EDIT1: Ham örnek değerleri olan dosya burada: ham veri

Herkes aşağıdaki histogramla dağılımı tahmin etmeye yardımcı olabilir:

Fitdistrplus kullanın:

İşte fitdistrplus'a CRAN bağlantısı .

İşte fitdistrplus için eski vinyet bağlantısı .

Vinyet bağlantısı işe yaramazsa, "Verilerden bir dağıtım belirlemek için fitdistrplus kitaplığının kullanımı" için bir arama yapın.

Skeç, paketin nasıl kullanılacağını açıklamak için iyi bir iş çıkarır. Çeşitli dağıtımların kısa sürede nasıl oturduğuna bakabilirsiniz. Ayrıca Cullen / Frey Diyagramı üretir.

#Example from the vignette
library(fitdistrplus)
x1 <- c(6.4, 13.3, 4.1, 1.3, 14.1, 10.6, 9.9, 9.6, 15.3, 22.1, 13.4, 13.2, 8.4, 6.3, 8.9, 5.2, 10.9, 14.4)
plotdist(x1)
descdist(x1)

f1g <- fitdist(x1, "gamma")
plot(f1g)
summary(f1g)      

Nüfus yaklaşık 15 milyon örnektir.

O zaman büyük olasılıkla basit, kapalı bir formun herhangi bir dağıtımını reddedebilirsiniz.

Grafiğin solundaki o küçük yumru bile 'açıkça öyle değil' dememize neden olacak gibi görünüyor.

Öte yandan, muhtemelen bir dizi yaygın dağılım ile oldukça iyi bir şekilde yakınlaşmıştır; bariz adaylar, lognormal ve gama gibi şeylerdir, ancak başkaları da vardır. X değişkeninin günlüğüne bakarsanız, muhtemelen lognormalin görüşte iyi olup olmadığına karar verebilirsiniz (günlükleri aldıktan sonra histogram simetrik görünmelidir).

Eğer günlük eğri kalırsa, Gamma'nın iyi olup olmadığını düşünün, eğer doğru eğim varsa, ters Gamma veya (hatta daha fazla eğim) ters Gaussian'ın iyi olup olmadığını düşünün. Ancak bu alıştırma, yaşamak için yeterince yakın bir dağıtım bulmaktan daha fazlasıdır; bu önerilerin hiçbiri aslında orada mevcut gibi görünen tüm özelliklere sahip değildir.

Seçimi desteklemek için herhangi bir teoriniz varsa, tüm bu tartışmayı atın ve kullanın.

Bir örneği neden bu kadar büyük bir örnek büyüklüğüne sahip belirli bir dağılıma sınıflandırmak istediğinizden emin değilim; parsimony, başka bir örnekle karşılaştırarak, parametrelerin fiziksel yorumunu mı arıyorsunuz?

İstatistiksel paketlerin çoğu (R, SAS, Minitab), veriler belirli bir dağıtımdan geliyorsa, bir grafiğe veri çizmeye izin verir. Veriler normalse (log dönüşümden sonra log normal), Weibull ve ch-squeded hemen benimsemeden düz bir çizgi veren grafikler gördüm. Bu teknik, aykırı değerleri görmenize ve veri noktalarının neden aykırı olduğu için nedenleri atama olanağına sahip olmanızı sağlayacaktır. R'de normal olasılık grafiğine qqnorm denir.