問題タブ [ecdf]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
r - edf の正規確率プロットに相当する qqline()
plot.ecdf(x, ...) を使用して経験分布関数 (EDF) のプロットを作成しました。正規性を視覚化するために、プロットに単純な対角線を描くのに相当する qqline を r で探しています。MATLAB の normplot() 関数は同じことを行っています (このリンクのプロットの赤い線を参照してください: http://www.mathworks.de/de/help/stats/normplot.html )。ありがとう。
r - Ecdfプロットの軸ラベルのテキストのサイズを変更する
次の呼び出しを使用してEcdf
、パッケージからプロットを作成しました。Hmisc
プロットの軸ラベルのサイズを変更する方法を見つけることができず、デフォルトのサイズはかなり小さいです。
r - Ecdf() の戻り値から Ecdf 値を抽出するには?
This question hereに対する答えは、適用による方法を提案しecdf
ます。
ただし、ccdf(相補累積分布関数)プロットを実行する便利な方法を提供するためEcdf()
、パッケージから使用しています。(オプションを「1-F」にHmisc
設定することにより)what
デフォルトでは、 はプロットを実行し、とEcdf()
を含むネストされたリストを返します。x
y
y
特定の値の値を抽出するにはどうすればよいx
ですか? 元のプロットにプロットしますか?
ご参考までに:
最初に、 R List から Data Frameに提案された方法を使用して、このリストを data.frame に変換することを検討していますが、私のデータは巨大で、rbind
本当に遅いようです。
r - グループごとに複数の累積パーセンテージ グラフをプロットする
次のようなデータがあります。
zip
とID
は因数であり、count
数値です。ID はカウントに一意に関連付けられます。zip の各レベル内で、count は降順です。
zip
forの各レベルcount
(この場合、1 つのウィンドウに 3 つのグラフが必要) で累積パーセンテージ グラフを作成し、同時に x 軸を使用して目盛りを付けるにはどうすればよいID
ですか? また、x 軸は降順またはカウントを維持します (つまり、最大のパーセンテージが最初になります)。
これまでのところ、ggplot2 には ecdf が組み込まれていると読みましたが、そこで複数のグラフを生成する方法がわかりません。私は試した
しかし、それはまったく機能しませんでした。
誰でも私にヒントを与えることができますか?
r - ggplot2 ecdf の動作がおかしいようです
次の系列と累積プロットを検討してください。
これにより、ゼロの左から始まるグラフが生成されます。つまり、x が負の値を持っているように見えます。右は 1500 と 100% に達した後も右に続きます。つまり、1500 より大きい x ポイントがあるように見えます。
すべてを手動で行うと、期待どおりの結果が得られます。
stat='ecdf'
しかし、これはショートカットの目的全体に反しているようです。私は何が欠けていますか?
r - 経験的CDFで推定CDFをプロットする方法
分布を特定のデータに当てはめています。次に、分布のパラメーターを推定しました。また、R で ecdf() コマンドを使用して経験的累積分布関数をプロットしました。推定分布の累積分布関数を経験的累積分布関数と共にプロットする必要があります。どうすればそれができますか?ecdf() コマンドはまだ役に立ちますか?
python - 経験的分位比較効果の大きさ
経験的データを使用して次の積分を再作成しようとしています:
ここで、F、G は cdfs であり、それらの逆数は分位関数です。
これが私のコードです:
これで私はそれを期待しeqces(u,u) = 0
ますu = np.random.uniform(0,1,50)
が、これは一般的には当てはまりません。私が何か間違ったことをしているのか、それとも代替案を提案しているのか、誰にもわかりますか?
Edit
このコードは、いくつかの分析結果でうまく機能するようです。