data-fitting

    2热度

    2回答

    我目前正试图找到一种方法来计算适用于MLE截断分布的幂定律。分布如下所示: 正如你所看到的,我能够适应整个分布(幂律配合),也下限(EXP-FIT)分开。我无法弄清楚的是如何拟合分布的上限(f.e.8 8 < x < 100)。 有没有办法用poweRlaw包或任何其他R包做到这一点?我所希望的是一些看起来像这样(注:这只是一个随机分布): 代码(如果需要): #Power-Law librar

    -1热度

    1回答

    我要产生像下面一个图(在本文中) 我认为这是使用histfit 但是做,histfit doesen't真使用我的数据。酒吧超过曲线。我的数据并不是真正的正态分布,但我希望除了一些异常值外,所有的仓都在曲线内。有没有什么方法可以拟合高斯曲线并在上图中绘制它? 编辑 这是histfit(data)给 我要适应高斯给它,并保持一定值ouliers。基于假设数据是正态分布的,我只需要使用正态分布,因为它

    2热度

    1回答

    我有一个关于椭圆中心位于原点的数据拟合椭圆的问题。我已经探索了两种适合椭圆的方法,但是会产生一个任意的中心,除非我用一些假想的镜像点来处理数据。 方法#01 脚本的这部分直接来自this有用的帖子。我直接在这里复制代码以方便。 fit.ellipse <- function (x, y = NULL) { # from: # http://r.789695.n4.nabble.

    0热度

    1回答

    我有一组(x,y)数据。在python绘制这只是给出 我希望能够以适合一些线或轮廓这一数据,限定内半径和外半径,这样我可以然后随机那些限度内选择一个点。 但是,我不知道从哪里开始。有任何想法吗?

    0热度

    2回答

    我有一个函数,如下 q = 1/sqrt(((1+z)**2 * (1+0.01*o_m*z) - z*(2+z)*(1-o_m))) h = 5 * log10((1+z)*q) + 43.1601 我有上述公式,一旦我必须实验答案把一些数据转换成上述功能,解决以下方程 chi=(q_exp-q_theo)**2/err**2 # this function is a sigma, sig

    1热度

    1回答

    我想将数据拟合到Logistic(Sigmoid)函数并获得无限协方差。我有2个参数,并假设我有5个数据点。我的数据在变量xdata和ydata中。这里是产生完全相同的警告一个代码示例: from scipy.optimize import curve_fit def sigmoid(x, x0, k): y = 1/(1 + np.exp(-k*(x-x0))) retu

    1热度

    1回答

    我有一个关于使用chi^2测试来限制宇宙学参数的重要问题。我感谢您的帮助。请不要给这个问题负面的利率(这个问题对我很重要)。假设我们有一个结束600个数据的数据文件(data.txt),这个数据文件有3列,第一列是红移(z),第二列是观测dL(m_obs),第三列是错误(err) 。正如我们所知道志^ 2的功能是 chi^2=(m_obs-m_theo)**2/err**2 #chi^2=sigm

    1热度

    1回答

    测试它我知道,鉴于其产生的随机数均匀分布的一毫克,一种方法来获得功率状数据是,以下Wolfram Mathworld以下:令y是随机可变均匀地分布在(0,1)和x分布为P另一个随机变量(x)= C * X ** N(用于(XMIN,XMAX X))。我们有 x=[ (xmax**(n+1) - xmin**(n-1))y+xmin**(n+1) ]**(1/(n+1)) 所以我用C,其生成从1

    0热度

    1回答

    这里是什么,我做了一个普通的例子... 开始与Y =米的物理模型* X + B 生成的M,X均匀分布,和b 创建通过指定y_average和y_standard偏差y的理论分布 下一步是从适合我的理论,我随机在(步骤2)中产生的数据,以获得的M,X的组合,和b来样我创建的分布(步骤3)。 下面是一幅图片,显示了我想要做的事情...我有顶部的图表,并且我已经在底部图表中创建了理论分布线......我

    0热度

    1回答

    我使用下面的代码来绘制多个数据点(XI,YI) import numpy as np import matplotlib.pyplot as plt xi = np.array(data_df[['col_A']]) yi = np.array(data_df[['col_B']]) plt.figure() plt.plot(xi, yi) x = np.linspace(0,