Answers:
该ecdf
函数应用于数据样本返回一个函数表示经验累积分布函数。例如:
> X = rnorm(100) # X is a sample of 100 normally distributed random variables
> P = ecdf(X) # P is a function giving the empirical CDF of X
> P(0.0) # This returns the empirical CDF at zero (should be close to 0.5)
[1] 0.52
> plot(P) # Draws a plot of the empirical CDF (see below)
如果您想要一个代表经验CDF的对象以特定值进行评估(而不是作为函数对象),则可以执行
> z = seq(-3, 3, by=0.01) # The values at which we want to evaluate the empirical CDF
> p = P(z) # p now stores the empirical CDF evaluated at the values in z
请注意,p
它最多包含与相同数量的信息P
(可能包含的信息更少),而后者又包含与相同数量的信息X
。
x
只需编写P(x)
。请注意,这x
可以是一个向量(请参阅我的回答的最后两句话。)
您似乎需要这样做是为了获得累积分布(在样本中获得值<=而不是x的概率),ecdf返回给您一个函数,但是它似乎是用于绘图的,因此该函数的参数,如果是楼梯,则为胎面的索引。
您可以使用此:
acumulated.distrib= function(sample,x){
minors= 0
for(n in sample){
if(n<=x){
minors= minors+1
}
}
return (minors/length(sample))
}
mysample = rnorm(100)
acumulated.distrib(mysample,1.21) #1.21 or any other value you want.
遗憾的是,此功能的使用不是很快。我不知道R是否具有执行此操作的功能,可以返回您所需要的功能,这样会更有效。
R
确实可以计算ECDF:其自变量是随机变量的潜在值,并且返回间隔。这很容易检查。例如,return 。ECDF的广义逆是分位数函数,由in 实现。ecdf(c(-1,0,3,9))(8)
0.75
quantile
R
我总是觉得ecdf()
有些困惑。另外,我认为它仅适用于单变量情况。最终为此滚动了我自己的函数。
首先安装data.table。然后安装我的软件包mltools(或仅将empirical_cdf()方法复制到R环境中。)
然后就像
# load packages
library(data.table)
library(mltools)
# Make some data
dt <- data.table(x=c(0.3, 1.3, 1.4, 3.6), y=c(1.2, 1.2, 3.8, 3.9))
dt
x y
1: 0.3 1.2
2: 1.3 1.2
3: 1.4 3.8
4: 3.6 3.9
empirical_cdf(dt$x, ubounds=seq(1, 4, by=1.0))
UpperBound N.cum CDF
1: 1 1 0.25
2: 2 3 0.75
3: 3 3 0.75
4: 4 4 1.00
empirical_cdf(dt, ubounds=list(x=seq(1, 4, by=1.0)))
x N.cum CDF
1: 1 1 0.25
2: 2 3 0.75
3: 3 3 0.75
4: 4 4 1.00
empirical_cdf(dt, ubounds=list(x=seq(1, 4, by=1.0), y=seq(1, 4, by=1.0)))
x y N.cum CDF
1: 1 1 0 0.00
2: 1 2 1 0.25
3: 1 3 1 0.25
4: 1 4 1 0.25
5: 2 1 0 0.00
6: 2 2 2 0.50
7: 2 3 2 0.50
8: 2 4 3 0.75
9: 3 1 0 0.00
10: 3 2 2 0.50
11: 3 3 2 0.50
12: 3 4 3 0.75
13: 4 1 0 0.00
14: 4 2 2 0.50
15: 4 3 2 0.50
16: 4 4 4 1.00
朋友,您可以在此博客上阅读代码。
sample.data = read.table ('data.txt', header = TRUE, sep = "\t")
cdf <- ggplot (data=sample.data, aes(x=Delay, group =Type, color = Type)) + stat_ecdf()
cdf
可以在以下链接上找到更多详细信息: