问题标签 [exponential-distribution]
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.
scipy - 为什么 expon() 的 Scipy 实例返回类型:
我很感兴趣为什么下面的代码返回一个实例类型rv_frozen
whenexpon()
是文件class expon_gen(rv_continuous)
中的一个实例stats._continous_distns.py
。
它不应该返回类型:<scipy.stats._distn_infrastructure.rv_continous>
?
python - 如何在 python 中使用 MLE 拟合双指数分布?
我正在尝试使用 MLE 拟合双指数(即两个指数或双指数的混合)数据。虽然没有此类问题的直接示例,但我发现了一些将 MLE 用于线性(最大似然估计伪代码)、sigmoidal(https://stats.stackexchange.com/questions/66199/maximum-likelihood-curve- model-fitting-in-python)和正态(正态分布的 Scipy MLE 拟合)分布拟合。使用这些示例,我测试了以下代码:
拟合摘要显示:
这是显示拟合的图。虽然拟合似乎有效,但结果返回了我提供的猜测!此外,如果我改变猜测,拟合也会发生变化,这意味着它可能根本不会收敛。我不确定我做错了什么。只是说我也不是 Python 和数学方面的专家。因此,非常感谢任何帮助。提前致谢。
python - Python中给定范围之间值的指数分布
我有三个变量 Min=0.29、Max=6.52 和 center = 2.10。我希望创建一个表格,以下列方式将这些数据分配到表格格式的 100 个值中:
在这里,该图像可以分为两部分,0 到 50 和 50 到 100。
在第一部分中,后续值的 x 与 y 的增加值在 1-10 与 10-20 之间更高,在 10-20 与 20-30 之间更高,依此类推。
在第二部分中,后续值的 x 与 y 的增加值在 50-60 与 60-70 之间较低,在 60-70 与 70-80 之间较低,依此类推。
现在,我对统计的熟练程度不高,因此无法弄清楚如何为指数分布提供最小值、最大值和中心值,以及如何在 python 中实现它。
我尝试使用链接中给出的解决方案,但无法让它适用于我的情况。任何帮助将不胜感激。
stochastic - (X|X>Y) 怎么会变成 (XY|X>Y)+(Y|X>Y)?
如果 X~Exp(a), Y~Exp(b),考虑 (X|X>Y)。我的书说 (X|X>Y)=(X-Y+Y|X>Y)=(XY|X>Y)+(Y|X>Y)。但为什么??我不知道为什么我们可以把这两件事分开。
r - R从指数随机变量生成二项式随机变量
我生成了 100000 个指数随机变量rexp
,我被要求使用内置的 R 函数从它们生成 100000 个二项式随机变量。
我真的不知道如何从另一个生成一个随机变量。我在互联网上搜索了一些资源,但它们主要是关于从指数生成泊松,这非常相关,因为指数分布可以解释为泊松的时间间隔。通过应用cumsum
指数和使用cut
函数来制作一些包含时间间隔内出现次数的箱,可以很容易地实现泊松。
但我不知道如何从指数生成二项式。
performance - 指数 vs 均匀 vs 精确平均响应时间
所以我很难回答这个问题。它询问我应该选择什么,这会给我最快的平均响应时间。
所以选项 1 我有指数分布,服务率为每分钟 2 次。这给了我 0.5m = 30s 的服务时间。
选项 2,我在 10 到 50 秒之间有均匀分布,所以这给了我 10 到 50 秒之间的均匀时间,所以平均值是 30 秒的中位数。
选项 3,我有 50% 的概率得到 10 秒的准确响应时间或 50% 的概率我得到 50 秒的准确响应时间。因此,如果我进行以下计算: (0.5)(10/60) + (0.5)(50/60) 我得到 0.5m 或 30s。
所有这些选项都给了我相同的平均响应时间,所以我不确定在这里选择什么。
r - 将指数分布拟合到频率表
我有以下数据集:
我希望将指数分布拟合到数据中,以在一定程度上预测值超过 150 的概率。我可以按如下方式拟合分布:
然而,这并没有考虑到频率,所以我不确定我是否正确地做到了这一点。然后我计划使用 optim 函数来创建估计概率的置信区间。
pandas - 熊猫中的Python指数曲线拟合:每行定义函数参数
我的数据框[11 x 300],其中列标题等于'x'([0.75,1,1.25,1.5,1.75,2,2.25,2.5,2.75,3,3.25]),每个行值代表'y ' 为了。每行可以用以下格式的指数函数来描述:a * x ^k + b。
目标是添加三个额外的列,描述该特定行的 a、k 和 b。就像:Python 曲线拟合 pandas 数据框然后将 coef 添加到新列
而不是多项式函数,我的数据需要用以下格式描述:a * x **k + b。
由于我找不到使用 np.polyfit 导出系数的任何解决方案,因此我将数据框拆分为不同的列表。
这有效,当我将所有数据框行拆分为列表并为每个列表/行定义 popt 时。避免拆分所有 300 列 - 我更喜欢在 pandas 数据帧上应用与 Python 曲线拟合相同的方法,然后将 coef 添加到新列
my_coep_array = pd.DataFrame(np.polyfit(x, df.values,1)).T
但是如何定义我的 np.polyfit - a * x **k + b?
python - 如何从 0-1 生成 N 个遵循指数衰减模式的数字(在 Python 中)?
我想生成 320 个数字(X1,X2.... X320),范围从 0-1 跨越 320 天:
日期 | 值
2020-03-18 X1
2020-03-19 X2
...
2021-01-31 X320
因此,当我针对“日期”绘制“值”时,这些数字随着时间的推移遵循指数衰减模式。
在 Python 中正确有效的方法是什么?一直在努力解决这个问题。
简单的部分是生成 320 个数字,它们一起符合指数衰减模式,但现在我希望这 320 个数字随着时间的推移具有这种模式 - 这是困难的部分。
非常感谢你的帮助!