问题标签 [exponential-distribution]

我很感兴趣为什么下面的代码返回一个实例类型rv_frozenwhenexpon()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>？

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。

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。

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。

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。

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。

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。

我需要创建一个客户到达时间、客户等待时间、服务时间和客户离开时间的多列表。服务时间是收银员帮助顾客的时间。到达时间和服务时间由使用 rexp 命令的函数提供。

该表需要如下所示：

我的代码如下所示：

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？

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！