问题标签 [weibull]

我正在尝试在我的 data.frame ( df) 上创建一个带有 Weibull 密度值的新列。

考虑到这个df中的组，我需要为分位数向量（w）分配密度。
子集由变量“plot”分隔。

每个图都有特定的 Weibull 参数，密度应该来自这些参数。
参数存储在df_2.

可重现的例子：

我试图从 hadley's answer here改编代码，但没有成功。

它返回一个包含 4800 行的 data.frame（我期待 1200 行）。

我还查看了?ddply帮助页面中提供的示例，但无法弄清楚如何使其适应这种情况。

我想估计以下问题的力量。我有兴趣比较两个都遵循 Weibull 分布的组。所以，A组有两个参数（形状par = a1，比例par = b1），两个参数有B组（a2，b2）。通过模拟感兴趣分布的随机变量（例如假设不同的尺度和形状参数，即 a1=1.5*a2 和 b1=b2*0.5；或者组之间的差异只是在形状或尺度参数中），应用 log-似然比检验来检验 a1=a2 和 b1=b2（或者例如 a1=a1，当我们知道 b1=b2 时），并估计检验的功效。

问题是完整模型的对数似然是什么，以及当 a) 具有精确数据和 b) 对于区间删失数据时如何在 R 中对其进行编码？

也就是说，对于简化模型（当 a1=a2,b1=b2），精确和区间删失数据的对数似然为：

完整模型是什么，当 a1!=a2, b1!=b2 时，考虑到两种不同的观察方案，即当必须估计 4 个参数时（或者，如果有兴趣查看形状参数的差异，必须估计 3 个参数）？

是否可以估计它为不同的组构建两个对数似然并将其加在一起（即LL.full<-LL.group1+LL.group2）？

关于区间删失数据的对数似然，删失是非信息性的，所有观察都是区间删失的。任何更好的想法如何执行此任务将不胜感激。

请在下面找到确切数据的 R 代码来说明问题。非常感谢您提前。

再会，

我想根据每天半小时测量的风速（每天 48 风速，有时缺少几个小时）创建威布尔分布。
然后基于weibull分布，我想根据每天的weibull分布计算某个目标风速（在这个数据集中，29km/hr）的密度。
为此，我需要每天安排 13 年的数据集来计算威布尔分布的两个参数（尺度 = a 和形状 = b），以估计每天目标点的密度。由于这是一个大型数据集，我需要使用某个函数来自动处理它并将日常结果放在不同的表中（a，b，密度为 29 公里/小时）（可能是“返回”函数？？）

我的数据如下所示：

这是此链接网页的进一步问题（如何在一个函数中使用多个代码在 R 中应用“sapply”？）

以前的评论表明我可能需要使用“聚合”或“ddply”函数。为了我的分析意图，如何在函数中放置多个参数？

我的多个参数的功能是：

我不确定这是否可以计算出每天目标速度的密度。您能否检查它是否符合我的意图？“multiple.function”的主要关注点是应该根据每天不同的数据创建不同的weibull分布代码。这在代码中是缺失的。

例如， in"createSet(height=10, v.avg=ballarat_alldata[,2], dir.avg=ballarat_alldata[,3])"和v.avg不应dir.avg包含用于计算的所有数据集，但我不知道如何。

我仍然是 R 的初学者，所以我提前对我的问题表示歉意。问题可能太具体了。请帮助我找到解决问题的方法！

问候，

康敏。

我想用 wblplot 生成的轴绘制一系列 x 和 y 坐标。我怎样才能做到这一点？我不能使用 wblplot。

http://www.mathworks.se/help/stats/wblplot.html

我对 Ilnumeric 很陌生。我在图中看到轴的两种缩放模式：对数和线性。

是否有任何简单（或复杂）的方法可以让轴和数据）以任意方式（二维）显示？
例如，我想在非线性轴上显示数据，如正态概率图（其中 y 轴使用误差函数 = 反向累积分布函数进行缩放）。这是一个例子，我可以想到各种其他的变换，比如威布尔图。

我熟悉python中的matplotlib。在 matplotlib 中，可以定义自定义轴转换，如上所述。我是否需要设置自己的“情节场景图”，或者有什么方法可以用 Plotcube 类来做到这一点？

对于不同的测试条件（电压），我必须评估存在辐射的电气设备的 MTTF。
对于每个电压，我只能测试几个单元（通常为 5 个），失败的单元数量范围从 0（低电压）到可能 5（高电压）。
因此，这是一个可能具有非常高的“正确”审查的生存分析案例（例如，在辐照结束时，可能只有一个单元发生故障，其他 4 个单元会正常）。我不是统计学家，所以想请教一下。

我正在使用 R 和“生存”包来处理数据。根据我的理解，R 计算 Kaplan-Meier 估计量并尝试将得到的经验分布拟合到 Weibull 故障模型（我正在使用带有 dist="weibull" 的 survreg，这是此类设备的故障模型）

我的问题：

我可以计算 MTTF（我使用 Weibull 分布的平均值和 Weibull 拟合产生的参数），但我有点迷失了获得 MTTF 的 95% 置信区间。
应用于 survreg(...) 的返回的 vcov() 函数提供了 Weibull 参数的方差和协方差，但我认为由于未集成的 Kaplan-Meier 估计量（参见：Greenwood 公式）存在额外的不确定性到整个事情。

我不知道如何将所有部分放在一起；R（在生存包或其他地方）有设施来实现这一点吗？或者您能否提供有关如何集成所有错误源的指南？

我想在 R 中找到给定 Gamma、Weibull 和 Log 正态分布的数据的对数似然。鉴于我已经估计了各自分布的参数，我该如何继续？

使用 Node.js，我们试图想出一种生成介于 1 到 100 之间的随机数的方法。但是，我们可能希望使用 Weibull（或一些这样的）分布会给出一个长尾并将答案更重地偏向较大的值 - 例如，75到100的值可能会在80％的时间内生成，50到74的值会在15％的时间内生成时间，其余的（< 20）产生 5% 的时间。

我们使用以下公式 alpha*(-ln(1-X))^(1/beta) 找到了 Weibul 随机变量函数。假设 X 是从 0 到 1 的标准线性随机数，使用 alpha = 1，并且 beta <= 1 似乎给了我们一个很好的分布，但是我们对于如何生成一个始终介于 1 和100。

任何想法或建议表示赞赏。

我已经使用 in R 将 Weibull、对数正态和 Gamma 分布拟合到我的索赔金额数据fitdistr中。我想使用 in R 选择最适合我的样本数据的分布。我该AIC如何进行？

我的问题与计算通过 Stata 中的 Weibull 回归估计的系数得出的转换概率的标准差 (SD) 有关。

转换概率被用于模拟白血病患者在 40 个 90 天（约 10 年）周期内的疾病进展。我需要概率的 SD（随着马尔可夫模型的运行而变化）来创建 beta 分布，其参数可以使用相应的马尔可夫循环概率及其 SD 来近似。然后使用这些分布进行概率敏感性分析，即用它们代替简单概率（每个周期一个），从中随机抽取可以评估模型成本效益结果的稳健性。

无论如何，使用事件生存时间数据，我使用回归分析来估计可以插入方程以生成转移概率的系数。例如...

然后，我们使用方程 () 创建概率，该方程使用 p 和 _cons 以及 t 表示时间（即马尔可夫循环数）和 u 表示周期长度（通常是一年，因为我与白血病患者一起工作，所以我的时间是 90 天他们很可能发生事件，即复发或死亡）。

所以其中 lambda = p, gamma = (exp(_cons))

谈到可变性，我首先计算系数的标准误差

但我真正追求的是转换值的标准错误，例如，

但这不起作用，而且我正在使用的书并没有给出关于获取这些额外信息的提示。任何关于如何接近的反馈将不胜感激。