R中对数正态分布中Mu的置信区间
MC <- 10000 # Number of samples to simulate
result <- c(1:MC)
mu <- 1
sigma <- 1.5
n <- 8; # Sample size
alpha <- 0.1 # the nominal confidence level is 100(1-alpha) percent
t_criticalValue <- qt(p=(1-alpha/2), df=(n-1))
for(i in 1:MC){
mySample <- rlnorm(n=n, mean=mu, sd=sigma)
lowerCL <- mean(mySample)-t_criticalValue*sd(mySample)/sqrt(n)
upperCL <- mean(mySample)+t_criticalValue*sd(mySample)/sqrt(n)
result[i] <- ((lowerCL < mu) & (mu < upperCL))
}
SimulatedConfidenceLevel <- mean(result)
(mu=exp(μ+1/2σ2)sigma=exp(2μ+σ2)(exp(σ2)-1)
我得到了5000的模拟信任度。
共有1个答案
以下是一些可复制的样本数据：
(x <- rlnorm(8, 1, 1.5))
## [1] 3.5415832 0.3563604 0.5052436 3.5703968 7.3696985 0.7737094 12.9768734 35.9143985
你对临界值的定义是正确的：
n <- length(x)
alpha <- 0.1
t_critical_value <- qt(1 - alpha / 2, n - 1)
在ggplot2绘图包中有一个实用函数，用于计算均值和标准错误。在本例中，您可以将其应用到数据日志中，以查找mu及其置信区间。
library(ggplot2)
mean_se(log(x), t_critical_value)
## y ymin ymax
## 1 1.088481 -0.006944755 2.183907
-
在随机收集来自独立来源的数据中，通常观察到数据的分布是正常的。 这意味着，在绘制水平轴上的变量的值和垂直轴中的值的计数时，我们得到一个钟形曲线。 曲线的中心代表数据集的平均值。 在图中，百分之五十的值位于平均值的左侧，另外五十分之一位于图的右侧。 统称为正态分布。 R有四个内置函数来生成正态分布。它们在下面描述 - 以下是上述函数中使用的参数的描述 - x - 是数字的向量。 p - 是概率向量。
-
我想知道是否有可能从一个对数正态分布中得到一个聚合参数。在生态学中，通常使用负二项式中的聚集参数k，该参数度量数据中聚类或聚集或异质性的数量：越小的k意味着更多的异质性。负二项分布的方差为μ+μ2/k，当k变大时，方差接近均值，分布接近泊松分布。在R中，聚合参数称为size参数(Bolker，2008)。 当我在fitdistr中拟合我的数据时，我的数据比负二项式、gamma和Poisson更符合
-
问题内容： 我想使用python使对数正态分布适合我的数据。根据手册，返回 形状，位置，比例 参数。但是，对数正态分布通常只需要两个参数：平均值和标准偏差。 如何解释scipy函数的结果？如何获得均值和std.dev。 问题答案： scipy中的分布以通用的方式通过两个参数的位置和比例进行编码，因此位置是将分布向左或向右移动的参数（），而是压缩或拉伸分布的参数。 对于两个参数的对数正态分布，“均值
-
我想生成一个均值为120，标准差为20的正态分布。但是我需要将这些值限制在[0,150]。我该怎么办？
-
我有两个不同长度的向量，每个向量包含0到50之间的数字。有些数字在向量中不包含，其他数字可能出现多次。 我想画一条线，显示每个数字在每个向量中包含的频率，即数字的频率。 如果我将中断设置为每个可能的数字之间，我可以绘制显示频率的直方图： 我知道有一个经验累积分布函数（），它会形成一个S形；但我想要的是一个非累积的经验分布函数，它将导致类似阶梯形钟形曲线的结果，类似于直方图的轮廓。 我能得到的最接近
-
我试着增加平局的数量--仍然导致sd在96左右。