我想要得到直方圖的高斯擬合的擬合誤差。我使用scipy.optimize.curve_fit下面的代碼:高斯直方圖曲線擬合使用scipy.curve_fit()的錯誤
import matplotlib.pylab as plt
from pylab import exp
import numpy as np
from scipy import optimize
from math import sqrt
# Fit functions
def Gaussian(x,a,b,c):
return a * exp(-(x - b)**2.0/(2 * c**2))
# Generate data from random Guassian distribution
npix = 10200
nbins = int(sqrt(npix))
data = np.random.standard_normal(npix)
print('\n Length of y: %s' % len(data))
n,bins,patches = plt.hist(data,bins=nbins)
# Generate data from bins as a set of points
bin_size = abs(bins[1]-bins[0])
x =np.linspace(start=bins[0]+bin_size/2.0,stop=bins[-2]+bin_size/2.0,\
num=nbins,endpoint=True)
print min(x),max(x),len(x), np.mean(x)
y = n
y[y==0]= 1e-8
popt, pcov = optimize.curve_fit(Gaussian,x,y)
# Curve-fit error method
error = []
for i in range(len(popt)):
try:
error.append(np.absolute(pcov[i][i])**0.5)
except:
error.append(0.00)
pfit_curvefit = popt
perr_curvefit = np.array(error)
print('\n Curve-fit Curve fit: %s' % pfit_curvefit)
print('\n Curve-fit Fit errors: %s' % perr_curvefit)
# Plot the fit
x_fit = np.linspace(x[0], x[-1], nbins)
y_gauss = Gaussian(x_fit, *popt)
# y_boot = Gaussian(x_fit, *pfit_bootstrap)
yerr=Gaussian(x_fit,*perr_curvefit)
plt.plot(x_fit, y_gauss,linestyle='--',linewidth=2,\
color='red',label='Gaussian')
plt.xlabel('Pixel Values')
plt.ylabel('Frequency')
plt.title('Npix = %s, Nbins = %s'% (npix,nbins))
plt.legend()
plt.show()
正如你看到的,我可以讓Python來充分地擬合直方圖數據沒有問題。問題出現時,我嘗試計算擬合誤差
yerr =高斯(x_fit,* perr_curvefit)
這似乎是它會做正確的事情,但是當我看到錯誤的這份名單是看上去無意義的:
...
0.0
0.0
0.0
0.0
0.0
2.60905702842e-265
2.27384038589e-155
1.02313435685e-74
2.37684931814e-23
0.285080112094
1.76534048255e-08
5.64399121475e-45
9.31623567809e-111
7.93945868459e-206
0.0
0.0
0.0
0.0
0.0
個 ...
我的問題是:1。 是在正確計算的擬合誤差,如果沒有,什麼是計算它們的正確方法。 2.我需要擬閤中的誤差來計算減小的卡方值。是否還有另一種方法可以計算卡方而不必知道每個點處的誤差?
預先感謝您!
計算的好辦法錯誤是yerr =(高斯(x_fit,* po pt)-y)。 –