normal-distribution

    0熱度

    1回答

    我有以下代碼創建100x2人口向量,根據函數f評估人口,然後根據獲得最低函數分數的前10位人口成員創建一個新人口: N = 100; N_elite = 0.1*N; dim = 2; a = 0; b = 3; x = (b-a).*rand(N, dim)+a; f = @(x) x(:,1).^2 + x(:,2).^2; cost = f(x) population_c

    0熱度

    2回答

    我有Dataframes包含不同指數的每日回報數據。我正在使用下面的代碼來繪製回報分佈的密度。 df.plot(kind='density', title='Returns Density Plot for '+ str(i)) 在同一張圖我要繪製均值相等並且隨着指數回報,這樣我可以看到實證PDF曲線與正態分佈曲線的偏離程度的標準偏差的正常密度曲線。 這樣做最簡單的方法是什麼? 一個樣本經驗P

    0熱度

    2回答

    我有一個矢量: chbin <- seq (from = 0, to = 10, by = 0.02) 我有各45個值的兩個其它矢量。 chmean cherr 我需要創建一個數據幀。 數據幀的每一行應具有45個值,其中第一個值爲dnorm(chbin, mean = (chmean[1]), sd = (cherr[1], log=FALSE),第二個值爲dnorm(chbin, me

    -1熱度

    1回答

    我有兩個正態分佈,用d分隔。左邊是u = 0和sigma = 1,右邊是u = d和sigma = 1。 現在我想創建一個向量A,它有1行和n列。 A應填充-1和d + 1之間的數字(以便它們超出兩個分佈的範圍),但它們應該是等距的。 對於d = 1和n = 3,這應該是例如A = -1 0 1 但是,我如何在代碼中得到這個結果,它適用於更復雜的輸入? 非常感謝您的幫助!

    1熱度

    2回答

    中的累積分佈擬合到R後創建正態分佈在用Gompertz函數成功擬合我的累積數據之後,我需要從擬合函數創建正態分佈。 這是迄今爲止代碼: df <- data.frame(x = c(0.01,0.011482,0.013183,0.015136,0.017378,0.019953,0.022909,0.026303,0.0302,0.034674,0.039811,0.045709,0.0524

    0熱度

    2回答

    MATLAB輪廓數據我有這個二維正態分佈定義爲 mu = [0 0]; Sigma = [1 0.5^0.5; 0.5^0.5 1]; 有沒有辦法時的累積概率說的是95%,以獲得輪廓數據。我不想要情節,而是(x,y)點的值導致95%輪廓。 如果有人可以幫忙,這將是非常善良。在此先感謝

    3熱度

    1回答

    我用我的預測高斯過程。現在讓我們假設我已預測存儲在大小爲1900 X 1的x中的值。現在我想檢查它的分佈是否遵循高斯分佈。我需要這個來比較其他方法預測值如NN,KNN的分佈函數,以判斷哪一個遵循平滑高斯或正態分佈函數 我該怎麼做?如果我能以數字數據的形式得到一些結果,那就更好了。代碼編寫如下, m = mean(ypred); % mean of r s = std(ypred); % stdev

    1熱度

    1回答

    我需要一些幫助來理解surf函數在這個MATLAB示例代碼中的作用。代碼來自多元正態(高斯)分佈上的一些online documentation。 示例代碼: mu = [0 0]; Sigma = [.25 .3; .3 1]; x1 = -3:.2:3; x2 = -3:.2:3; [X1,X2] = meshgrid(x1,x2); F = mvnpdf([X1(:) X2(:)],

    0熱度

    1回答

    我有一個正態分佈,平均值爲71,方差爲20.25。這個例子取自「首先統計」。 當我將正態分佈標準化爲零的平均值時,我得到了正確的結果,但從我對scipy和正態分佈的理解中,我應該對非標準化分佈獲得相同的概率。 from scipy.stats import norm import math # prints 0.539337742276 print(norm(71, 20.25).sf(6

    1熱度

    2回答

    我試圖在R中使用截斷的正態分佈函數來生成上下邊界之間的數字。這是我使用的語句: rtruncnorm(4,1494396000,1494397800, 6360,2640) 4 - 觀察我所需要的, 1494396000號 - 新時代(實際時間:2017年5月10日02:00:00), 1494397800 - 新時代的時間(實際時間:2017年5月10日2點30分零零秒), 6360 - 平