<\/p>\n
In deze tutorial wordt uitgelegd hoe u een gammaverdeling<\/strong> aan een dataset in R kunt aanpassen.<\/span><\/p>\n Stel dat u een dataset z<\/em> hebt gegenereerd met behulp van de onderstaande aanpak:<\/span><\/p>\n Om te zien hoe goed een gammaverdeling bij deze dataset z<\/em> past, kunnen we het fitdistrplus-<\/strong> pakket in R gebruiken:<\/span><\/p>\n De algemene syntaxis die gebruikt moet worden om een distributie aan te passen met behulp van dit pakket is:<\/span><\/p>\n fitdist(dataset, distr = \u201cuw distributiekeuze\u201d, method = \u201cuw methode voor het aanpassen van gegevens\u201d)<\/span><\/strong><\/p>\n In dit geval passen we de z-<\/em> dataset aan die we eerder hebben gegenereerd met behulp van de gammaverdeling en de maximale waarschijnlijkheidsschatting om in de gegevens te passen:<\/span><\/p>\n Dit levert het volgende resultaat op:<\/span><\/p>\n Vervolgens kunnen we grafieken maken die laten zien hoe goed de gammaverdeling bij de dataset past, met behulp van de volgende syntaxis:<\/span><\/p>\n Dit levert de volgende plots op:<\/span><\/p>\n Hier is de volledige code die we hebben gebruikt om een gammaverdeling in een dataset in R te passen:<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u een gammaverdeling aan een dataset in R kunt aanpassen. Het passen van een gammaverdeling in R Stel dat u een dataset z hebt gegenereerd met behulp van de onderstaande aanpak: #generate 50 random values that follow a gamma distribution with shape parameter = 3 #and shape parameter = […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-455","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Het passen van een gammaverdeling in R<\/span><\/strong><\/h2>\n
#generate 50 random values that follow a gamma distribution with shape parameter = 3<\/span>\n#and shape parameter = 10 combined with some gaussian noise<\/span>\nz <- rgamma(50, 3, 10) + rnorm(50, 0, .02)\n\n#view first 6 values<\/span>\nhead(z)\n[1] 0.07730 0.02495 0.12788 0.15011 0.08839 0.09941<\/strong><\/pre>\n #install 'fitdistrplus' package if not already installed<\/span>\ninstall. packages<\/span> ('fitdistrplus')\n\n#load package<\/span>\nlibrary(fitdistrplus)<\/strong><\/pre>\n #fit our dataset to a gamma distribution using mle<\/span>\nfit <- fitdist(z, distr = \"gamma\", method = \"male\")\n\n#view the summary of the fit<\/span>\nsummary(fit)<\/strong><\/pre>\n #produce plots<\/span>\nplot(fit)<\/strong><\/pre>\n #install 'fitdistrplus' package if not already installed\n<\/span>install. packages<\/span> ('fitdistrplus')\n\n#load package\n<\/span>library(fitdistrplus)\n\n#generate 50 random values that follow a gamma distribution with shape parameter = 3\n<\/span>#and shape parameter = 10 combined with some gaussian noise\n<\/span>z <- rgamma(50, 3, 10) + rnorm(50, 0, .02)\n\n#fit our dataset to a gamma distribution using mle\n<\/span>fit <- fitdist(z, distr = \"gamma\", method = \"male\")\n\n#view the summary of the fit\n<\/span>summary(fit)\n\n#produce plots to visualize the fit\n<\/span>plot(fit)\n<\/strong><\/pre>\n","protected":false},"excerpt":{"rendered":"